论文部分内容阅读
随着科学技术的发展,设备系统的复杂性、精密性以及智能化程度都在快速提高,传统的维修策略,由于其操作上的滞后性,已满足不了现代维修的需求。在此背景下,故障预测与健康管理(Prognosis and Health Management,PHM)应运而生。而剩余寿命(Remaining Useful Life,RUL)预测技术作为PHM的核心,直接决定着系统的失效预警和维修决策的准确性以及时效性,具有重要的研究价值。在剩余寿命预测的诸多方法中,数据驱动RUL预测技术由于建模不依赖于设备的领域知识,已成为当下研究的热点。虽然该方法取得了不错的预测准确性,但是忽略了对预测模型的不确定性进行量化,无法获得置信区间。本文在数据驱动RUL预测技术的基础上,结合深度学习与不确定性量化方法,同时考虑系统运行时的复杂工况,对剩余寿命预测相关技术进行研究,主要工作内容如下:1.研究深度学习技术在剩余寿命预测中的应用。综合时间卷积网络(Temporal Convolutional Network,TCN)的时序特征提取以及自动编码器(Autoencoder,AE)的维度约减能力,提出一种基于Autoencoder-TCN混合网络的剩余寿命预测方法,通过K-means聚类和数据增强等方法进行数据预处理,以提升设备系统在复杂运行工况下RUL预测的准确性。利用C-MAPSS公开数据集中的数据,与其它方法进行了对比测试,证明了 Autoencoder-TCN网络在进行复杂工况RUL预测时具有更高的准确性。2.针对传统深度学习方法无法进行不确定性量化的现状,通过对贝叶斯神经网络的应用,引入偶然不确定性和认知不确定性,提出一种基于贝叶斯长短时记忆(Bayesian Long Short-Term Memory,BayesLSTM)网络的不确定性建模方法。该方法的RUL预测结果为概率分布的形式,可以进行不确定性量化并获得RUL预测结果的置信区间。利用PHM08和C-MAPSS数据集,对RUL预测结果和不确定性的变化趋势进行了分析,证明了方法的有效性。3.针对贝叶斯神经网络复杂度较高的现状,提出一种基于近似贝叶斯推理的RUL预测方法。通过引入蒙特卡洛(Monte Carlo,MC)dropout,使得普通神经网络也能够输出RUL的概率分布并获得置信区间。利用C-MAPSS数据集上的数据进行了测试,验证了该方法的优越性。