针对具有多维状态变量、多种工作模式和故障模式的复杂工程系统,提出一种基于综合健康指数(synthesized health index,SHI)与相关向量机(relevance vector machine,RVM)的系统级失效预测方法。在离线训练阶段,先根据有限失效历史数据建...针对具有多维状态变量、多种工作模式和故障模式的复杂工程系统,提出一种基于综合健康指数(synthesized health index,SHI)与相关向量机(relevance vector machine,RVM)的系统级失效预测方法。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,并据此获得各历史退化轨迹的SHI序列;然后再使用RVM对这些序列进行回归处理,进而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计算当前设备的SHI序列并进行RVM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,外推预测出系统剩余使用寿命的概率密度分布。该方法成功应用到涡轮发动机的失效预测案例。展开更多
文摘针对具有多维状态变量、多种工作模式和故障模式的复杂工程系统,提出一种基于综合健康指数(synthesized health index,SHI)与相关向量机(relevance vector machine,RVM)的系统级失效预测方法。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,并据此获得各历史退化轨迹的SHI序列;然后再使用RVM对这些序列进行回归处理,进而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计算当前设备的SHI序列并进行RVM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,外推预测出系统剩余使用寿命的概率密度分布。该方法成功应用到涡轮发动机的失效预测案例。