● 摘要
现代机械设备的自动化和精密化程度不断提高，设备也变得越来越复杂，当设备中某个机械部件发生故障时，往往会影响到整个设备的性能，这样不仅造成经济损失，而且会带来安全隐患。开展机械部件的退化状态评估和预测工作，对于实现设备的健康管理和基于状态的维修至关重要。随着人工智能技术和预测理论的不断发展，一大批行之有效的预测模型不断涌现，但总体上看，准确的预测仍是一个难题，尚有待进一步的完善。当前已有多种成熟的特征提取方法用于故障的检测和诊断，但缺乏一种简单有效的健康状态评估方法，来描述机械产品的全寿命退化过程。同时机械产品的退化是一个非线性非平稳的随机过程，受到多种外界因素的影响，呈现多种不确定性，更加精确的预测模型有待进一步的研究。此外，现有预测研究通常是在某一特定的退化状态下开展的，很少考虑到退化中状态的变化、不同退化阶段的特性，因而在实际应用中，单一的预测模型表现往往不尽如人意。
针对上述在工程应用中遇到的问题，本文提出了一种基于小波包-经验模态分解（WPD-EMD）联合特征提取方法，应用自组织映射（SOM）网络从信号能量熵的角度，探索多维特征信息与健康状态之间的对应关系，形成一种简洁清晰的方法描述机械产品的寿命退化过程。并且尝试将一种新的贝叶斯机器学习方法高斯过程回归模型引入机械产品的健康状态预测问题，详细介绍了预测模型的参数设置，并讨论了预测的步骤和方法。最后在梳理已有机械产品预测模型的基础上，进一步分析了机械产品在退化过程中不同退化阶段的需求，提出了一种自适应的健康状态预测和剩余寿命评估方法。该自适应的方法能够在满足各退化阶段对于预测的需求，同时权衡预测精度与预测耗时之间的关系，为实际工程应用中开展状态预测工作提供了指导。所提出的方法，结合实际的轴承试验数据进行了详细的分析，验证了本文提出方法的有效性。文章最后对本文的工作进行总结，并展望下一步的研究方向。