航空机电设备健康状态预测技术探析范文

本站小编为你精心准备了航空机电设备健康状态预测技术探析参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《航空维修与工程》2017年第2期

摘要：对于一些本身结构比较复杂和精密的设备，如航空机电设备，其故障呈现出渐发性的特点，而且一旦发生故障，将会带来非常严重的后果。因此，做好设备健康状态的评估和预测，及时对设备进行检修维护，是保障设备安全稳定运行，防止安全事故发生的关键。本文以提出了基于多距离形态相似度评估（M-DSSE）以及相关向量机（EVM）的航空机电设备健康状态预测方法，实践证明，该方法得到的结果与实际情况相吻合。

0引言

在自动化、智能化技术飞速发展的带动下，各类机电设备不断涌现，在许多领域中发挥着重要作用，而这些机电设备本身相对复杂，为了保证其运行安全，需要做好设备的状态监测和评估。健康状态预测是指通过对设备运行状态的评估，获取相应的健康指数，借以分析设备健康状态的变化趋势，明确维修方案，以减少设备故障发生的几率。

1健康状态的评估和预测

1.1健康状态评估健康指数

HI是健康评估的表示方式，其取值在0-1之间，数值越高，表明设备的越健康，反之，则表明设备存在功能性故障，需要及时进行维修和更换。就目前而言，健康状态评估的一般方法有两种，一是基于模型驱动的方法，需要在深入了解设备故障机理的前提下，经全面分析，确定可以体现设备性能退化的健康指标，在监测信息与设备性能退化之间，构建相应的关联模型，实现对设备健康状态的有效评估。这种方法不要求大量的监测数据，而且准确度较高，不过受设备故障模式差异以及性能退化进程随机性的影响，并不能准确构建退化模型；二是基于数据驱动的方法，主要是构建检测信息与设备性能退化之间的关系模型，适用于对设备全寿命周期健康状态的评估，具体来讲，包括有相似度评估法、组合赋值法等，以相似度评估法为例，主要是结合已有样本和测试样本，计算相似关联度，归化为健康指标，以完成对设备健康状态的评估，在实际应用中，需要结合具体问题，选择合适的关联度计算方法。

1.2健康状态预测设备

健康状态预测的主要目的，是结合健康状态评估得到的健康指数，预测未来一段时间内设备的健康状态，判断剩余寿命、设备运行风险和故障时间，从而为制定科学的维修决策提供参考。在当前的环境下，基于数据驱动的健康状态预测方法包括神经网络理论以及相关向量机RVM、时间序法、灰色数学法、专家系统法等，相比较而言，RVM是在支持向量机的基础上进行的眼神，能够有效解决设备健康预测中存在的各种问题，也因此备受关注。

2设备健康状态预测模型

2.1基于M-DSSE的健康状态评估

想要做好设备健康状态的评估工作，需要首先进行信息的采集，确保其能够准确反映设备的健康状态，然后经数据整理和特征量提取，得到相应的状态向量，将其与设备正常的状态向量以及故障工况下的状态向量进行相似关联度计算，就可以评估设备当前健康状态与正常状态以及故障状态的相似程序，结合归一化处理，能够得到设备当前的健康指数。为了保证采集到的监测信息的准确性，这里采用多信息源的监测信息，以向量相似度来进行多信息源健康指数的计算。首先，将多信息源条件下设备的健康指数向量定义为HI=（hi1，hi2，…，hin），由n个单信息源条件下获取的健康指数构成，定义正常状态下设备的健康指数向量为HI'g，则结合向量相似度，可以计算出设备的健康指数HI。

2.2基于RVM的健康状态预测

在经健康状态评估得到设备的健康指数后，可以运用RVM回归模型，完成设备健康状态预测，明确设备性能的退化趋势。回归模型可以在有监督的学习过程中，给出训练样本集，开展向尹的学习，建立起输入向量xn与估计函数tn的关系模型，对新的输入向量的位置目标进行预测。

3实例分析

以某航空机电设备为对象，验证本文提出的基于M-DSSE和RVM的设备健康状态预测的有有效性。监测数据选择设备的电压和电流信号，设置采样频率为6.4kHz，分别对设备正常状态和故障状态连续采样3.2s，得到相应的样本集，依照顺序，对数据进行分割，形成20个数据段，每段细分为1024个采样点。依照上述采样频率及时间，以等间隔的方式采集退化状态信号，形成30组样本数据。

3.1健康状态评估

以电压信号为例，对设备健康状态评估的过程进行描述和分析。结合采集到的数据，运用时域分析法，可以得到相应的结果：脉冲因子值1.3502，峰值因子值4.1176，均方根值1.0163，峰峰值2.9517，波性因子1.0163。对于采集到的设备正常状态信号，利用db6小波包进行分解，得到一个时间段内不同频带内信号重构图在MATLAB上的仿真，继而可以计算出各个频带内的能量归一化数值。同理，可以计算电压退化与故障状态的时频分析和时域分析特征向量，以及电流的相关数值。运用本文提出的方法，对得到的状态特征向量进行计算，可以得出30个退化点的健康指数，依照1-30的观测点标号，其相应的健康指数依次为0.876、0.863、0.854、0.839、0.802、0.812、0.821、0.783、0.792、0.736、0.769、0.745、0.721、0.759、0.660、0.613、0.707、0.627、0.684、0.530、0.562、0.578、0.513、0.590、0.401、0.436、0.484、0.354、0.466.

3.2健康状态预测

在RVM模型中，核函数采用的组委常用的高斯径向基核函数为K（x，xi）=exp{-x-xi22σ2}在公式中，σ表示核参数，xi表示核函数的中心。从RVM模型的性能考虑，必须做好核参数的选择。从上述30个退化点中选择1-20号观测点的健康指数作为训练样本，构建完善的健康状态预测模型，通过交叉验证优化选择，得到RVM的最优核参数为3.75。结合模型，预测21-30号退化状态观测点的健康指数，将得到的结果与实践序列模型ARMA、SVM模型以及BP神经网络模型进行对比分析。不同模型对于设备健康状态预测的相对误差为：观测点为21时，RVM为0.1692，SVM为0.1692、BPNN为0.5247，ARMA为0.3385；观测点为22时，RVM为0.5509，SVM为0.7464、BPNN为1.8482，ARMA为1.4750；观测点为23时，RVM为0.3631，SVM为0.7086、BPNN为1.4352，ARMA为1.0721；观测点为24时，RVM为1.0118，SVM为1.6151、BPNN为5.8571，ARMA为4.0474；观测点为25时，RVM为1.7719，SVM为2.1489、BPNN为5.2968，ARMA为3.9208；观测点为26时，RVM为1.1156，SVM为1.7807、BPNN为8.9251，ARMA为6.0287；观测点为27时，RVM差为1.7120，SVM为2.1452、BPNN为8.3539，ARMA为5.5693；观测点为28时，RVM为2.5854，SVM为4.1427、BPNN为15.0237，ARMA为11.9291；观测点为29时，RVM为1.4220，SVM为2.6146、BPNN为11.1926，ARMA为7.8669；观测点为30时，RVM为3.5028，SVM为5.8475、BPNN为20.5367，ARMA为16.7231。可以看出，在预测精确度上，本文提出的方法要超过其他三种预测模型，也就是说性能更加优越，这也证明了基于M-DSSE和RVM的复杂装备健康状态预测模型的合理性和可靠性。

4结语

本文提出了一种基于M-DSSE和RVM的复杂装备健康状态预测方法，经实践验证，该方法的预测精度高，可靠性强，可以对设备在未来一段时间内的健康状态变化进行预测，从而为设备的预知维修提供必要的技术支持，在保障设备安全可靠运行，延长设备使用寿命等方面意义重大，希望能够得到重视和推广。

参考文献：

[1]陈雄姿，于劲松，陆文高，李行善.基于综合健康指数与RVM的系统级失效预测[J].系统工程与电子技术，2015，37（10）：2298-2305.

[2]邓力，徐廷学，范庚，吴明辉.基于M-DSSE和RVM的复杂装备健康状态预测[J].计算机工程与设计，2014，35（11）：3997-4002.

[3]周建宝.基于RVM的锂离子电池剩余寿命预测方法研究[D].哈尔滨工业大学，2013.

[4]王芳.基于健康状态的重型装备维修计划决策与系统研发[D].哈尔滨工业大学，2015.

[5]范庚,马登武.基于EMD和RVM-AR的航空发动机磨损故障预测模型[J].计算机测量与控制，2013，21（7）：25-28.

[6]柏骏，夏靖波，赵小欢.一种基于EMD和RVM的自相似网络流量预测模型[J].计算机科学，2015，42（1）：122-125.•159•

作者：夏爽 单位：三亚航空旅游职业学院航空机电设备维修系