張東東, 艾小川,*, 劉 暢

(1. 海軍工程大學(xué)基礎(chǔ)部, 湖北 武漢 430033; 2. 海軍工程大學(xué)管理工程與裝備經(jīng)濟(jì)系, 湖北 武漢 430033)

0 引 言

高新技術(shù)的發(fā)展引領(lǐng)著裝備向高密封性、高安全性方向發(fā)展,工廠生產(chǎn)中,各類(lèi)功能不同、質(zhì)量不同的裝備構(gòu)成一個(gè)完整的裝備生產(chǎn)系統(tǒng)。現(xiàn)階段,對(duì)于裝備系統(tǒng)中的各類(lèi)裝備的生產(chǎn)狀態(tài)的判斷是由在線監(jiān)控預(yù)警系統(tǒng)完成的。監(jiān)控設(shè)備定時(shí)采集各個(gè)子裝備的實(shí)時(shí)性能參數(shù),在線預(yù)警系統(tǒng)根據(jù)實(shí)時(shí)數(shù)據(jù)和歷史樣本數(shù)據(jù)及時(shí)對(duì)短時(shí)間內(nèi)裝備的性能情況做出預(yù)測(cè),判斷裝備短時(shí)間內(nèi)是否會(huì)出現(xiàn)故障風(fēng)險(xiǎn),從而實(shí)現(xiàn)預(yù)維護(hù)的目的。

工程實(shí)際上,實(shí)時(shí)狀態(tài)數(shù)據(jù)所包含的信息冗雜且多噪聲,為了增加預(yù)測(cè)的準(zhǔn)確性,提取更多有價(jià)值的信息,其性能退化研究多建立在歷史樣本數(shù)據(jù)上。然而歷史數(shù)據(jù)來(lái)源廣泛,不同樣本的歷史數(shù)據(jù)存在采集時(shí)間不同、數(shù)據(jù)長(zhǎng)短不一等問(wèn)題,過(guò)去的相關(guān)研究把狀態(tài)數(shù)據(jù)視作理想的完美數(shù)據(jù),忽略了數(shù)據(jù)不規(guī)范對(duì)研究的影響。

目前,基于實(shí)時(shí)數(shù)據(jù)的性能退化研究主要是使用數(shù)據(jù)驅(qū)動(dòng)手段進(jìn)行的,其性能退化研究主要涉及指標(biāo)構(gòu)建和時(shí)間序列預(yù)測(cè)問(wèn)題,其中指標(biāo)構(gòu)建主要通過(guò)對(duì)高維數(shù)據(jù)的去噪和降維完成,常見(jiàn)的降維方法包括經(jīng)典的降維方法和機(jī)器學(xué)習(xí)方法,經(jīng)典降維手段包括主成分分析、局部線性嵌入等;機(jī)器學(xué)習(xí)方法的核心手段為神經(jīng)網(wǎng)絡(luò)。目前的指標(biāo)構(gòu)建手段多為對(duì)高維狀態(tài)數(shù)據(jù)直接去噪和降維,無(wú)法充分體現(xiàn)退化的狀態(tài)數(shù)據(jù)的時(shí)序性,且由于性能指標(biāo)序列無(wú)法呈現(xiàn)單一的規(guī)律性,性能退化預(yù)測(cè)問(wèn)題仍是研究中的側(cè)重點(diǎn)。

針對(duì)目前裝備性能退化研究中的難點(diǎn),本文兼顧歷史樣本數(shù)據(jù)信息冗雜、數(shù)據(jù)不規(guī)范、性能變化不規(guī)律等問(wèn)題,提出了一整套的研究方法和思路。該方法通過(guò)對(duì)歷史樣本數(shù)據(jù)進(jìn)行規(guī)整,得到研究所用的規(guī)范數(shù)據(jù),基于自組織映射(self-organizing maps, SOM)算法對(duì)相似樣本集的相似樣本特征進(jìn)行提取,并利用堆棧自編碼器(stacked autoencoder, SAE)對(duì)相似樣本特征進(jìn)行降噪和重構(gòu),根據(jù)最小特征圓法建立性能退化指標(biāo),最后采用了雙指數(shù)模型對(duì)性能指標(biāo)進(jìn)行處理,得到了測(cè)試樣本的性能退化軌跡。

1 樣本數(shù)據(jù)預(yù)處理

復(fù)雜裝備系統(tǒng)的性能退化指標(biāo)構(gòu)建涉及多參數(shù)多樣本時(shí)間序列的處理問(wèn)題,裝備系統(tǒng)中同類(lèi)傳感器不同子系統(tǒng)及不同傳感器記錄的數(shù)據(jù)對(duì)應(yīng)著時(shí)間序列中的不同參數(shù),而每一個(gè)樣本的狀態(tài)數(shù)據(jù)對(duì)應(yīng)著一個(gè)高維時(shí)間序列,由于樣本的狀態(tài)數(shù)據(jù)來(lái)源廣泛,數(shù)據(jù)采集的時(shí)間點(diǎn)較難規(guī)范,故在性能指標(biāo)構(gòu)建之前需要對(duì)數(shù)據(jù)進(jìn)行規(guī)整化處理。

1.1 時(shí)間標(biāo)準(zhǔn)化

單個(gè)裝備系統(tǒng)的各個(gè)傳感器一般在相同的時(shí)刻點(diǎn)采集數(shù)據(jù),在線系統(tǒng)會(huì)設(shè)置間隔相同的時(shí)間進(jìn)行數(shù)據(jù)采集,本文的數(shù)據(jù)規(guī)整主要考慮歷史樣本數(shù)據(jù)存在的數(shù)據(jù)采集時(shí)間間隔不規(guī)范問(wèn)題。

假設(shè)已有個(gè)樣本的狀態(tài)數(shù)據(jù),數(shù)據(jù)源自不同工廠的同一時(shí)期的裝備,數(shù)據(jù)采集時(shí)間間隔不完全相等,為了盡量減少數(shù)據(jù)規(guī)整帶來(lái)的誤差,采用基于K-means聚類(lèi)的方法來(lái)選擇規(guī)整數(shù)據(jù)后的時(shí)間間隔,對(duì)數(shù)據(jù)采集時(shí)間間隔進(jìn)行聚類(lèi),優(yōu)選合理的聚類(lèi)中心作為數(shù)據(jù)規(guī)整后的樣本時(shí)間間隔。數(shù)據(jù)規(guī)整流程如圖1所示。

圖1 數(shù)據(jù)規(guī)整流程Fig.1 Data alignment process

本文使用的插值方法為B樣條插值,B樣條插值具有較好的收斂性、穩(wěn)定性和光滑性,相比分段線性插值,在節(jié)點(diǎn)處可導(dǎo),更加光滑,次樣條曲線表達(dá)式為

(1)

式中：,()為次B樣條基函數(shù),其求解方法由Cox-de Boor遞歸公式?jīng)Q定；為第+1個(gè)控制點(diǎn)。3次B樣條插值已經(jīng)具有了完美的擬合原數(shù)據(jù)分布的能力,且高次插值會(huì)增加計(jì)算難度,故選擇3次B樣條插值進(jìn)行數(shù)據(jù)規(guī)整。

這樣,綜合考慮了樣本的狀態(tài)數(shù)據(jù)采集時(shí)刻點(diǎn)的分布特點(diǎn),利用插值的方法使得每一個(gè)樣本的規(guī)整后數(shù)據(jù)擁有相同的時(shí)間間隔,能夠較好地保持原樣本數(shù)據(jù)的分布特性,便于之后的降維運(yùn)算,之后對(duì)裝備系統(tǒng)性能退化軌跡建模所涉及到的狀態(tài)數(shù)據(jù)均為規(guī)整后的新數(shù)據(jù)集。

1.2 多維時(shí)間序列的相似性匹配

多維時(shí)間序列匹配為相關(guān)領(lǐng)域較為麻煩的問(wèn)題,其復(fù)雜度和準(zhǔn)確度對(duì)之后結(jié)果會(huì)產(chǎn)生較大的影響。為了消除大樣本數(shù)據(jù)對(duì)于單個(gè)樣本的隨機(jī)性差異不敏感的問(wèn)題,本文利用一種基于大間隔最近鄰(large margin nearest neighbor, LMNN)和動(dòng)態(tài)時(shí)間規(guī)整(dynamic time warping, DTW)的多維時(shí)間序列相似性匹配的方法對(duì)樣本空間進(jìn)行篩選,優(yōu)選出與測(cè)試樣本相似的序列。

對(duì)于樣本集中任意兩個(gè)多維的時(shí)間序列和,=(,,…,),=(,,…,),其中(1≤≤)和(1≤≤)都是維列向量,表示樣本的某一時(shí)刻的參數(shù)值,則和之間的距離用馬氏距離定義為

(,)=(-)(-), 1≤≤;1≤≤

(2)

式中:為一個(gè)對(duì)稱半正定矩陣,稱為馬氏矩陣,通過(guò)LMNN學(xué)習(xí)得到。這樣,定義完多維時(shí)間序列的局部距離后,其最優(yōu)規(guī)整路徑通過(guò)如下動(dòng)態(tài)規(guī)劃問(wèn)題解得

(3)

假設(shè)樣本集為,測(cè)試樣本為,在進(jìn)行相似性匹配之前需要對(duì)數(shù)據(jù)進(jìn)行區(qū)間切割處理,由于所研究裝備系統(tǒng)為同類(lèi)型裝備系統(tǒng),故可認(rèn)為在相近的時(shí)間內(nèi)不同樣本的相似程度更高。若測(cè)試樣本的時(shí)間區(qū)間為[,],對(duì)樣本集中的單個(gè)樣本的狀態(tài)序列進(jìn)行時(shí)間區(qū)間切割,保留在[-,+]之間的數(shù)據(jù),再進(jìn)行匹配,匹配后的相似樣本集記作。

2 性能退化模型的構(gòu)建

2.1 相似樣本特征提取

基于SOM的相似樣本集的樣本特征提取,是利用其良好的保拓?fù)淠芰?通過(guò)對(duì)相似樣本集進(jìn)行無(wú)監(jiān)督學(xué)習(xí)獲得勝出神經(jīng)元的權(quán)值矢量,此時(shí)的獲勝神經(jīng)元的權(quán)值矢量能夠代表相似樣本集的總體相似樣本特征。

(4)

歐式距離最小的權(quán)值對(duì)應(yīng)的神經(jīng)元為獲勝神經(jīng)元,通過(guò)不斷輸入重組后狀態(tài)的列向量,對(duì)權(quán)值和鄰域不斷更新,當(dāng)重組后的單個(gè)狀態(tài)數(shù)據(jù)的列向量訓(xùn)練完畢后代表一次完整的迭代結(jié)束,最后獲勝神經(jīng)元的權(quán)重代表此時(shí)刻的樣本特征。

2.2 時(shí)序特征度量

2.2.1 特征降噪

利用SOM算法進(jìn)行相似樣本訓(xùn)練,提取到的是相似樣本集的樣本特征信息,得到的仍是高維時(shí)序序列,在度量其時(shí)序性特點(diǎn)之前,仍需要進(jìn)一步對(duì)處理后的狀態(tài)數(shù)據(jù)進(jìn)行降噪和去冗余操作。

SAE通常包含多個(gè)自編碼器,類(lèi)似于深度置信網(wǎng)絡(luò)的訓(xùn)練法則,采用逐層貪婪訓(xùn)練單個(gè)自編碼器的方法,將單個(gè)自編碼器進(jìn)行單獨(dú)訓(xùn)練尋優(yōu),把抽象的特征作為下一個(gè)自編碼器的輸入,在獲得更抽象的輸出的同時(shí)降低了運(yùn)算復(fù)雜程度,尤其適合處理復(fù)雜數(shù)據(jù)的深層特征提取問(wèn)題。

圖2為典型的堆棧自編碼器原理示意圖,第一層為降噪自編碼器,狀態(tài)數(shù)據(jù)向量=經(jīng)過(guò)降噪自編碼器(denosing autoencoder, DAE)過(guò)濾,利用逐層貪婪訓(xùn)練方法進(jìn)行訓(xùn)練學(xué)習(xí),將得到的抽象特征向量輸入第二層的稀疏自編碼器進(jìn)行訓(xùn)練,最終得到稀疏特征=(,,…，)。

圖2 SAE示意圖Fig.2 SAE schematic

2.2.2 指標(biāo)建立

利用SOM和堆棧自編碼器的狀態(tài)數(shù)據(jù)進(jìn)行訓(xùn)練操作,可以提取裝備在具體時(shí)刻的性能特征,需要進(jìn)一步對(duì)特征處理變成具體的性能指標(biāo),并將時(shí)序變化特征融入其中。性能指標(biāo)的建立一直是本文方法中的重點(diǎn),良好的性能指標(biāo)應(yīng)該要能夠反映產(chǎn)品的退化趨勢(shì),過(guò)濾掉一些次要的因素,也要能反映出裝備在退化時(shí)產(chǎn)生的性能波動(dòng),由此,本文建立一類(lèi)基于最小特征圓的指標(biāo)方法。

假設(shè)裝備系統(tǒng)剛開(kāi)始時(shí)處于較為穩(wěn)定的狀態(tài),可以認(rèn)為是健康狀態(tài),隨著時(shí)間推移,裝備會(huì)慢慢發(fā)生退化,偏離健康狀態(tài)。故對(duì)上述訓(xùn)練得到的特征變量{},提取出正常運(yùn)行時(shí)的特征集合,利用聚類(lèi)分析得到中心特征,并以此為圓心作一個(gè)高維最小圓,將所有健康特征包裹在內(nèi)。三維最小特征圓示意圖如圖3所示。

圖3 三維最小特征圓示意圖Fig.3 Three dimensional minimum characteristic circle diagram

由于裝備正常運(yùn)行時(shí)會(huì)存在正常的數(shù)據(jù)波動(dòng),故可假設(shè)此最小圓內(nèi)的特征為健康特征,故第時(shí)刻的性能指標(biāo)為

(5)

基于最小特征圓法可以將SAE提取的退化特征轉(zhuǎn)化為具體的性能指標(biāo),但得到的一維時(shí)序數(shù)據(jù)存在隨機(jī)性因素的干擾,數(shù)據(jù)仍然存在大量噪聲,需要選擇合適的時(shí)序數(shù)據(jù)擬合和預(yù)測(cè)算法對(duì)裝備的性能退化規(guī)律和壽命進(jìn)行預(yù)測(cè)。

2.3 性能退化軌跡擬合與壽命預(yù)測(cè)

2.3.1 退化軌跡預(yù)測(cè)

復(fù)雜裝備系統(tǒng)的性能變遷受到多種復(fù)雜因素的共同影響,其性能變化軌跡無(wú)法呈現(xiàn)單一的規(guī)律性,且性能指標(biāo)的變化包含大量的噪聲。為了描述和預(yù)測(cè)性能指標(biāo)的退化過(guò)程,采用動(dòng)態(tài)的雙指數(shù)模型來(lái)處理得到的性能指標(biāo),雙指數(shù)模型廣泛應(yīng)用于多類(lèi)型時(shí)間序列的擬合和預(yù)測(cè)問(wèn)題,在金融、醫(yī)療等領(lǐng)域發(fā)揮了重要作用。

根據(jù)上文構(gòu)建的性能退化指標(biāo),動(dòng)態(tài)雙曲線模型可以表示為

=1,·exp(1,·)+2,·exp(2,·)+

(6)

其中，1,,2,和1,,2,為時(shí)刻的狀態(tài)參數(shù),由于本文的指標(biāo)序列為非規(guī)律變化的信號(hào),此處默認(rèn)為1,≠2,,為時(shí)刻的噪聲。在大數(shù)據(jù)條件下,擬合誤差一般均服從正態(tài)分布,且時(shí)間序列具有時(shí)序相關(guān)性,可構(gòu)造狀態(tài)參數(shù)空間如下:

(7)

故本文對(duì)于退化軌跡的擬合和預(yù)測(cè)問(wèn)題可以等同為一個(gè)由上述狀態(tài)空間描述的動(dòng)態(tài)系統(tǒng),此系統(tǒng)的狀態(tài)轉(zhuǎn)移方程可以概括為

(8)

(9)

232 閾值設(shè)置

對(duì)復(fù)雜裝備系統(tǒng)進(jìn)行性能退化研究需要對(duì)系統(tǒng)的故障時(shí)間和指標(biāo)閾值進(jìn)行估計(jì)和選擇,本文研究裝備的退化規(guī)律主要是基于相似樣本進(jìn)行的,每一個(gè)相似樣本對(duì)應(yīng)一個(gè)故障時(shí)間和狀態(tài)數(shù)據(jù),將這些數(shù)據(jù)信息輸入到SAE可以計(jì)算得到一個(gè)閾值集合,設(shè)置該集合為{,,…,}。

本文基于高維時(shí)序數(shù)據(jù)的相似樣本選取得到了基于馬氏距離的相似度,對(duì)于同一個(gè)測(cè)試樣本,將相似度等比例縮小,且相似度之和為1,此測(cè)試樣本的退化閾值由下面的表達(dá)式給出:

(10)

式中:,為相似樣本集中樣本與測(cè)試樣本的相似度。

3 案例計(jì)算

3.1 數(shù)據(jù)說(shuō)明

本文對(duì)某大型自動(dòng)高壓加熱裝備系統(tǒng)進(jìn)行仿真,主要數(shù)據(jù)采集包括溫度、鍋內(nèi)壓力、出氣口壓力、渦輪轉(zhuǎn)速等26項(xiàng)參數(shù),數(shù)據(jù)采集時(shí)裝備均處于運(yùn)行狀態(tài),總隨機(jī)因素主要考慮了電流沖擊、溫度、材料腐蝕,以及各項(xiàng)參數(shù)對(duì)應(yīng)子系統(tǒng)中存在的環(huán)境因素,采集時(shí)間間隔均不相同,共采集了70個(gè)全壽命樣本數(shù)據(jù),另隨機(jī)選取3個(gè)測(cè)試樣本,測(cè)試樣本均采集了前120個(gè)數(shù)據(jù),為了體現(xiàn)個(gè)體差異,測(cè)試樣本的初始監(jiān)測(cè)時(shí)刻時(shí)間間隔較大,由于不同參數(shù)間數(shù)據(jù)差別較大,故模型訓(xùn)練前對(duì)原始數(shù)據(jù)進(jìn)行了歸一化處理。

3.2 模型訓(xùn)練與指標(biāo)建立

(1) 數(shù)據(jù)預(yù)處理。根據(jù)本文的數(shù)據(jù)規(guī)整原則,對(duì)73個(gè)樣本數(shù)據(jù)進(jìn)行重建,對(duì)73個(gè)樣本數(shù)據(jù)的采集時(shí)間間隔的聚類(lèi)結(jié)果如圖4所示。

圖4 采集時(shí)間間隔聚類(lèi)結(jié)果圖Fig.4 Collecting time interval clustering result

73個(gè)樣本數(shù)據(jù)共得到3個(gè)聚類(lèi)中心,從小到大3個(gè)類(lèi)別含樣本數(shù)分別為13、40和20,故本文采取位于中間類(lèi)別的聚類(lèi)中心作為數(shù)據(jù)規(guī)整后的時(shí)間間隔,初始采集時(shí)間間隔為6.22 h,利用B樣條插值即可得到規(guī)整后的新數(shù)據(jù)集。

(2) 相似性匹配?；贐樣條插值得到73個(gè)樣本的新?tīng)顟B(tài)數(shù)據(jù)集,在衡量樣本數(shù)據(jù)間的相似度之前,對(duì)70個(gè)歷史樣本數(shù)據(jù)進(jìn)行截?cái)嗵幚?僅保留前130個(gè)樣本數(shù)據(jù),設(shè)置相似閾值即最大相似距離為20。3個(gè)測(cè)試樣本分別編號(hào)c -1、c -2、c -3,c -1共選取了23個(gè)相似樣本,c -2共選取了19個(gè)相似樣本,c -3選取了28個(gè)相似樣本,將得到的3個(gè)測(cè)試樣本集分別輸入SOM網(wǎng)絡(luò),提取相似樣本集的相似樣本特征。

(3) 退化特征提取與重構(gòu)。本文采用的SAE共存在3層,一層降噪自編碼器,兩層稀疏自編碼,SAE的3個(gè)隱藏層分別有18、16、12個(gè)神經(jīng)元,DAE采用Srivastava等人提出的Dropout技術(shù)來(lái)完成加噪過(guò)程,稀疏自編碼器L2正則化權(quán)重衰減稀疏為0.000 1,稀疏性懲罰權(quán)重因子均為4,稀疏性系數(shù)為0.05。將3個(gè)測(cè)試樣本的相似樣本特征數(shù)據(jù)集依次輸入訓(xùn)練,得到了3個(gè)12維的時(shí)間特征序列。3個(gè)測(cè)試樣本部分退化特征如圖5所示。

圖5 測(cè)試樣本部分退化特征Fig.5 Partial degeneration of the test sample

圖5為經(jīng)過(guò)SAE重構(gòu)后的部分抽象退化特征,代表了測(cè)試樣本退化過(guò)程中具有的突出退化特征,從結(jié)果可以看出,重構(gòu)后的退化特征已經(jīng)具有明顯的退化特性,且在裝備運(yùn)行初期,退化特征波動(dòng)較小,裝備處于安全運(yùn)行狀態(tài),驗(yàn)證了基于最小特征圓的指標(biāo)構(gòu)建方法的可行性。

3.3 結(jié)果分析

本文使用流行的深度學(xué)習(xí)方法對(duì)仿真后的樣本數(shù)據(jù)進(jìn)行處理,作為本文方法的對(duì)比實(shí)驗(yàn)。主要處理過(guò)程為利用SOM算法提取核心特征,使用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)對(duì)高維的核心特征直接進(jìn)行降維成一維的性能指標(biāo)集,最后采用非線性自回歸網(wǎng)絡(luò)(nonlinear auto regressive with extra input, NARX)對(duì)使用壽命進(jìn)行預(yù)測(cè)。

利用雙指數(shù)模型對(duì)最小特征圓得到的指標(biāo)序列擬合結(jié)果如圖6所示。從圖5和圖6可以看出,不同樣本的退化軌跡既存在相似性,也存在差別,其最終失效的閾值也各不相同,表明本文基于相似樣本集去研究裝備退化規(guī)律是合理的。圖6(a)中,裝備預(yù)測(cè)指標(biāo)在達(dá)到故障閾值之前,含噪聲的原始退化軌跡存在兩次達(dá)到閾值的情況,實(shí)際工程中,裝備極有可能在此時(shí)刻周?chē)馐軜O端沖擊,應(yīng)該在該時(shí)刻附近注意裝備的異常反應(yīng),以便及時(shí)應(yīng)對(duì)可能的突發(fā)情況。

圖6 測(cè)試樣本退化軌跡與壽命預(yù)測(cè)圖Fig.6 Test sample degradation trajectory and life prediction

圖6中,裝備的退化曲線會(huì)出現(xiàn)暫時(shí)的峰值,對(duì)應(yīng)著實(shí)際生產(chǎn)中的外部載荷沖擊導(dǎo)致性能發(fā)生變化,可以發(fā)現(xiàn),在此后的一段時(shí)間內(nèi),裝備的性能指標(biāo)曲線會(huì)發(fā)生緩慢回落,體現(xiàn)了裝備遭受外力沖擊導(dǎo)致的性能突變會(huì)隨著時(shí)間逐漸恢復(fù);比較峰值左右的性能指標(biāo)的平均大小,可以看出雖然突變的性能會(huì)隨著時(shí)間恢復(fù),但無(wú)法恢復(fù)到?jīng)_擊前的水平。

從3個(gè)樣本的退化軌跡可以看出,測(cè)試樣本c -2和c -3在運(yùn)行不久后性能發(fā)生了明顯的退化,原因是樣本在運(yùn)行初期便遭受到了劇烈的沖擊,而樣本c -1的退化軌跡則相對(duì)較為緩慢,在850 h后才發(fā)生迅速的退化,這使得測(cè)試樣本c -1的壽命和失效閾值要明顯高于測(cè)試樣本c -2和c -3。3個(gè)測(cè)試樣本的估計(jì)壽命如表1所示。

表1 測(cè)試樣本估計(jì)壽命對(duì)比

根據(jù)表1的估計(jì)壽命對(duì)比,本文模型的預(yù)測(cè)精度總體上比基于深度學(xué)習(xí)的直接降維方法的預(yù)測(cè)精度要高,且本文所提出的退化趨勢(shì)分析方法對(duì)于略微平穩(wěn)的系統(tǒng),所得結(jié)果較為準(zhǔn)確,對(duì)于遭受劇烈不規(guī)律沖擊的裝備系統(tǒng),預(yù)測(cè)誤差會(huì)稍大。

使用深度學(xué)習(xí)方法在估計(jì)樣本c -3時(shí)誤差比其他樣本要明顯,比較數(shù)據(jù)處理的過(guò)程,發(fā)現(xiàn)CNN直接將數(shù)據(jù)降維成一維的指標(biāo)集，對(duì)周期性特征不敏感,無(wú)法充分體現(xiàn)數(shù)據(jù)特征時(shí)序性變化。

4 結(jié) 論

本文考慮了性能退化研究中大樣本數(shù)據(jù)形式不規(guī)范、存在隨機(jī)性誤差等問(wèn)題,建立了一類(lèi)基于相似樣本特征提取的最小特征圓的指標(biāo)構(gòu)造方法。方法主要立足于相似樣本的相似特征提取,良好的相似特征提取方法可以有效提高預(yù)測(cè)精度,SOM算法在凝練核心特征方面具有非常大的優(yōu)勢(shì),通過(guò)多樣本學(xué)習(xí),能夠提取充分反映相似樣本整體規(guī)律的特征。

經(jīng)與流行的利用深度學(xué)習(xí)直接降維的方法進(jìn)行對(duì)比,本文提出的指標(biāo)構(gòu)建體系,能夠充分提取退化特征的時(shí)序性,過(guò)濾掉冗雜無(wú)關(guān)的信號(hào)。對(duì)比結(jié)果表明,本文所建立的模型可以很好地反映裝備性能變遷過(guò)程,能夠突出體現(xiàn)裝備性能退化過(guò)程中受到外力作用時(shí)的變化特點(diǎn),有助于實(shí)時(shí)監(jiān)控裝備的性能特性,對(duì)可能發(fā)生的潛在威脅實(shí)時(shí)預(yù)警。