趙世峰　何皙健

摘要：隨著復(fù)雜機(jī)電裝備組成的復(fù)雜程度及信息化程度的不斷提升，故障預(yù)測與健康管理（Prognostics and Health Management， PHM）系統(tǒng)逐漸成為新一代復(fù)雜機(jī)電裝備設(shè)計和使用中的重要組成部分。復(fù)雜機(jī)電裝備PHM系統(tǒng)的關(guān)鍵技術(shù)是故障特征提取、數(shù)據(jù)融合、智能故障診斷與故障預(yù)測、狀態(tài)監(jiān)測和健康評估等，重點分析了智能故障診斷與故障預(yù)測技術(shù)。

關(guān)鍵詞：復(fù)雜機(jī)電裝備；PHM；故障診斷；故障預(yù)測

中圖分類號：TP313 文獻(xiàn)標(biāo)識碼：A 文章編號：1009-3044（2014）32-7798-02

Abstract： PHM system becomean important part of complex electromechanical equipment as the improvement of the complexity and informatization of complex electromechanical equipment.The key technologies are fault feature extraction，data fusion，intelligent faults diagnosis and faults prognostics etc. This paper focuses on key technologies of intelligent faults diagnosis and faults prognostics.

Key words： complex electromechanical equipment； PHM； faults diagnosis； faults prognostics

隨著復(fù)雜機(jī)電裝備組成的復(fù)雜程度及信息化程度的不斷提升，傳統(tǒng)的故障診斷專家系統(tǒng)的以“事后維修”為主的診斷方式已無法滿足復(fù)雜機(jī)電裝備運(yùn)行可靠性、安全性和可維護(hù)性的需求。為實現(xiàn)高可靠性、高安全性和高維護(hù)保障性，故障預(yù)測與健康管理（PHM）系統(tǒng)逐漸成為新一代復(fù)雜機(jī)電裝備設(shè)計和使用中的重要組成部分。PHM技術(shù)研究包括PHM系統(tǒng)體系結(jié)構(gòu)、信息采集與信號處理、數(shù)據(jù)融合、故障特征提取、智能故障診斷、故障預(yù)測、健康評估與維修決策等內(nèi)容。PHM技術(shù)代表了復(fù)雜裝備后勤保障方法的一種轉(zhuǎn)變，使原來以事件為主導(dǎo)的事后維修或以時間相關(guān)的定時維修向基于狀態(tài)的視情維修轉(zhuǎn)變，其關(guān)鍵在于系統(tǒng)的智能故障診斷和預(yù)測。

1 智能故障診斷與故障預(yù)測總體技術(shù)路線

針對復(fù)雜度、信息化程度高的復(fù)雜機(jī)電裝備可靠性、安全性和維護(hù)保障性的需求，考慮多傳感器網(wǎng)絡(luò)提供的系統(tǒng)特征信息在進(jìn)行故障診斷與預(yù)測的過程中，首先對每個故障特征信號提取高辨識率的故障特征。時頻分析中最具有代表性的小波分析和Hilbert-Huang分析[1-3]能提取信號在時間-幅值-頻率上的多維度信息，在分析和處理非平穩(wěn)信號方面得到了廣泛的應(yīng)用。智能故障診斷和故障預(yù)測依賴于人工智能技術(shù)，支持向量機(jī)在解決小樣本、非線性等分類與預(yù)測問題時具有良好的效果。傳感器數(shù)據(jù)融合充分利用多傳感器的信息進(jìn)行綜合處理與優(yōu)化，以得到更有效的信息。數(shù)據(jù)融合增強(qiáng)了系統(tǒng)的可靠性、可信度與檢測分辨能力[4]。首先獨(dú)立識別各傳感器的信息，再對各自的識別結(jié)果進(jìn)行融合以做出決策，具有良好的實時性和容錯性。復(fù)雜機(jī)電裝備PHM系統(tǒng)智能故障診斷與故障預(yù)測的總體技術(shù)路線如圖1所示。

在進(jìn)行智能故障診斷時，利用提取的故障特征，采用多分類最小二乘支持向量機(jī)的方法進(jìn)行故障分類與定位；在進(jìn)行故障預(yù)測時，采用最小二乘支持向量機(jī)的回歸模型預(yù)計系統(tǒng)在一定時間后的參數(shù)和性能變化趨勢，準(zhǔn)確、快速的提供故障預(yù)測信息。

2 基于最小二乘支持向量機(jī)的智能故障診斷和故障預(yù)測

支持向量機(jī)（Support Vector Machine， SVM）是目前最為有效的學(xué)習(xí)機(jī)器之一，SVM應(yīng)用于智能故障診斷的實質(zhì)是分類問題，應(yīng)用于故障預(yù)測的實質(zhì)是回歸問題。標(biāo)準(zhǔn)的支持向量機(jī)在計算速度，尤其是大規(guī)模集合運(yùn)算時效率較低，1999年Suykens等人提出了最小二乘支持向量機(jī)[5，6]。最小二乘支持向量機(jī)是對標(biāo)準(zhǔn)支持向量機(jī)的一種改進(jìn)，以誤差平方和代替不敏感函數(shù)作為損失函數(shù)，從而將SVM中的不等式約束轉(zhuǎn)化為等式約束，用解線性方程組的方法代替了求解復(fù)雜的二次規(guī)劃問題，從而降低了計算復(fù)雜度，加快了求解速度。最小二乘支持向量機(jī)具有較快的運(yùn)算速度和收斂速度，同時具有較高的精度。在實現(xiàn)智能故障診斷時，利用最小二乘支持向量機(jī)的分類決策方法，為加快算法的收斂速度，考慮線性不可分的情況，引入松弛變量

參考文獻(xiàn)：

[1] 楊福生.小波變換的工程分析與應(yīng)用[M].北京：科學(xué)出版社，1999.

[2] Huang N E，ShenZ，Long S R，et al.The empirical mode decomposition and the Hubert spectrum for nonlinear and non-stationary time series analysis[J].Proceedings of the Royal Society A：Mathematical，Physical and Engineering Sciences，1998，454（1971）：903-995.

[3] Huang N E，ShenZ，Long S R.A new view of nonlinear water waves：The Hilbert spectrum[J].Annual Review of Fluid Mechanics，1999，31：417-457.

[4] 何友，王國宏.多傳感器信息融合及應(yīng)用[M].北京：電子工業(yè)出版社，2000.

[5] Sukens J A K，VandewalleJ.Lest squares support vector machine classfiers[J].Neural Processing Letters，1999，9（3）：293-300.

[6] Sukens J A K，VandewalleJ.Recurrent least squares support vector machines[J].IEEE Transactionson Circuits and Systems—I：Fundamental Theory and Applications，2000，47（7）：1109-1114.