基于隐马尔科夫链模型的装备运行可靠性预测.docxVIP

基于隐马尔科夫链模型的装备运行可靠性预测 0 基于状态预测的精度改进 如果主和重要设备失败，将严重影响公司的生产效率，并给公司带来重大损失。为使装备趋于零故障运转,需要对装备可靠性进行监测与分析,以提前采取合理的预防性维修策略,防止故障突发。目前,装备可靠性监测与分析的一般思路是监测装备动态性能信号,信号经处理与分析后提取出关键性能特征参数,以识别装备运行状态,进而分析装备可靠性。Chinnam以高速钢钻头为对象通过监测部件性能劣化信号,使用具有一阶自相关残差的广义多项式回归模型对性能劣化信号进行建模并预测部件性能劣化状态,利用部件性能劣化状态来推断其可靠性。Lu等通过对系统状态进行监控、建模和预测来实现基于状态预测的维修。徐正国等通过疲劳裂纹增长数据的数值仿真实验,利用马尔可夫链蒙特卡罗方法得到随机参数及误差项标准差的联合后验分布的采样值,实时预测产品在未来一段时间内的可靠度。 然而,由于装备本身结构和运行环境的复杂性,装备使用过程中所监测到的性能特征参数(即观测序列)并不能与状态简单地一一对应。经典方法如布朗运动、泊松过程和马尔科夫过程等都不能很好地描述装备状态与性能特征参数的复杂关系,而隐马尔科夫链(hidden Markov chain,HMC)模型蕴含一种双重随机过程机制,可以将观测序列与隐状态通过一组概率分布联系起来,从而可以更加真实地描述实际工程情况。因此,本文引入HMC模型分析装备运行可靠性,通过监测的多观测序列来识别装备使用过程中隐含的状态变迁过程,由装备状态变迁过程来推断其运行可靠性。 1 “三化”—隐马尔科夫链模型与算法 HMC模型实质上是一种状态隐含、观察序列可见的双重随机过程,包括具有状态转移概率的马尔科夫链隐式随机过程和与马尔科夫链的每一个状态相关联的观测序列的显式随机过程。 如图1所示,HMC模型一般被表示为一个五元组: 其中,N表示状态数,记N个隐状态为θ1,θ2,…,θN,则t时刻马尔科夫链所处的状态为qt,qt∈{θ1,θ2,…,θN};M表示每个隐状态对应的可能的观测值数,记M个观测值为v1,v2,…,vM,则t时刻观察到的观测值为ot,ot∈{v1,v2,…,vM};A表示状态转移概率矩阵,A=[aij]N×N,aij=P(qt+1=θj|qt=θi)表示从状态i转移到状态j的概率;B表示观察值概率矩阵,B=[bjk]N×M,bjk=P(ot=vk|qt=θj)表示t时刻状态j出现观测值vk的概率;π表示初始状态概率分布向量,π=(π1,π2,…,πN),πi=P(qi=θi)。 由于aij、bjk和πi都表示概率,故它们满足以下条件: aij≥0,bjk≥0,πi≥0?i,j,kΝ∑j=1aij=1,Μ∑k=1bjk=1,Ν∑i=1πi=1}(2)aij≥0,bjk≥0,πi≥0?i,j,k∑j=1Naij=1,∑k=1Mbjk=1,∑i=1Nπi=1???????(2) 由此可见,HMC模型通过A、B和π的不同分布来描述双重随机过程。HMC的状态是不确定或不可见的,只能通过观测序列的随机过程去感知状态的存在及其特性。HCM模型不仅考虑到各个状态之间的相关性,而且也考虑到观测序列在相应状态下存在条件独立性。 将HMC模型应用于实际工程时,通常采用Forward-Backward算法来解决模型的概率计算问题,即给定观测序列O={o1,o2,…,oT}和模型λ,有效地计算O在给定λ下的概率;采用Viterbi算法解决模型的最优状态序列求解问题,即给定O={o1,o2,…,oT}和λ,选择一个在某种意义上最优的状态序列Q={q1,q2,…,qt};采用Baum-Welch算法解决模型的参数估计问题,即给定O={o1,o2,…,oT}和初始条件λ0,调整HMC模型参数,使得P(O|λ)最大。 2 在多段观测序列中，hmc的设备可靠性预测基于hct 2.1 装备性能分区向量 由于HMC模型中观测值通常是有限的离散值,而输入的性能特征参数是一个连续信号(实数值),因此需要对性能特征参数进行量化处理以形成离散编码集合,即矢量量化。采用通信领域的信源编码技术Lloyd算法来实现矢量量化。 如图2所示,对性能特征参数进行矢量量化。根据分区向量(partition)和码本向量(codebook),将特征参数值划分成N-1个区域,将N个相邻区域映射成N个离散值。特征参数值在每个区域的索引值vij定义为 vij=Ιndex(yij)={1yij≤partition(1,j)ipartition(i-1,j)≤yij≤partition(i,j)Νpartition(n-1,j)≤yij(3)vij=Index(yij)=???????????1yij≤partition(1,j)ipartition(i?1