基于譜聚類和CHSMM的非線性系統(tǒng)的剩余壽命預測.pdf

1、隨著科學技術的飛速發(fā)展，大型復雜系統(tǒng)中控制邏輯的規(guī)模和復雜性日益提高，因此影響系統(tǒng)運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增多。系統(tǒng)一旦發(fā)生故障將導致大量人力、物力和財力的損失，甚至造成巨大災難，因此對系統(tǒng)的維護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，均缺乏對系統(tǒng)運行狀態(tài)的判斷和健康狀況的分析。視情維修（CBM）作為一種先進的維護理念越來越受到重視，CBM可以對系統(tǒng)早期運行狀態(tài)進行監(jiān)測

2、和識別，跟蹤系統(tǒng)的退化過程并對狀態(tài)進行預測，進而達到對系統(tǒng)健康狀況的管理。
　　隱馬爾可夫模型（HMM）作為一種模式識別技術在語音合成和人臉識別等領域得到廣泛應用。作為HMM的擴展，隱半馬爾可夫模型（HSMM），因其更強的建模能力和時間分析能力，更適合于系統(tǒng)退化狀態(tài)識別和與時間有關的剩余壽命預測。針對目前HSMM用于故障預測中存在的類別標定和離散訓練偏差大的問題，開展了基于譜聚類和連續(xù)隱半馬爾可夫模型（CHSMM）的剩余壽命預測技

3、術研究。
　　針對系統(tǒng)監(jiān)測數(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的剩余壽命預測框架，并描述了非線性系統(tǒng)退化狀態(tài)識別和剩余壽命預測的整體解決方案。針對非線性系統(tǒng)特征提取復雜度高的問題，提出同時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行主元分析（PCA），相當于在特征空間進行了核主元分析（KPCA）。驗證表明，這種方法可以大幅提高計算效率。
　　針對HSMM的初始參數(shù)設置及離散訓練丟失