题目：面向复杂系统健康管理的剩余使用寿命预测方法研究

 

预测与健康管理（PHM，Prognostics and Health Management）技术是在传统的健康监测以及故障诊断的基础上发展起来的，它强调利用先进传感器的集成，并借助各种智能模型和算法来监控、诊断、预测和管理复杂工程系统的状态，达到提高系统安全性、可用性和降低产品全寿命周期保障费用的目的。PHM的核心是预测（Prognostics），主要是指预测系统的剩余使用寿命（RUL，Remaining Useful Life）。因此，本文在完成对现有RUL预测方法优缺点分析总结的基础上，围绕面向复杂系统健康管理的具有“在线更新能力”和“不确定性表示和管理能力”的剩余使用寿命预测理论方法展开深入的研究，取得的主要研究成果如下：

（1）针对系统模型存在多维未知参数情况的失效预测问题，提出了一种基于改进核平滑粒子滤波的剩余使用寿命预测方法。在原有的核平滑粒子滤波基础上引入增益因子和加速因子，使其具有参数方差双向调节的能力和更快的参数收敛速度。联合估计阶段，为确保参数估计的准确性同时减少参数的不确定性，设计了方差监视和短期预测误差控制相结合的双阶段参数方差自适应调节策略。预测阶段，通过统计各个粒子首达失效状态空间的时间来计算设备的RUL概率分布。该方法在机壁裂纹增长实验中得到验证。

（2）当系统模型不准确，特别是模型包含持续时变参数时，传统的粒子滤波预测会产生累积偏差。针对该问题提出了一种全新的基于粒子滤波与最小二乘支持向量回归融合的剩余使用寿命预测框架。该框架首先运用最小二乘支持向量回归方法进行长期的系统观测序列预测，在此基础上再使用粒子滤波双重估计协同完成未来时刻系统状态和参数的估计，并重点考虑了两种方法之间预测不确定性的传播。在双边失效定义下，通过统计各时刻位于双边失效区域的粒子数目获得系统剩余使用寿命的概率密度分布。该方法在三容水箱失效预测实验中得到验证。

（3）针对现有机器学习RUL预测方法不确定性管理能力较差的问题，提出了一种基于贝叶斯最小二乘支持向量回归的剩余寿命在线概率性预测方法。根据相空间重构原理建立训练样本，再运用贝叶斯三层推理训练最小二乘支持向量回归预测模型。在迭代预测阶段，借鉴粒子滤波的思想，采用离散样本来表示和管理多步预测中的不确定性及其传递，并针对健康特征是否满足高斯过程条件，分别设计了基于蒙特卡罗采样和基于重要性采样重采样的迭代预测方案。最后通过统计预测阶段各时刻越过给定阈值的粒子数目求得设备RUL的概率分布。该方法成功应用到了锂电池和轴承的失效预测案例中。

（4）针对存在多维健康状态变量、多种工作模式和多种失效模式的复杂工程系统的剩余使用寿命预测问题，提出一种基于综合健康指数与相关向量机回归的系统级RUL预测方法。在离线训练阶段，先根据有限失效历史数据建立各工作模式下的健康评估模型，并据此计算出各历史退化轨迹的综合健康指数序列；然后使用相关向量机对这些序列进行回归处理，再辨识出与回归曲线最为匹配的函数模型。在线预测阶段，先运用健康评估模型算出当前设备的综合健康指数序列并进行相关向量机回归，再拟合出离线阶段确定的函数模型并添加时变噪声；最后，外推预测出系统RUL的概率密度函数。该方法成功应用到涡轮发动机的失效预测案例。

（5）为简化PHM技术的仿真验证工作，基于视情维修开放体系结构标准开发了一套通用的分布式PHM技术仿真验证平台。其核心软件平台参考高层体系结构，采用中介者模式在.NET框架下开发，主要包括PHM仿真验证管理器、仿真验证成员驱动器和仿真验证成员。该平台适用于任意对象系统PHM技术的仿真验证，并支持多种格式的PHM算法或者模型文件。平台成功应用到机载燃油系统和航空电源系统PHM技术的验证中。