基于譜聚類和CHSMM的非線性系統(tǒng)的剩余壽命預(yù)測(cè).pdf

1、隨著科學(xué)技術(shù)的飛速發(fā)展，大型復(fù)雜系統(tǒng)中控制邏輯的規(guī)模和復(fù)雜性日益提高，因此影響系統(tǒng)運(yùn)行的因素也不斷增加，系統(tǒng)發(fā)生故障和失效的可能性也相應(yīng)增多。系統(tǒng)一旦發(fā)生故障將導(dǎo)致大量人力、物力和財(cái)力的損失，甚至造成巨大災(zāi)難，因此對(duì)系統(tǒng)的維護(hù)和維修就顯得尤為重要。但目前傳統(tǒng)的維修策略還大多停留在定期維修和事后維修階段，均缺乏對(duì)系統(tǒng)運(yùn)行狀態(tài)的判斷和健康狀況的分析。視情維修（CBM）作為一種先進(jìn)的維護(hù)理念越來越受到重視，CBM可以對(duì)系統(tǒng)早期運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)

2、和識(shí)別，跟蹤系統(tǒng)的退化過程并對(duì)狀態(tài)進(jìn)行預(yù)測(cè)，進(jìn)而達(dá)到對(duì)系統(tǒng)健康狀況的管理。
　　隱馬爾可夫模型（HMM）作為一種模式識(shí)別技術(shù)在語音合成和人臉識(shí)別等領(lǐng)域得到廣泛應(yīng)用。作為HMM的擴(kuò)展，隱半馬爾可夫模型（HSMM），因其更強(qiáng)的建模能力和時(shí)間分析能力，更適合于系統(tǒng)退化狀態(tài)識(shí)別和與時(shí)間有關(guān)的剩余壽命預(yù)測(cè)。針對(duì)目前HSMM用于故障預(yù)測(cè)中存在的類別標(biāo)定和離散訓(xùn)練偏差大的問題，開展了基于譜聚類和連續(xù)隱半馬爾可夫模型（CHSMM）的剩余壽命預(yù)測(cè)技

3、術(shù)研究。
　　針對(duì)系統(tǒng)監(jiān)測(cè)數(shù)據(jù)缺少類別信息而難以建模的問題，建立了基于譜聚類和CHSMM的剩余壽命預(yù)測(cè)框架，并描述了非線性系統(tǒng)退化狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)的整體解決方案。針對(duì)非線性系統(tǒng)特征提取復(fù)雜度高的問題，提出同時(shí)特征提取和譜聚類方法框架。該方法在譜聚類建立的核空間中直接進(jìn)行主元分析（PCA），相當(dāng)于在特征空間進(jìn)行了核主元分析（KPCA）。驗(yàn)證表明，這種方法可以大幅提高計(jì)算效率。
　　針對(duì)HSMM的初始參數(shù)設(shè)置及離散訓(xùn)練丟失