蒋翔宇, 冯毅雄, 张志峰, 宋秀菊, 洪兆溪, 胡炳涛, 谭建荣
在工业5.0新时代,将设备物理实体与人类认知、信息技术融合,是推动故障预测与健康管理(Prognostics and health management, PHM)智能增强的重要途径,剩余寿命估计作为PHM中的关键环节,为设备预测性维护提供时间裕量依据。受人的记忆和遗忘机制启发,提出一种人-信息-物理协同的剩余寿命估计可演进式模型框架,能够同时预测设备的连续状态和离散状态。模型采用基于实例的学习策略从时序数据中汲取并保留知识,无须事先假设固定的失效阈值和退化阶段,旨在随着样本的加入而逐渐调整趋于稳定,适合于设备小样本和先验知识不足的情况,或设备处于变化的运行环境中。模型底层采用核最小均方算法,使模型结构和参数可以在线更新;基于最近实例质心估计方法改进算法,将输入空间拓展为特征空间,随着输入数据的学习将空间自动划分为不同子区域,以实现在预测未来信号的同时获取健康状态信息,进而推导剩余寿命。为了使模型网络规模更加紧凑,引入在线矢量量化方法,通过消除模型冗余的基函数降低计算复杂度。将所提模型框架运用于某压水堆给水泵剩余寿命估计,验证了方法的有效性。