基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究

论文摘要

随着科学技术的发展,航空航天、制造业、能源、冶金等领域的设备系统日益智能化、复杂化,传统维护策略存在着“维护不足”或“维护过剩”等问题,难以满足实际维护需求。为了保障设备系统安全可靠运行,在当前大数据时代背景下,针对设备系统复杂工况应用场景,研究基于数据驱动的故障预测与健康管理（Prognosis and Health Management,PHM）方法具有重要的意义。PHM的核心内涵是,基于状态监测数据,借助智能化的算法模型,实时评估系统健康状况及预测设备剩余使用寿命（Remaining Useful Life,RUL）,并据此制定维护计划。长短期记忆（Long Short-Term Memory,LSTM）网络作为典型的深度学习模型,由于其对时期依赖特征的提取优势,促使其在机器翻译、时间序列预测等领域得到广泛应用并取得了较好成绩。因此,本文针对复杂工况下设备系统PHM的核心问题,结合LSTM网络,深入研究了基于数据驱动的健康状况评估建模方法和RUL预测方法,具体内容如下:1.研究了一种基于LSTM网络和变分自编码器混合模型的健康状况评估新方法。该方法以无监督方式训练,一方面通过引入LSTM网络,可有效提取监测数据中的长短期时间依赖特征:另一方面结合变分自编码器（Variational Autoencoder,VAE）,可将特征数据映射到连续隐空间中,实现深层次的特征提取,同时对多工况切换干扰具有很好的鲁棒性。本文基于PHM08数据集进行算法性能验证,并与传统建模方法开展了对比实验。实验结果验证了其有效性和优越性,对比实验表明,本文所提方法具备更好的单调性和鲁棒性。2.研究了一种基于多层LSTM网络的RUL直接预测方法。传感器监测数据本质上就是时间序列数据,结合LSTM网络处理时序数据的优势,本文通过时间窗滑动法构造样本,并设计了基于多层LSTM网络的RUL直接预测框架。在PHM08和C-MAPSS两个公开数据集上开展了验证实验,实验结果表明多层LSTM网络相较于传统浅层模型取得了更高的预测精度。3.设计并开发了基于Azure云平台的健康管理系统。基于本论文的主要研究算法,以涡轮发动机设备系统为应用研究对象,搭建了基于Azure云的涡轮发动机健康管理系统,并对其核心功能模块进行了验证测试。上述研究结果表明,针对复杂工况下设备系统PHM的应用场景,结合深度学习理论,本文提出的基于LSTM-VAE健康状况评估新方法与多层LSTM网络的直接RUL预测方法,一定程度上解决了传统方法存在过多依赖领域专家经验、深层特征无法获取以及不具备通用性等问题,通过在PHM08等公开数据集上进行比较测试,取得了更好的结果。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
•   1.1 研究背景及意义
•   1.2 PHM概述
•   1.3 国内外研究现状与发展趋势
•     1.3.1 健康状况评估研究现状与发展趋势
•     1.3.2 剩余寿命预测研究现状与发展趋势
•     1.3.3 深度学习在PHM领域的研究现状
•   1.4 本文研究内容与结构
•     1.4.1 本文主要研究内容
•     1.4.2 本文组织结构
• 第2章 相关理论与技术
•   2.1 数据驱动剩余寿命预测框架
•   2.2 变分自动编码器
•     2.2.1 自动编码器
•     2.2.2 变分自动编码器
•   2.3 LSTM循环神经网络
•     2.3.1 循环神经网络
•     2.3.2 LSTM循环神经网络
•     2.3.3 Dropout
•   2.4 本章小结
• 第3章 基于LSTM-VAE健康状况评估建模
•   3.1 健康状况评估概述
•     3.1.1 健康状况评估目标
•     3.1.2 健康值评价指标
•   3.2 基于LSTM-VAE健康状况评估新方法
•     3.2.1 LSTM-VAE网络结构
•     3.2.2 健康状况评估框架
•     3.2.3 运行工况识别方法
•     3.2.4 具体建模流程
•   3.3 实验验证及结果分析
•     3.3.1 PHM08数据集介绍
•     3.3.2 运行工况识别实验及分析
•     3.3.3 健康状况评估实验设置
•     3.3.4 实验及结果分析
•   3.4 本章小结
• 第4章 基于LSTM网络剩余寿命预测方法
•   4.1 剩余寿命预测概述
•     4.1.1 数据驱动剩余寿命预测概述
•     4.1.2 常用评价指标
•   4.2 基于LSTM网络直接剩余寿命预测方法
•     4.2.1 多层LSTM网络结构
•     4.2.2 具体建模流程
•   4.3 基于CNN-LSTM混合模型剩余寿命预测方法
•     4.3.1 CNN
•     4.3.2 CNN-LSTM网络混合模型
•   4.4 实验验证及结果分析
•     4.4.1 C-MAPSS数据集介绍
•     4.4.2 实验及结果分析
•   4.5 本章小结
• 第5章 涡轮发动机健康管理系统设计与实现
•   5.1 涡轮发动机健康管理系统的设计
•     5.1.1 系统总体框架设计
•     5.1.2 数据采集与传输
•     5.1.3 健康管理中心搭建
•     5.1.4 Web应用程序
•     5.1.5 健康管理系统
•   5.2 涡轮发动机健康管理系统的测试
•   5.3 本章小结
• 第6章 总结与展望
•   6.1 工作总结
•   6.2 下一步工作展望
• 参考文献
• 致谢
• 在读期间发表的学术论文与取得的研究成果

文章来源

类型: 硕士论文

作者: 陈自强

导师: 程健

关键词: 数据驱动,故障预测与健康管理,健康状况评估,剩余使用寿命

来源: 中国科学技术大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 数学,数学,工业通用技术及设备

单位: 中国科学技术大学

分类号: TB114.3

总页数: 96

文件大小: 9213K

下载量: 1720