CN107545112A - 多源无标签数据机器学习的复杂装备性能评估与预测方法 - Google Patents
多源无标签数据机器学习的复杂装备性能评估与预测方法 Download PDFInfo
- Publication number
- CN107545112A CN107545112A CN201710802051.XA CN201710802051A CN107545112A CN 107545112 A CN107545112 A CN 107545112A CN 201710802051 A CN201710802051 A CN 201710802051A CN 107545112 A CN107545112 A CN 107545112A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- label
- state
- complex equipment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多源无标签数据机器学习的复杂装备性能评估与预测方法，将复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理并建立多源无标签退化数据与***综合退化特征的映射关系；建立综合退化特征与复杂装备性能状态的非线性映射关系，进行模型超参数优化，获得结构和参数优化的非齐次隐半马尔可夫模型；基于建立的模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。为多源无标签数据下考虑复杂装备非线性因素进行性能状态评估与预测提供了一种可行的方法。
Description
技术领域
本发明属于机械设备健康评估与预测领域，具体涉及一种多源无标签数据机器学习的复杂装备性能评估与预测方法。
背景技术
近十年来机械设备健康评估与预测技术成为长寿命、高可靠机械设备运营管理的关键技术，而复杂装备性能退化评估与预测是进行装健康管理的重要前提。相比较于传统的设备运营管理技术，健康评估与预测技术具有可发现早期的***性能衰退，能给出设备的当前和未来运行健康状态，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点，因此关于性能状态评估与预测的研究是机械设备健康评估领域的一个关键课题。
当前性能状态评估与预测的方法主要分两类：基于退化数据和装备健康状态标签的有监督方法和基于无标签退化数据的非监督方法。有监督方法在性能特征构造时依赖于退化相关先验知识，在状态分类时需要装备健康状态标签，致使该方法对于实际中缺乏早期退化知识和健康状态标签的复杂装备难以凑效。基于无标签退化数据的非监督方法，克服了对退化先验知识和健康状态标签的依赖，在实际中得到了较多的应用，然而现有无监督方法在性能特征提取时对复杂装备的非线性主导因素考虑不足，在状态识别时往往在假定模型结构的前提下进行模型参数优化，忽视了对模型结构的优化，致使性能状态评估与预测的结果与复杂装备实际情况存在较大差异。如何在多源无标签数据下考虑复杂装备非线性因素，提取综合退化特征并确定合理的模型结构及参数，从而进行复杂装备性能状态评估与预测是一个有待解决的问题。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多源无标签数据机器学习的复杂装备性能评估与预测方法，具有算法高效、模型精度高、评估与预测结果准确的特点，可实现复杂装备性能退化状态的有效评估与预测。
本发明采用以下技术方案：
多源无标签数据机器学习的复杂装备性能评估与预测方法，首先将复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理，利用Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系；然后，基于非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，采用改进的贝叶斯信息熵准则进行模型超参数N的优化，获得结构和参数优化的非齐次隐半马尔可夫模型，得到复杂装备性能退化规律；最后，基于建立的综合退化特征非监督提取方法和确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。
进一步的，包括以下步骤：
S1、对复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理；
S2、根据Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系；
S3、对步骤S2建立的Autoencoder网络拓扑模型，利用训练数据采用基于增强动量项梯度下降的反向传播算法学习网络模型的参数，进而实现多源无标签退化数据的非监督融合降维处理，获得表征复杂装备性能的综合退化特征；
S4、利用非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，模型输入为离散的***综合退化特征，模型输出为离散的隐含性能状态；
S5、对步骤S4建立的非线性映射关系模型，采用改进的前向-后向算法进行不同隐含状态个数N的非齐次隐半马尔可夫模型参数训练，获得多个非线性映射关系模型；
S6、对步骤S5获得的多个非线性映射关系模型，利用改进的贝叶斯信息熵准则进行模型超参数N的优化，获得结构和参数优化的非齐次隐半马尔可夫模型；
S7、利用步骤S3建立的综合退化特征非监督提取方法和步骤S6确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。
进一步的，步骤S1中，所述多源无标签退化数据包括压强、温度、转速和制冷剂流速四类21个退化数据。
进一步的，所述退化数据中，温度信号包括：风扇入口温度T2、低压压缩机出口温度T24、高压压缩机出口温度T30、低压涡轮机出口温度T50；压强信号包括：风扇入口压强P2、外涵道总压强P15、高压压缩机出口总压P30、高压压缩机出口静压Ps30；转速信号包括：风扇物理转速Nf、核心机物理转速Nc、校正的风扇物理转速NRf、校正的核心机物理转速NRc、风扇目标转速Nf_dmd、校正的风扇目标转速PCNfR_dmd、高压涡轮机冷却剂质量流速W31、低压涡轮机冷却剂质量流速W32；还包括发动机压缩比epr(P50/P2)、涵道比BPR、燃烧室燃料空气比farB、排气焓htBleed四个无量纲信号以及一个燃料流与Ps30之比phi信号。
进一步的，步骤S2中，所述Autoencoder网络拓扑结构包含输入层、隐含层和输出层，所述输入层和输出层相均配置21个单元，每个单元对应一个连续的无标签退化数据，相应的输入层与输出层单元之间采用恒等约束。
进一步的，所述Autoencoder网络拓扑模型隐含层的神经元个数M取22，隐含层按下式进行稀疏化约束：
其中，φ1(x1,x2,...,x21)为基函数，x1,x2,...,x21为21个退化数据，包括风扇入口温度T2、低压压缩机出口温度T24、高压压缩机出口温度T30、低压涡轮机出口温度T50等4个温度信号，风扇入口压强P2、外涵道总压强P15、高压压缩机出口总压P30、高压压缩机出口静压Ps30等4个压强信号，风扇物理转速Nf、核心机物理转速Nc、校正的风扇物理转速NRf、校正的核心机物理转速NRc、风扇目标转速Nf_dmd、校正的风扇目标转速PCNfR_dmd、高压涡轮机冷却剂质量流速W31、低压涡轮机冷却剂质量流速W32等8个速度信号，发动机压缩比epr(P50/P2)、涵道比BPR、燃烧室燃料空气比farB、排气焓htBleed等4个无量纲信号，燃料流与Ps30之比phi等1个信号；ai为基向量的系数，随着不同的信号而变化。
进一步的，步骤S3中，所述Autoencoder网络拓扑模型利用增强动量项梯度下降的反向传播算方法学习网络模型的参数，计算公式如下：
其中，L为损失函数，Δωn为第n次迭代的网络权重参数的更新量，α为学习率参数，ωn为更新前的网络权重参数，m为动量项参数。
进一步的，步骤S4中，所述非齐次隐半马尔可夫模型隐含状态的转移既依赖于到达当前状态的时刻，又依赖于在当前状态的驻留时段，还取决于两者之和在全寿命过程中所处的时间位置。
进一步的，所述非齐次隐半马尔可夫模型隐含状态转移计算如下：
其中，λi,j(s,t)表示从隐含状态i到状态j的状态转移概率，s为到达当前状态的时刻，t为在当前状态的驻留时段，s+t表示在全寿命过程中所处的时间位置，N为隐含状态个数，σi,j和μi,j为待学习参数。
进一步的，步骤S6中，采用改进的贝叶斯信息熵准则优化后的隐含状态个数N＝8，获得结构和参数优化的非齐次隐半马尔可夫模型如下式：
其中，BIC(N)为不同隐含状态个数下的贝叶斯信息熵，K为综合退化特征的个数，P(O(k),q(k)|θ)为特定综合退化特征对应的状态观测条件概率，O(k)为第k个综合退化特征对应的可见观测序列，q(k)为第k个综合退化特征对应的隐含状态序列，Cn为贝叶斯信息熵参数。
与现有技术相比，本发明至少具有以下有益效果：
本发明多源无标签数据机器学习的复杂装备性能评估与预测方法，首先将复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理，利用Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系；然后，基于非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，采用改进的贝叶斯信息熵准则进行模型超参数N的优化，从而获得结构和参数优化的非齐次隐半马尔可夫模型，揭示复杂装备性能退化规律；最后，基于建立的综合退化特征非监督提取方法和确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测，具有算法高效、模型精度高、评估与预测结果准确的特点，克服了性能评估与预测对退化先验知识和健康状态标签的依赖，充分考虑了复杂装备的非线性主导因素，又解决了传统无非监督方法需要事先指定隐含状态个数的问题，具有算法高效、模型精度高、评估与预测结果准确的特点，为多源无标签数据下考虑复杂装备非线性因素进行性能状态评估与预测提供了一种可行的方法。
进一步的，对Autoencoder网络隐含层施加了稀疏性约束，相比较于传统的非监督特征提取方法，特征提取的精度更高，计算速度更快。
进一步的，采用21个退化数据信息融合降维实现综合特征提取，采用22个值的离散化综合退化特征，与传统深度置信网络等非监督方法相比，模型参数的求解精度更高。
进一步的，由于采用了改进的贝叶斯信息熵准则对模型中隐含状态个数N进行了优化，采用8个隐含状态的非齐次隐半马尔可夫模型揭示了复杂装备性能退化规律，对隐含性能状态的初始值、变化时刻和每个状态的持续时间刻画更准确，可确保性能评估和剩余使用寿命预测的有效实现。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明评估方法流程示意图；
图2为航空发动机21维度退化数据-22离散值综合退化特征-8隐含性能状态下的状态评估与预测结果示意图。
具体实施方式
本发明提供了一种多源无标签数据机器学习的复杂装备性能评估与预测方法，采用Autoencoder实现多源无标签退化数据的非监督融合降维处理，获得表征复杂装备性能的综合退化特征；采用结构和参数优化的非齐次隐半马尔可夫模型得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。该方法既克服了性能评估与预测对退化先验知识和健康状态标签的依赖，充分考虑了复杂装备的非线性主导因素，又解决了传统无非监督方法需要事先指定隐含状态个数的问题，并根据退化数据特征对隐含状态个数进行了优化，具有算法高效、模型精度高、评估与预测结果准确的特点，可实现复杂装备性能退化状态的有效评估与预测。
请参阅图1，以21个无标签退化数据(风扇入口温度T2、低压压缩机出口温度T24、高压压缩机出口温度T30、低压涡轮机出口温度T50等4个温度信号，风扇入口压强P2、外涵道总压强P15、高压压缩机出口总压P30、高压压缩机出口静压Ps30等4个压强信号，风扇物理转速Nf、核心机物理转速Nc、校正的风扇物理转速NRf、校正的核心机物理转速NRc、风扇目标转速Nf_dmd、校正的风扇目标转速PCNfR_dmd、高压涡轮机冷却剂质量流速W31、低压涡轮机冷却剂质量流速W32等8个速度信号，发动机压缩比epr(P50/P2)、涵道比BPR、燃烧室燃料空气比farB、排气焓htBleed等4个无量纲信号，燃料流与Ps30之比phi等1个信号)条件下的航空发动机性能退化状态评估与预测为例进行说明，具体步骤如下：
1)对复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理，确保多源无标签退化数据(训练数据+测试数据)具有以0均值、1为标准差的统计特点；
2)根据Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系，网络拓扑包含输入层、隐含层和输出层等3层，隐含层满足稀疏性约束；输入层和输出层相均配置21个单元，每个单元对应一个连续的无标签退化数据，相应的输入层与输出层单元之间采用恒等约束；Autoencoder网络拓扑模型的隐含层的神经元个数M取22，隐含层按照如下式子进行稀疏化约束：
其中，φ1(x1,x2,...,x21)为基函数，；x1,x2,...,x21为21个退化数据，包括风扇入口温度T2、低压压缩机出口温度T24、高压压缩机出口温度T30、低压涡轮机出口温度T50等4个温度信号，风扇入口压强P2、外涵道总压强P15、高压压缩机出口总压P30、高压压缩机出口静压Ps30等4个压强信号，风扇物理转速Nf、核心机物理转速Nc、校正的风扇物理转速Nf、校正的核心机物理转速Nc、风扇目标转速Nf_dmd、校正的风扇目标转速PCNfR_dmd、高压涡轮机冷却剂质量流量W31、低压涡轮机冷却剂质量流量W32等8个速度信号，发动机压缩比epr(P50/P2)、涵道比BPR、燃烧室燃料空气比farB、排气焓等4个无量纲信号，燃料流与Ps30之比phi等1个信号；ai为基向量的系数，随着不同的信号而变化。
3)对步骤2建立的网络拓扑，利用训练数据采用基于增强动量项梯度下降的反向传播算法学习Autoencoder网络模型的参数，进而实现多源无标签退化数据的非监督融合降维处理，获得表征复杂装备性能的综合退化特征，增强动量项梯度下降方法的计算公式如下：
上式中，L为损失函数，Δωn为第n次迭代的网络权重参数的更新量，α为学习率参数，ωn为更新前的网络权重参数，m为动量项参数。
4)利用非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，模型输入为具有22个离散状态的***综合退化特征，模型输出为个数待优化的离散隐含性能状态；非齐次隐半马尔可夫模型的隐含状态的转移既依赖于到达当前状态的时刻s，又依赖于在当前状态的驻留时段t，还取决于两者之和s+t在全寿命过程中所处的时间位置，按照以下公式进行隐含状态转移：
上式中λi,j(s,t)表示从隐含状态i到状态j的状态转移概率，s为到达当前状态的时刻，t为在当前状态的驻留时段，s+t表示在全寿命过程中所处的时间位置，N为隐含状态个数，σi,j和μi,j为待学习参数。
5)对步骤4建立的非线性映射关系模型，采用改进的前向-后向算法进行不同隐含状态个数(N)下的非齐次隐半马尔可夫模型参数训练，从而获得多个非线性映射关系模型；不同隐含状态个数N取2,3,4,5,6,7,8,9,10,11，其中N＝2表示全寿命过程中复杂装备具有2个退化等级，N＝11表示全寿命过程中复杂装备具有11个退化等级。
6)对步骤5获得的多个非线性映射关系模型，利用改进的贝叶斯信息熵准则进行模型超参数N的优化，从而获得结构和参数优化的非齐次隐半马尔可夫模型，揭示复杂装备性能退化规律；
采用改进的贝叶斯信息熵准则优化后的隐含状态个数N＝8，该准则如下式所示：
其中，BIC(N)为不同隐含状态个数下的贝叶斯信息熵，K为综合退化特征的个数(航空发动机台数)，P(O(k),q(k)|θ)为特定综合退化特征对应的状态观测条件概率，O(k)为第k个综合退化特征对应的可见观测序列，q(k)为第k个综合退化特征对应的隐含状态序列，Cn为贝叶斯信息熵参数。
7)利用步骤3建立的综合退化特征非监督提取方法和步骤6确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，航空发动机的性能状态评估和剩余使用寿命预测结果如图2所示。
从图2可知，本方法不仅能较准确的预测航空发动机的剩余使用寿命，而且能给出不同寿命期发动机的退化等级，是一种在多状态定量评估的基础上实现的寿命预测，是一种退化过程可定量的准确寿命预测结果，更接近航空发动机性能退化的实际情况，更利于实施航空发动机短期的控制调参、中期的任务规划和长期的维护决策。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (10)
1.多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，首先将复杂装备(如航空发动机)在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理，利用Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系；然后，基于非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，采用改进的贝叶斯信息熵准则进行模型超参数N的优化，获得结构和参数优化的非齐次隐半马尔可夫模型，得到复杂装备性能退化规律；最后，基于建立的综合退化特征非监督提取方法和确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。
2.根据权利要求1所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，包括以下步骤：
S1、对复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理；
S2、根据Autoencoder网络拓扑结构建立多源无标签退化数据与***综合退化特征之间的映射关系；
S3、对步骤S2建立的Autoencoder网络拓扑模型，利用训练数据采用基于增强动量项梯度下降的反向传播算法学习网络模型的参数，进而实现多源无标签退化数据的非监督融合降维处理，获得表征复杂装备性能的综合退化特征；
S4、利用非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，模型输入为离散的***综合退化特征，模型输出为离散的隐含性能状态；
S5、对步骤S4建立的非线性映射关系模型，采用改进的前向-后向算法进行不同隐含状态个数N的非齐次隐半马尔可夫模型参数训练，获得多个非线性映射关系模型；
S6、对步骤S5获得的多个非线性映射关系模型，利用改进的贝叶斯信息熵准则进行模型超参数N的优化，获得结构和参数优化的非齐次隐半马尔可夫模型；
S7、利用步骤S3建立的综合退化特征非监督提取方法和步骤S6确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。
3.根据权利要求2所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，步骤S1中，所述多源无标签退化数据包括压强、温度、转速和制冷剂流速四类21个退化数据。
4.根据权利要求3所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，所述退化数据中，温度信号包括：风扇入口温度T2、低压压缩机出口温度T24、高压压缩机出口温度T30、低压涡轮机出口温度T50；压强信号包括：风扇入口压强P2、外涵道总压强P15、高压压缩机出口总压P30、高压压缩机出口静压Ps30；转速信号包括：风扇物理转速Nf、核心机物理转速Nc、校正的风扇物理转速NRf、校正的核心机物理转速NRc、风扇目标转速Nf_dmd、校正的风扇目标转速PCNfR_dmd、高压涡轮机冷却剂质量流速W31、低压涡轮机冷却剂质量流速W32；还包括发动机压缩比epr(P50/P2)、涵道比BPR、燃烧室燃料空气比farB、排气焓htBleed四个无量纲信号以及一个燃料流与Ps30之比phi信号。
5.根据权利要求2所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，步骤S2中，所述Autoencoder网络拓扑结构包含输入层、隐含层和输出层，所述输入层和输出层相均配置21个单元，每个单元对应一个连续的无标签退化数据，相应的输入层与输出层单元之间采用恒等约束。
6.根据权利要求5所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，所述Autoencoder网络拓扑模型隐含层的神经元个数M取22，隐含层按下式进行稀疏化约束：
<mrow>
<mi>I</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munder>
<mo>&Sigma;</mo>
<mi>i</mi>
</munder>
<msub>
<mi>a</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mn>1</mn>
</msub>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>2</mn>
</msub>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>x</mi>
<mn>21</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，φ1(x1,x2,...,x21)为基函数，x1,x2,...,x21为21个退化数据，ai为基向量的系数，随着不同的信号而变化。
7.根据权利要求2所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，步骤S3中，所述Autoencoder网络拓扑模型利用增强动量项梯度下降的反向传播算方法学习网络模型的参数，计算公式如下：
<mrow>
<msup>
<mi>&Delta;&omega;</mi>
<mi>n</mi>
</msup>
<mo>=</mo>
<msup>
<mi>m&Delta;&omega;</mi>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>-</mo>
<mi>&alpha;</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>L</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>&omega;</mi>
<mi>n</mi>
</msup>
</mrow>
</mfrac>
</mrow>
其中，L为损失函数，Δωn为第n次迭代的网络权重参数的更新量，α为学习率参数，ωn为更新前的网络权重参数，m为动量项参数。
8.根据权利要求2所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，步骤S4中，所述非齐次隐半马尔可夫模型隐含状态的转移既依赖于到达当前状态的时刻，又依赖于在当前状态的驻留时段，还取决于两者之和在全寿命过程中所处的时间位置。
9.根据权利要求8所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，所述非齐次隐半马尔可夫模型隐含状态转移计算如下：
<mrow>
<msub>
<mi>&lambda;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>s</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mi>t</mi>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo><</mo>
<mi>N</mi>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mi>j</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mfrac>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mi>s</mi>
<mo>+</mo>
<mi>t</mi>
</mrow>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mrow>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mo>,</mo>
<mn>1</mn>
<mo>&le;</mo>
<mi>i</mi>
<mo><</mo>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mi>N</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，λi,j(s,t)表示从隐含状态i到状态j的状态转移概率，s为到达当前状态的时刻，t为在当前状态的驻留时段，s+t表示在全寿命过程中所处的时间位置，N为隐含状态个数，σi,j和μi,j为待学习参数。
10.根据权利要求2所述的一种多源无标签数据机器学习的复杂装备性能评估与预测方法，其特征在于，步骤S6中，采用改进的贝叶斯信息熵准则优化后的隐含状态个数N＝8，获得结构和参数优化的非齐次隐半马尔可夫模型如下式：
<mrow>
<mi>B</mi>
<mi>I</mi>
<mi>C</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<mi>log</mi>
<mi> </mi>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>O</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>,</mo>
<msup>
<mi>q</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
</msup>
<mo>|</mo>
<mi>&theta;</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>C</mi>
<mi>n</mi>
</msub>
<mo>&times;</mo>
<mi>N</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>&times;</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>K</mi>
<mo>)</mo>
</mrow>
</mrow>
其中，BIC(N)为不同隐含状态个数下的贝叶斯信息熵，K为综合退化特征的个数，P(O(k),q(k)|θ)为特定综合退化特征对应的状态观测条件概率，O(k)为第k个综合退化特征对应的可见观测序列，q(k)为第k个综合退化特征对应的隐含状态序列，Cn为贝叶斯信息熵参数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710802051.XA CN107545112B (zh) | 2017-09-07 | 2017-09-07 | 多源无标签数据机器学习的复杂装备性能评估与预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710802051.XA CN107545112B (zh) | 2017-09-07 | 2017-09-07 | 多源无标签数据机器学习的复杂装备性能评估与预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107545112A true CN107545112A (zh) | 2018-01-05 |
| CN107545112B CN107545112B (zh) | 2020-11-10 |
Family
ID=60958627
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710802051.XA Active CN107545112B (zh) | 2017-09-07 | 2017-09-07 | 多源无标签数据机器学习的复杂装备性能评估与预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107545112B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667055A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 用于搜索模型结构的方法和装置 |
| CN112329337A (zh) * | 2020-10-23 | 2021-02-05 | 南京航空航天大学 | 基于深度强化学习的航空发动机剩余使用寿命估计方法 |
| CN115099165A (zh) * | 2022-04-13 | 2022-09-23 | 南京航空航天大学 | 一种考虑性能退化的航空发动机建模方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN106997476A (zh) * | 2017-03-01 | 2017-08-01 | 西安交通大学 | 多源无标签数据学习建模的传动***性能退化评估方法 |
| CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
-
2017
- 2017-09-07 CN CN201710802051.XA patent/CN107545112B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100023307A1 (en) * | 2008-07-24 | 2010-01-28 | University Of Cincinnati | Methods for prognosing mechanical systems |
| CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| CN106997476A (zh) * | 2017-03-01 | 2017-08-01 | 西安交通大学 | 多源无标签数据学习建模的传动***性能退化评估方法 |
| CN107044349A (zh) * | 2017-04-17 | 2017-08-15 | 清华大学深圳研究生院 | 一种发动机的故障预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| GAIGE CHEN 等: "Hyper-parameter optimization based nonlinear multistate deterioration modeling for deterioration level assessment and remaining useful life prognostics", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 * |
| YAGUO LEI 等: "An Intelligent Fault Diagnosis Method Using Unsupervised Feature Learning Towards Mechanical Big Data", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 * |
| 段新涛 等: "将稀疏自动编码器用于置换混叠图像盲分离", 《信号处理》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111667055A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 用于搜索模型结构的方法和装置 |
| CN112329337A (zh) * | 2020-10-23 | 2021-02-05 | 南京航空航天大学 | 基于深度强化学习的航空发动机剩余使用寿命估计方法 |
| CN115099165A (zh) * | 2022-04-13 | 2022-09-23 | 南京航空航天大学 | 一种考虑性能退化的航空发动机建模方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107545112B (zh) | 2020-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112149316B (zh) | 基于改进的cnn模型的航空发动机剩余寿命预测方法 | |
| US11436395B2 (en) | Method for prediction of key performance parameter of an aero-engine transition state acceleration process based on space reconstruction | |
| CN103983453B (zh) | 一种航空发动机的执行机构和传感器故障诊断的区分方法 | |
| CN109522600A (zh) | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN102495937A (zh) | 一种基于时间序列的预测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| CN107545112A (zh) | 多源无标签数据机器学习的复杂装备性能评估与预测方法 | |
| CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
| Wang et al. | A remaining useful life prediction model based on hybrid long-short sequences for engines | |
| CN102749584B (zh) | 基于Kalman滤波的ESN的涡轮发动机的剩余寿命预测方法 | |
| Li et al. | A CM&CP framework with a GIACC method and an ensemble model for remaining useful life prediction | |
| CN110516391A (zh) | 一种基于神经网络的航空发动机动态模型建模方法 | |
| Yun et al. | Research on gas pressure regulator fault diagnosis based on deep confidence network (DBN) theory | |
| CN115291509B (zh) | 基于混合深度学习模型的燃气轮机动态参数在线辨识方法 | |
| CN115048873B (zh) | 一种用于飞机发动机的剩余使用寿命预测*** | |
| CN113503750B (zh) | 一种直接空冷机组最佳背压确定方法 | |
| Li et al. | Transformer model for remaining useful life prediction of aeroengine | |
| CN112733872B (zh) | 基于动态半径支持向量数据描述的航空发动机故障检测方法 | |
| Zhang et al. | A digital twin approach for gas turbine performance based on deep multi-model fusion | |
| Yang et al. | Remaining Useful Life Prediction Based on Stacked Sparse Autoencoder and Echo State Network | |
| Zhou et al. | Remaining useful life prediction of aero-engine using CNN-LSTM and mRMR feature selection | |
| Gao et al. | A Steady-State Modeling Method for Direct Expansion Air Conditioning Systems. | |
| Jia et al. | Dynamic simulation based on feature transfer learning with source domain adaptive optimization: Application of data-driven model for aero-engines | |
| Tucci | Artificial intelligence for digital twins in energy systems and turbomachinery: development of machine learning frameworks for design, optimization and maintenance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |