[发明专利]多源无标签数据机器学习的复杂装备性能评估与预测方法

说明书

本发明公开了一种多源无标签数据机器学习的复杂装备性能评估与预测方法，将复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理并建立多源无标签退化数据与系统综合退化特征的映射关系；建立综合退化特征与复杂装备性能状态的非线性映射关系，进行模型超参数优化，获得结构和参数优化的非齐次隐半马尔可夫模型；基于建立的模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。为多源无标签数据下考虑复杂装备非线性因素进行性能状态评估与预测提供了一种可行的方法。

技术领域

本发明属于机械设备健康评估与预测领域，具体涉及一种多源无标签数据机器学习的复杂装备性能评估与预测方法。

背景技术

近十年来机械设备健康评估与预测技术成为长寿命、高可靠机械设备运营管理的关键技术，而复杂装备性能退化评估与预测是进行装健康管理的重要前提。相比较于传统的设备运营管理技术，健康评估与预测技术具有可发现早期的系统性能衰退，能给出设备的当前和未来运行健康状态，可将现行的设备定期维护发展到视情维护，可大幅度降低运营管理费用等优点，因此关于性能状态评估与预测的研究是机械设备健康评估领域的一个关键课题。

当前性能状态评估与预测的方法主要分两类：基于退化数据和装备健康状态标签的有监督方法和基于无标签退化数据的非监督方法。有监督方法在性能特征构造时依赖于退化相关先验知识，在状态分类时需要装备健康状态标签，致使该方法对于实际中缺乏早期退化知识和健康状态标签的复杂装备难以凑效。基于无标签退化数据的非监督方法，克服了对退化先验知识和健康状态标签的依赖，在实际中得到了较多的应用，然而现有无监督方法在性能特征提取时对复杂装备的非线性主导因素考虑不足，在状态识别时往往在假定模型结构的前提下进行模型参数优化，忽视了对模型结构的优化，致使性能状态评估与预测的结果与复杂装备实际情况存在较大差异。如何在多源无标签数据下考虑复杂装备非线性因素，提取综合退化特征并确定合理的模型结构及参数，从而进行复杂装备性能状态评估与预测是一个有待解决的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种多源无标签数据机器学习的复杂装备性能评估与预测方法，具有算法高效、模型精度高、评估与预测结果准确的特点，可实现复杂装备性能退化状态的有效评估与预测。

本发明采用以下技术方案：

多源无标签数据机器学习的复杂装备性能评估与预测方法，首先将复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理，利用Autoencoder网络拓扑结构建立多源无标签退化数据与系统综合退化特征之间的映射关系；然后，基于非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，采用改进的贝叶斯信息熵准则进行模型超参数N的优化，获得结构和参数优化的非齐次隐半马尔可夫模型，得到复杂装备性能退化规律；最后，基于建立的综合退化特征非监督提取方法和确定的非线性映射关系模型，对航空发动机多源无标签退化测试数据进行分析，得到航空发动机隐含性能状态的初始值、变化时刻和每个状态的持续时间，最终实现性能评估和剩余使用寿命预测。

进一步的，包括以下步骤：

S1、对复杂装备在不同转速、不同初始退化程度下的多源无标签退化数据进行标准化预处理；

S2、根据Autoencoder网络拓扑结构建立多源无标签退化数据与系统综合退化特征之间的映射关系；

S3、对步骤S2建立的Autoencoder网络拓扑模型，利用训练数据采用基于增强动量项梯度下降的反向传播算法学习网络模型的参数，进而实现多源无标签退化数据的非监督融合降维处理，获得表征复杂装备性能的综合退化特征；

S4、利用非齐次隐半马尔可夫模型建立综合退化特征与复杂装备性能状态之间的非线性映射关系，模型输入为离散的系统综合退化特征，模型输出为离散的隐含性能状态；