第 1章 概述
　　1.1复杂机电系统健康状态评估及预测的特点
　　随着科学的发展和技术的进步，机电系统正朝着大规模、复杂化的方向发展。复杂机电系统的概念源于中南大学钟掘院士等[1]的多篇论文。复杂机电系统一般指结构复杂，集机、电、液和控制于一体的大型动力装备，如航空发动机、轨道车辆、精密数控机床及各类成套设备等 [2-5]。复杂机电系统是国民经济与国家安全的重要基石，由于复杂机电系统设计和制造周期长、耗资巨大、使用和维护费用高，世界各工业发达国家都非常重视复杂机电系统各关键技术的研究与开发。受复杂机电系统机械结构的复杂性和其他各种因素的影响，潜伏的故障往往不可避免，一旦发生事故，造成的人员和财产损失是不可估量的。例如，“切尔诺贝利”核电站事故、“挑战者”号航天飞机的失事等都造成巨大的人员伤亡和财产损失。提高复杂机电系统的可靠性、安全性，以及维修经济性对复杂机电系统的发展至关重要。随着维修策略的转变，复杂机电系统健康状态评估及预测作为实现系统健康管理与优维护的基础，受到企业和学者的广泛关注 [6-8]。
　　《国家中长期科学和技术发展规划纲要 (2006—2020年)》将重大产品、复杂工程系统和重大设施的可靠性、安全性和寿命预测技术列为重要研究内容。复杂机电系统的健康状态评估及预测研究是提高复杂系统安全性、可靠性的有效手段，是实现智能制造的基础，可以为实现《中国制造 2025》提供强有力的支撑。
　　复杂机电系统的健康状态是其故障、退化状态的综合反映。准确有效地对复杂机电系统进行健康状态评估及预测可以降低复杂机电系统停机时间、提高系统利用率、保证系统不间断工作 [9，10]。复杂机电系统的缓变
　　 2 基于半定量信息的复杂机电系统健康状态评估与预测
　　故障或者突变故障的发生可能造成不可估量的损失，如航空发动机、高速列车、导弹等装备，一旦发生故障，就会大概率地造成人员伤亡及复杂机电系统的毁坏。合理有效的健康状态评估及预测可以辅助在复杂机电系统发生故障及性能退化前，采取相应的措施消除系统的安全隐患，降低事故的发生概率。有效的健康状态评估及预测也可以为复杂机电系统的维护提供决策依据，降低企业的维护成本。
　　现有的复杂机电系统健康状态评估及预测具有以下特点。
　　(1) 由于复杂机电系统的复杂性，在对其进行健康状态评估及预测时，面临特征量数量多、相关性强，以及不确定性、噪声干扰等问题。
　　(2) 在获取复杂机电系统健康特征量的过程中，传感器自身属性 (退化、硬故障、软故障等 )及测量过程中的环境干扰会导致监测信息不可靠，极大地影响健康状态评估及预测的精度。
　　(3)复杂机电系统测试次数的有限性和监测信息缺乏有效性导致健康状态评估及预测可用样本量少、种类匮乏。
　　1.2复杂机电系统健康状态评估及预测方法分析
　　20世纪末，美军在联合战斗机 (joint strike fighter，JSF)计划中提出故障预测与健康管理 (prognostics and health management，PHM)系统。PHM系统是实现 JSF综合保障研究计划的关键技术之一，能够显著降低维修、使用、保障费用，提高飞机的安全性和可靠性，实现大型复杂系统保障的经济可承受性目标 [11，12]。随着故障预测与健康管理技术的推广与应用，健康状态评估与预测作为健康管理的重要环节，得到各国学者的关注。下面从健康状态评估和健康状态预测两方面介绍现有理论方法的发展和现状。
　　目前，复杂机电系统健康状态评估方法 (图 1-1)主要可分为三类，即基于模型驱动的方法、基于数据驱动的方法、基于知识的方法 [13，14]。
　　图 1-1复杂机电系统健康状态评估方法分类
　　1.基于模型驱动的方法
　　基于模型驱动的复杂机电系统健康状态评估方法又称解析冗余法。首先，需要已知系统的解析模型表达式，利用状态观测器、卡尔曼 (Kalman)滤波器、参数估计辨识、等价空间状态方程等方法产生残差。根据残差的产生方式，细分为状态观测法、参数估计法、等价关系法等。然后，基于残差分析，进行系统当前健康状态的评估 [14]。近年来，主要的方法有卡尔曼滤波及其扩展方法、强跟踪滤波器等。
　　1) 卡尔曼滤波及其扩展方法
　　卡尔曼滤波方法是一种的模型参数估计方法，由匈牙利数学家 Kalman提出[15]。卡尔曼滤波方法是从随机过程的观测量中通过线性最小方差估计准则提取系统参数和状态估计值的一种滤波算法。在实际应用中，卡尔曼滤波方法在系统解析模型的基础上，结合采样数据对模型参数进行估计，实现系统健康状态的评估。随后，为了在非线性系统中得到更好的应用效果，对非线性模型做泰勒展开，进行线性化，即扩展卡尔曼滤波器 (extended Kalman filter，EKF)[16，17]。近年来，许多学者又在这一方法的基础上进行改进，并取得较好的应用 [18，19]。
　　文献[20]提出一种基于强跟踪扩展卡尔曼滤波器 (strong tracking extended Kalman filter，STEKF)的感应电动机速度估计方法，可以实现速度传感器控制的优化。文献 [21]提出一种基于无迹变换强跟踪滤波器 (unscented transformation strong tracking filter，UTSTF)的发电机动态估计方法。该方法利用对称采样策略进行 Sigma点采样，通过引入渐消因子修正预测协方差矩阵，在线调整增益矩阵，滤波得到动态过程中发电机状态变量的估计值。算例结果表明， UTSTF无论在跟踪速度、精度，还是对噪声的鲁棒性能上较无迹卡尔曼滤波器和强跟踪滤波器均有所提高。鲁峰等 [22]利用简约卡尔曼滤波器对航空发动机气路系统进行健康性能估计，并利用某型涡扇发动机气路部件进行仿真实验，验证所提方法的有效性。文献[23]利用 EKF解决航空发动机健康监测系统信息融合问题，实现了航空发动机的健康状态评估及管理，并开发了可靠性监测与可靠性分析评估系统。 Abdelrahem等[24]利用 EKF对变速风力涡轮机系统中的双馈感应电机进行健康状态评估，对电机的电气参数进行估计，描述双馈感应电机的非线性状态空间模型，提高评估精度。文献 [25]提出一种利用自适应卡尔曼滤波器改进参数估计的方法。这种方法能够对系统中不可测量的参数通过滤波器跟踪突发变化。为了提高蓄电池利用率，保证其在全生命周期中的安全性和可扩展性，文献 [26]使用双卡尔曼滤波器对其健康状态进行评估，并使用自回归模型对参数进行在线估计，在保证评估精度的同时，提高评估效率。文献 [27]基于平方根容积卡尔曼滤波器 (square root cubature Kalman filter，SCKF)，研究了一类非线性随机动态系统的故障检测与估计问题。该方法利用滑动时间窗口设计系统状态方程残差信号，可以有效地检测故障的发生，通过构造增广系统，实现对执行器健康状态的估计，并通过仿真实验分析验证方法的精度和稳定性。文献 [28]利用标准 EKF方法、小均方差和概率密度截断的混合方法，提出一种涡喷发动机的带约束非线性滤波健康状态估计方法，解决涡喷发动机在不等式约束条件下的部件性能估计问题。通过仿真实验分析，验证健康状态估计方法的精度和速度。
　　2) 强跟踪滤波器
　　强跟踪滤波器的概念是周东华等 [29]在 EKF的基础上改进提出的。强跟踪滤波器具有较好的鲁棒性和敏感性，并且对突变状态具有较强的跟踪能力，相比传统的滤波器，该方法可以降低计算的复杂性。近年来，强跟踪滤波器在状态估计和参数估计方面应用广泛。
　　文献[30]通过将强跟踪滤波理论与多传感器数据融合技术相结合，提出基于强跟踪滤波器的多传感器状态与参数联合估计方法。该方法可以初步解决卡尔曼滤波器中模型的不确定性造成估计误差值偏大情况下的状态融合估计问题，使多源信息融合理论得到补充和发展。文献 [31]提出一种利用改进的强跟踪无迹卡尔曼滤波器对不确定过程进行状态估计的方法，不仅避免了状态估计过程模型不确定性的发生，也提高了估计精度。文献 [32]利用强跟踪滤波器对电池系统的电荷状态进行估计，通过实验及对比分析验证所提出方法的精度和鲁棒性。文献 [33]利用强跟踪滤波器对火力发电机组状态和参数进行联合估计，获得了较高的估计精度。
　　2.基于数据驱动的方法
　　基于数据驱动的复杂机电系统健康状态评估方法根据获取的复杂机电系统当前时间段内的监测数据，建立复杂机电系统的非线性健康状态评估模型，通过可用确定性的失效阈值，或者健康程度等级定义系统的健康状态，对设备当前的健康状态进行评估。与基于模型驱动及基于知识的方法相比，这类方法对于系统的解析表达式和先验知识没有严格的要求，而是从系统大量的历史数据和实时数据中得到系统变量间的关系。基于数据驱动的复杂机电系统健康状态评估方法在化工、冶金、车辆、旋转机械等多个领域都得到广泛应用。基于数据驱动的定量分析方法可以分为统计方法和非统计方法。最有效的基于统计的健康状态评估理论是基于多变量统计的动态数据监测诊断方法 [14]，如主成分分析 (principal component analysis， PCA)[34]、偏*小二乘法 (partial least square，PLS)[35]、典型变量分析 [36]、独立成分分析 [37]、支持向量机 (support vector machine，SVM)[38]、隐马尔可夫模型(hidden Markov model，HMM)[39]等。基于数据驱动的方法分类如图 1-2所示。典型的基于非统计的定量分析法是神经网络 [14]。
　　1) 隐马尔可夫模型和隐半马尔可夫模型隐马尔可夫模型作为一种统计分析模型，创立于 20世纪 70年代，是马尔可夫随机过程的一种，用来描述系统的隐含行为。隐马尔可夫模型通过对大量实验数据进行统计分析得到参数的估计值，具有较好的效果，但是对数据量要求较高。隐半马尔可夫模型是在隐马尔可夫模型的基础上，将时间与模型融合，解决隐马尔可夫模型不能清楚描述状态持续时间的问题。
　　图 1-2基于数据驱动的方法分类
　　Kong等[40]利用隐半马尔可夫模型对铣削过程中刀具的磨损情况进行估计，提高刀具磨损估计的精度，减少识别刀具磨损的时间，使刀具磨损监测变得更符合实际。 Giantomassi等[41]对涡轮风扇发动机剩余使用寿命(remaining useful life，RUL)的估计问题进行了讨论，利用马尔可夫模型建立剩余寿命预测模型，使其能够适应处理大规模数据的特定应用场景。文献 [42]针对目前舰船装备技术状态评估缺乏动态性，以及评估指标过多等问题，构建舰船装备技术状态多指标融合模型，结合技术状态评估指标融合模型和隐马尔可夫模型所具有的双随机性和严谨数学推理能力的特点，建立基于指标融合模型和隐马尔可夫模型的舰船装备状态动态评估模型，为舰船装备状态评估提供有效途径。文献 [43]研究利用耦合隐马尔可夫模型对多通道监测数据进行性能退化评估建模和性能指标计算的方法，利用齿轮自然失效试验数据、滚动轴承加速疲劳试验数据和自然疲劳试验数据的分析验证耦合隐马尔可夫模型对完备和非完备数据进行性能退化评估的有效性。结果表明，所选的性能指标能够定量地反映轴承的性能退化程度。

目录
前言
第1章 概述 1
1.1 复杂机电系统健康状态评估及预测的特点 1
1.2 复杂机电系统健康状态评估及预测方法分析 2
1.3 复杂机电系统健康状态评估及预测存在的主要问题 13
1.4 本书的结构安排 15
第2章 基于半定量信息的置信规则库模型 17
2.1 置信规则库的基本概念 17
2.2 置信规则库的推理 18
2.3 置信规则库的应用与发展 20
2.4 本章小结 21
第3章 基于置信规则库的复杂机电系统健康状态评估 22
3.1 引言 22
3.2 基于置信规则库的复杂机电系统健康状态评估模型 23
3.3 复杂机电系统健康特征量确定 25
3.4 仿真案例分析 32
3.4.1 置信规则库健康状态评估模型的建立 32
3.4.2 仿真分析 33
3.4.3 对比分析 39
3.5 本章小结 42
第4章 基于双层置信规则库的复杂机电系统健康状态预测 43
4.1 引言 43
4.2 基于双层置信规则库的复杂机电系统健康状态预测方法 44
4.2.1 基于置信规则库的时间序列预测模型 45
4.2.2 基于置信规则库的健康状态预测模型 46
4.2.3 基于P-CMA-ES 的置信规则库参数模型优化 46
4.3 基于双层置信规则库的航空发动机健康状态预测 47
4.3.1 BRB_layer1 模型的建立 48
4.3.2 BRB_layer2 模型的建立 52
4.3.3 对比分析 55
4.4 本章小结 57
第5章 考虑特征量监测误差的复杂机电系统健康状态预测 58
5.1 引言 58
5.2 特征量监测误差描述 59
5.3 考虑特征量监测误差的复杂机电系统健康状态预测模型 60
5.3.1 基于距离的特征量监测误差计算 61
5.3.2 考虑特征量监测误差的双层置信规则库建模 61
5.3.3 融合特征量监测误差的置信规则库推理 62
5.4 考虑特征量监测误差的航空发动机健康状态预测 63
5.5 本章小结 69
第6章 考虑工况变化的复杂机电系统健康状态预测 70
6.1 考虑工况变化的复杂机电系统健康状态预测模型 70
6.2 仿真案例分析 72
6.2.1 基于时域特征分析的航空发动机气路系统健康状态特征量工况划分 73
6.2.2 基于双层置信规则库的航空发动机气路系统健康状态预测 74
6.2.3 对比分析 82
6.3 本章小结 87
第7章 总结与展望 88
参考文献 90