發(fā)布時間：2020-11-21 14:46

　　 潛在故障是影響復雜系統(tǒng)運行可靠性的重要因素,潛在故障不可觀測,往往又耦合其他故障,增加了潛在故障識別、分析及評估的難度,如不在潛在故障轉(zhuǎn)化為實際的故障之前及時探知及發(fā)現(xiàn),將直接影響運行安全。此外,復雜系統(tǒng)結(jié)構(gòu)多樣,狀態(tài)表征具有非線性,增加了研究潛在故障的難度。本文研究面向潛在故障的復雜系統(tǒng)健康管理,包括以下研究內(nèi)容:第一,分析了復雜系統(tǒng)失效及潛在故障特點,構(gòu)建了復雜系統(tǒng)的健康管理體系,提出采用深度學習方法研究潛在故障。利用狀態(tài)監(jiān)測技術(shù)及時了解系統(tǒng)狀態(tài),利用深度學習模型處理傳感器數(shù)據(jù),識別系統(tǒng)的退化狀態(tài),挖掘信息潛在的價值,有效識別潛在故障源,為后續(xù)研究奠定基礎(chǔ)。第二,結(jié)合潛在故障的數(shù)據(jù)特點,采用主成分分析和深度信念網(wǎng)絡(luò)模型相結(jié)合的方法分析發(fā)動機的剩余使用壽命,構(gòu)建了面向潛在故障的深度學習故障預測流程,實現(xiàn)在潛在故障轉(zhuǎn)化為真實故障之前及時采取措施。第三,研究了面向潛在故障的健康決策問題,分析了考慮潛在故障的風險決策問題,研究了潛在故障重要度方法,為探知潛在故障源提供手段,為維修保障工作的實施提供理論依據(jù)。第四,選取渦輪發(fā)動機為研究對象,驗證算法的有效性。收集到仿真發(fā)動機的運行數(shù)據(jù),以仿真發(fā)動機的全壽命數(shù)據(jù)訓練模型,其中傳感器多維度數(shù)據(jù)作為輸入數(shù)據(jù),剩余使用壽命(以運行周期計)為輸出數(shù)據(jù)。挖掘數(shù)據(jù)特征,預測潛在故障源發(fā)生周期。并進一步分析潛在故障源中各組件的性能變化趨勢,探索對系統(tǒng)整體輸出特性所產(chǎn)生影響的重要度。最后根據(jù)重要度采取主動的措施抑制組件性能的進一步退化,從而延緩故障的發(fā)生。
【學位單位】：南京航空航天大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP18;TK407
【文章目錄】：
摘要
Abstract
注釋表
縮略詞
第一章 緒論
    1.1 研究背景及意義
        1.1.1 研究的背景
        1.1.2 研究的意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 潛在故障的研究進展
        1.2.2 監(jiān)測數(shù)據(jù)的提取與處理
        1.2.3 健康管理的研究現(xiàn)狀
    1.3 本文的主要研究工作
    1.4 本文的內(nèi)容安排
第二章 面向潛在故障的復雜系統(tǒng)健康管理體系研究
    2.1 健康管理的框架體系
    2.2 復雜系統(tǒng)故障規(guī)律
        2.2.1 復雜系統(tǒng)失效與潛在故障
        2.2.2 潛在故障表現(xiàn)特點
        2.2.3 復雜系統(tǒng)失效特征
    2.3 考慮潛在故障的PHM方法選擇
        2.3.1 復雜系統(tǒng)的PHM分類
            2.3.1.1 基于可靠性的預測方法
            2.3.1.2 基于物理模型的PHM
            2.3.1.3 數(shù)據(jù)驅(qū)動的PHM方法
        2.3.2 數(shù)據(jù)驅(qū)動的潛在故障健康管理
    2.4 本章小結(jié)
第三章 面向潛在故障的深度學習故障預測模型
    3.1 基于數(shù)據(jù)的故障預測
        3.1.1 基于數(shù)據(jù)的直接預測方法
        3.1.2 基于數(shù)據(jù)的間接預測方法
    3.2 基于深度學習的故障預測模型
        3.2.1 深度學習理論
        3.2.2 模型分析
    3.3 基于深度學習的潛在故障預測流程
        3.3.1 狀態(tài)監(jiān)測、信息感知和數(shù)據(jù)的采集
        3.3.2 特征識別、選擇和融合
        3.3.3 RUL預測
    3.4 本章小結(jié)
第四章 面向潛在故障的健康決策
    4.1 潛在故障的分析方法
        4.1.1 潛在故障強度分析
        4.1.2 潛在故障源分析
    4.2 基于FRAM模型的失效傳播過程分析
    4.3 面向潛在故障的健康決策
        4.3.1 風險決策
        4.3.2 組件的性能退化
        4.3.3 基于深度學習的重要度分析
    4.4 本章小結(jié)
第五章 工程實踐案例分析
    5.1 數(shù)據(jù)來源與分析
        5.1.1 數(shù)據(jù)選擇
        5.1.2 數(shù)據(jù)集描述
        5.1.3 數(shù)據(jù)集使用框架
    5.2 方法驗證
        5.2.1 數(shù)據(jù)采集
        5.2.2 數(shù)據(jù)預處理及參數(shù)設(shè)置
        5.2.3 輸出結(jié)果
    5.3 潛在故障源及重要度分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 未來展望
參考文獻
致謝
在學期間的研究成果及發(fā)表的學術(shù)論文

【參考文獻】

相關(guān)期刊論文 前9條

1 彭宇;劉大同;;數(shù)據(jù)驅(qū)動故障預測和健康管理綜述[J];儀器儀表學報;2014年03期

2 楊強;孫志禮;趙鑫;張磊;;可測量潛在故障模式的特種設(shè)備可靠壽命預測[J];東北大學學報(自然科學版);2014年01期

3 彭博;金星;楊洋;常浩;;基于剩余壽命的潛在故障優(yōu)化維修方法研究[J];兵工學報;2012年04期

4 孫紹輝;王華偉;李偉;;潛在故障期內(nèi)航空發(fā)動機的剩余壽命預測[J];航空計算技術(shù);2012年01期

5 吳軍;邵新宇;鄧超;;隱馬爾科夫鏈模型在裝備運行可靠性預測中的應(yīng)用[J];中國機械工程;2010年19期

6 彭宇;劉大同;彭喜元;;故障預測與健康管理技術(shù)綜述[J];電子測量與儀器學報;2010年01期

7 姜興旺;景博;張劼;郝中波;;綜合飛行器故障預測與健康管理系統(tǒng)研究[J];航空維修與工程;2008年05期

8 戴云徽;韓之俊;朱海榮;;故障模式及影響分析(FMEA)研究進展[J];中國質(zhì)量;2007年10期

9 陳勇飛;FMEA簡介[J];機械工程師;2002年01期

本文編號：2893159