薛小锋,田晶,何树铭,冯蕴雯

西北工业大学 航空学院,西安 710072

飞机部件一般采用多传感器进行状态监控,基于所采集的信号精确描述系统具有退化特性的故障机制存在着较大的困难,因此,可以将数据驱动模型应用于系统退化过程描述,通过参数估计识别退化模型的参数。基于数据驱动的故障预测技术不需要研究对象的精确失效物理模型或先验知识,而是依据状态监测数据来建立设备性能参数的退化过程模型,并进而利用训练得到的退化模型实现故障预测,同时对经验知识的依赖性也较小,工程适用性较好[1]。数据驱动类方法目前已逐步应用到发动机转子[2]、滚动轴承[3]、齿轮箱[4]等装备部件的故障诊断实际中,发展出了多种基于机器学习类算法的诊断方法,常见的有神经网络[5]、支持向量机[6]、贝叶斯网络[7]、自回归滑动平均模型[8]等,该类方法以诊断正确率作为学习目标,并且适用范围广,并完全依赖样本数据。对于多传感器信号的处理,形成了贝叶斯融合[9]、DS证据理论[10]、粗糙集理论[11]等信息融合[12]方法,可对多源信息或来自多个传感器的数据加以综合来降低单源数据不确定性。基于数据的预测方法同样可以分为基于统计的方法和基于机器学习的方法。基于机器学习的预测方法则通过建立状态监测数据与已有寿命数据之间的输入输出函数映射关系来进行预测,这类方法对状态监测数据的要求比较高,在失效数据较少的情况下存在着失效机理难以解释、故障机理不明确等问题。……