复杂机电装备PHM系统关键技术研究

摘要：随着复杂机电装备组成的复杂程度及信息化程度的不断提升，故障预测与健康管理（Prognostics and Health Management， PHM）系统逐渐成为新一代复杂机电装备设计和使用中的重要组成部分。复杂机电装备PHM系统的关键技术是故障特征提取、数据融合、智能故障诊断与故障预测、状态监测和健康评估等，重点分析了智能故障诊断与故障预测技术。

关键词：复杂机电装备；PHM；故障诊断；故障预测

中图分类号：TP313 文献标识码：A 文章编号：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

随着复杂机电装备组成的复杂程度及信息化程度的不断提升，传统的故障诊断专家系统的以“事后维修”为主的诊断方式已无法满足复杂机电装备运行可靠性、安全性和可维护性的需求。为实现高可靠性、高安全性和高维护保障性，故障预测与健康管理（PHM）系统逐渐成为新一代复杂机电装备设计和使用中的重要组成部分。PHM技术研究包括PHM系统体系结构、信息采集与信号处理、数据融合、故障特征提取、智能故障诊断、故障预测、健康评估与维修决策等内容。PHM技术代表了复杂装备后勤保障方法的一种转变，使原来以事件为主导的事后维修或以时间相关的定时维修向基于状态的视情维修转变，其关键在于系统的智能故障诊断和预测。

1 智能故障诊断与故障预测总体技术路线

针对复杂度、信息化程度高的复杂机电装备可靠性、安全性和维护保障性的需求，考虑多传感器网络提供的系统特征信息在进行故障诊断与预测的过程中，首先对每个故障特征信号提取高辨识率的故障特征。时频分析中最具有代表性的小波分析和Hilbert-Huang分析[1-3]能提取信号在时间-幅值-频率上的多维度信息，在分析和处理非平稳信号方面得到了广泛的应用。智能故障诊断和故障预测依赖于人工智能技术，支持向量机在解决小样本、非线性等分类与预测问题时具有良好的效果。传感器数据融合充分利用多传感器的信息进行综合处理与优化，以得到更有效的信息。数据融合增强了系统的可靠性、可信度与检测分辨能力[4]。首先独立识别各传感器的信息，再对各自的识别结果进行融合以做出决策，具有良好的实时性和容错性。复杂机电装备PHM系统智能故障诊断与故障预测的总体技术路线如图1所示。

在进行智能故障诊断时，利用提取的故障特征，采用多分类最小二乘支持向量机的方法进行故障分类与定位；在进行故障预测时，采用最小二乘支持向量机的回归模型预计系统在一定时间后的参数和性能变化趋势，准确、快速的提供故障预测信息。

2 基于最小二乘支持向量机的智能故障诊断和故障预测

支持向量机（Support Vector Machine， SVM）是目前最为有效的学习机器之一，SVM应用于智能故障诊断的实质是分类问题，应用于故障预测的实质是回归问题。标准的支持向量机在计算速度，尤其是大规模集合运算时效率较低，1999年Suykens等人提出了最小二乘支持向量机[5，6]。最小二乘支持向量机是对标准支持向量机的一种改进，以误差平方和代替不敏感函数作为损失函数，从而将SVM中的不等式约束转化为等式约束，用解线性方程组的方法代替了求解复杂的二次规划问题，从而降低了计算复杂度，加快了求解速度。最小二乘支持向量机具有较快的运算速度和收敛速度，同时具有较高的精度。在实现智能故障诊断时，利用最小二乘支持向量机的分类决策方法，为加快算法的收敛速度，考虑线性不可分的情况，引入松弛变量

参考文献：

[1] 杨福生.小波变换的工程分析与应用[M].北京：科学出版社，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，王国宏.多传感器信息融合及应用[M].北京：电子工业出版社，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.