论文部分内容阅读
近年来,随着工业化程度的不断提高,众多工业设备投入到工业过程中,这些工业设备的运行环境十分复杂多样,设备的性能会随着使用而发生退化,最终将会发生失效。如果设备发生失效,将会引发一系列严重的事故,造成重大的人员财产损失以及严重的环境破坏。因此,出现了在工业、国防、航天等领域有着广泛应用前景的预测与健康管理(Prognostics and Health Management,PHM)技术。PHM技术由故障预测和健康管理两部分组成,要确定故障的发生关键步骤是对设备的剩余寿命进行预测。为此,本文以现有数据驱动的剩余寿命(Remaining Useful Life,RUL)预测方法为基础,对工业过程中的关键设备RUL预测方法进行研究。具体研究内容包括:(1)为了更准确的预测锂离子电池的剩余寿命,提出基于粒子滤波——误差补偿算法的电池RUL预测方法。该方法以粒子滤波算法为基础,引入基于相关向量机的误差补偿算法构建误差模型进行补偿。通过比较该方法与粒子滤波算法的预测结果,该方法的预测误差更小,表明该方法能够提高预测精度。(2)针对粒子退化问题导致的预测精度下降问题,采用一种改进粒子滤波算法对锂离子电池的RUL进行预测。该方法将正则化粒子滤波(Regularized Particle Filter,RPF)算法与扩展有限冲激响应(Extended Finite Impulse Response,EFIR)滤波器相结合,采用EFIR算法对粒子滤波器进行重置,重采样后产生新的后验粒子集,进而得到最终的估计值。通过比较该方法与粒子滤波算法的预测结果,该方法的预测误差进一步减小,表明该方法能够提高预测精度。(3)针对锂离子电池静置阶段出现的容量恢复现象所造成的局部预测精度下降问题,提出一种考虑间歇时间的深度学习预测方法。该方法将电池静置阶段的间歇时间序列作为长短时记忆网络的输入,得到更加完善的预测模型。通过实验比较该方法与长短时记忆网络的预测结果,该方法的预测误差更小,验证了方法的有效性。(4)针对传统基于单一变量的剩余寿命预测方法对复杂系统的寿命预测精度不高的问题,提出一种深度学习融合算法对耦合多变量系统进行剩余寿命预测,即带主成分分析的长短时记忆网络算法,这种方法通过对多种监测变量进行相关性分析,以及解耦处理,然后将解耦得到的主成分序列作为网络的输入,得到更加完善的预测模型。最后将该方法与其他三种机器学习算法的预测结果进行比较,该方法的预测均方根误差更小,表明方法的有效性。