![点击分享此内容可以赚币 分享](/master/images/share_but.png)
基于多融合人工智能的退化故障预后方法.pdf
《基于多融合人工智能的退化故障预后方法.pdf》由会员分享,可在线阅读,更多相关《基于多融合人工智能的退化故障预后方法.pdf(6页珍藏版)》请在咨信网上搜索。
1、舰 船 电 子 工 程2023 年第 10 期1引言目前,大型复杂装备的故障预测与诊断主要采用故障发生前的定期维护保养检修、故障发生时的机内测试报警以及故障发生后的专家检修三种技术途径,存在保障成本高、组织实施复杂、无法准确预测退化性故障等问题,特别是故障发生后的专家检修模式,无法保证战时装备战斗力的持续保持,难以适应现代战争对装备保障快速性、准确性的要求1。目前装备退化故障领域的研究工作主要集中在系统当前的状态监控,对退化故障预测与健康管理的关注较少,因此如何实现智能化装备退化故障预后是装备维护从传统化定期维修向智能化视情维修转变的关键技术,具有重要的理论研究意义和广泛的实际应用前景2。当前
2、,常用的装备退化故障预后方法包括失效物理模型预测方法3以及近年来较为流行的人工智能预测方法4。对于大型复杂系统而言,失效物收稿日期:2023年4月5日,修回日期:2023年5月10日作者简介:李泳龙,男,研究方向:航海技术。王振东,男,研究方向:电子信息工程。翟玉婷,女,硕士,讲师,研究方向:雷达退化故障预后及人工智能。基于多融合人工智能的退化故障预后方法李泳龙1王振东1翟玉婷2(1.海军大连舰艇学院学员一大队大连116018)(2.海军大连舰艇学院信息系统系大连116018)摘要针对当前装备退化故障预后存在着历史监测数据样本少、退化故障样本难以采集、故障预测静态化等问题,提出融合多种人工智能
3、技术的装备退化故障预后方法。其中动态更新支持向量回归能够提高静态数据预测的精度,主成分分析能够将多高维数据降维,K均值聚类方法能够在无故障样本情况下对退化故障进行聚类检测。通过仿真实验验证提出方法的可行性,其中动态更新支持向量回归对数据预测的均方根误差可达0.44947,K均值聚类能够在其较为精准预测基础上检测出退化故障样本点。实验结果表明,所提方法能够有效对装备退化故障进行预测并告警。关键词支持向量机回归;主成分降维;K均值聚类分析中图分类号TN95DOI:10.3969/j.issn.1672-9730.2023.10.014Prognostic Method of Degradation
4、 Fault Based on Multi-fusionArtificial IntelligenceLI Yonglong1WANG Zhendong1ZHAI Yuting2(1.Cadets First Brigade,Dalian Naval Academy,Dalian116018)(2.Department of Information Systems,Dalian Naval Academy,Dalian116018)AbstractThere are many problems in the prognosis of current equipment degradation
5、faults,such as few historical monitoring data samples,difficult to collect degradation fault samples,static fault prediction and so on.Therefore,the prognostic method ofdegradation fault based on multi-fusion artificial intelligence is proposed,in which the dynamic update support vector regressionca
6、n improve the accuracy of static data prediction,principal components analysis can reduce the dimensionality of multi-dimensional data,and K-means clustering method can detect degradation faults without fault samples.The feasibility of the proposed methodis verified by simulation experiments,in whic
7、h the root mean square error of dynamic update support vector regression is 0.44947,K-means clustering can detect degradation fault samples on the basis of accurate data prediction.The experimental results show thatthe proposed method can effectively predict and alarm the equipment degradation fault
8、s.Key Wordssupport vector regression,principal components analysis,K-means clusteringClass NumberTN95总第 352 期2023 年第 10 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.1061总第352期理模型预测法难以应对系统的复杂性和随机性5,因此会受到一定的限制。而在基于人工智能的预测法中,文献 6 虽然有较高的故障预测性能,但对数据样本需求量大。文献 7 则需要人工给定阈值来判别故障的发生。文献 8 中对故障样本数量也有一定要求。文献
9、 9 则验证了在故障样本数量较少的情况下不易使用有监督的机器学习方法。因此,亟需一种退化故障预后方法能够在小样本并且无故障样本条件下实现装备退化故障预测和告警。2退化故障预测模型设计为了克服现有退化故障预测方法的缺点,本文提出融合多种人工智能技术的装备退化故障预后方法。其模型总体流程图如图1所示。首先,通过改进的支持向量回归(Support Vector Regression,SVR)方法进行后续时间步数据预测;其次,利用主成分分析(Principal Component Analysis,PCA)将多维数据降维;最后,利用K均值聚类分析(K-meansCluster Analysis,KCA
10、)对降维后数据进行聚类,同时采用1原则找出故障点并进行预警。2.1基于动态更新SVR的数据预测SVR 与支持向量机(Support Vector Machine,SVM)的原理相同,SVM的基本模型是特征空间上的间隔最大的线性分类器10。模型训练的目的寻找一个超平面(即一个n-1维的平面,其中n是特征的数量),将数据集分成两类,并使距离这个超平面最近的数据点(称为支持向量)到这个超平面的距离(称为间隔)最大化,若用一个优化问题来描述则可以表示为式(1)。图1基于多融合人工智能的退化故障预后方法流程图minwbw2/2s.tyi(wixi)+b-10i=12N(1)其中,N是训练样本的数目,xi
11、和yi是样本资料,以及样本种类,加入了拉格朗日泛函数,上面的问题等价于以下最优问题的解maxaQ(a)=i=1Nai-12ij=1Naiajyiyj(xiyj)s.tt=1Nyiai=0ai0(2)对于上述数据线性可分问题,可通过引入松弛变量来解决最优分类问题。本文中,SVR算法在解决问题时,是通过非线性变换把问题转换到高维(在实验数据中有16个维度空间)的特征空间,通过构建高维特征空间的线性鉴别函数,将其转化为原空间的非线性鉴别函数,并引入径向基函数,以确保算法具有良好的推广性能。动态更新SVR旨在预测下一个预测值之前访问上一个时间步的真实监测值来更新训练数据。采用监测数据前90%的数据作为
12、原始训练数据,不断将实时采集的监测数据并入训练数据更新预测模型,得出下一时刻预测数据,不断循环上述步骤,动态更新训练数据,预测出剩下10%的数据。数据预测的准确性可用均方根误差(Root Mean SquareError,RMSE)来评估,可表示为RMSE=1ni=1n(zi-z)2(3)其中,zi为真实数据值,z为预测数据值。从式(3)中可以看出,RMSE越接近于0表明数据预测精度越高。2.2主成分分析PCA是利用正交变换,把由线性相关变量所代表的观察数据,转化为少数由线性无关向量来代表的数据,这些线性无关的变量就称为主成分,而通过PCA方法可以实现降低数据维数的作用11。主成分分析可通过以
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 融合 人工智能 退化 故障 预后 方法
![提示](https://www.zixin.com.cn/images/bang_tan.gif)
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。