健康管理和隐马尔科夫模型HMM详解.docVIP

健康管理和隐马尔科夫模型HMM 健康管理技术及模型工具HMM 健康管理技术 视情维修的思想 视情维修这一概念来源于美国是最近几年开始广泛研究的一种维修方法。视情维修于故障机理的分析，不测试，当目标系统出现潜在故障时就进行调整维修，从而避免功能故障的发生。 关于视情维修的定义，是，只有当有显示故障迫近，才进行维修视情维修是用状态评估来检查系统潜在故障，此来采取必要措施预防系统功能性故障，或者是避免功能性故障的后果。 视情维修策略的理论依据就是P-F曲线，如图2-1所示，P-F曲线描述了设备状态劣化的过程。 图2-1 设备健康退化曲线图Figure 2-1 Graph of equipment health degeneration 在设备工作的初始一段时间内，由于系统不存在故障，其健康指数为1，设备处于完好状态。随着设备时间的增，设备运行到A点设备故障发生点，设备某些部件出现故障，健康开始发生，健康指数下降。但是P点设备故障检测点这一临界点，设备故障程度不足以导致工作状态异常行为，因此为正常工作状态。之后，设备的健康指数由于其故障程度逐渐增强而继续下降，同时设备异常工作行为直到最终运行至F点设备功能失效点，所以为了预防功能故障，维修的时机应该在F以前，而为了能够尽可能地利用设备的有效寿命，维修时机应该在P之后。就是说应该在P点和F点之间寻找一个合适的点进行维修，这就是视情维修的基本思想。 设备元器件的磨损、疲劳、老化、腐蚀、失调等故障模式大都存在由潜在故障发展到功能故障的过程。设备的大部分故障是其状态劣化的结果，而状态的劣化一个由量变到质变的过程。在这个过程中，总有些征兆可查，即表现为潜在故障。如果在设备状态的劣化未发生质变之前采取相应的预防措施，就能避免故障后果的出现。 健康管理的基本概念 健康是指与期望的正常性能状态相比较的性能指标的下降或偏差程度。健康管理是指根据对目标系统的监测或诊断信息、可用维修资源和使用要求，对维修活动做出适当决策的能力[15,28]。 健康管理技术是故障预测健康管理（Prognostic and Health Management ，PHM）策略的基础，是对复杂系统传统使用的机内测试(built- in test BIT)和状态监控能力的进一步扩展。借助健康管理技术，可以识别和管理故障的发生、规划维修和供应保障，从而以较少的维修投入，实现视情维修和自助式保障。健康管理从发生故障到恢复正常的一系列活动。围绕设备的生命周期，健康管理大致分为个阶段，如图2-2所示 2 健康管理活动模型Figure 2-2 Model of health management 第一阶段是状态监测阶段传感器、数据处理以及其它状态监测模块，的失效判据进行比较来监测当前的状态，可以根据预定的参数指标极限值或阈值来提供故障报警功能。 第二阶段是健康状况判定阶段接收不同状态监测模块以及其它健康评估模块的数据，主要是评估被监测的健康状态，对于健康状态不好的系统采取适当措施，防止产生功能性故障。 第三阶段是故障诊断阶段故障诊断是基于各种健康状态历史数据、工作状态以及维修历史数据等，在离线状态下分析健康状态不好系统的具体故障原因。 第四阶段是维修阶段通过修复或更换故障部件，使恢复到正常工作状态。 健康管理的个阶段并没有明显的界限，存在着数据信息的交叉定义。HMM基本理论、算法 1.2.1HMM的基本概念 HMM是由马尔科夫（Markov）链发展而来的[34]。Markov链是一个离散随机过程，其特性是在已知目前状态 (现在)的条件下，它未来的演变 (将来)不依赖于它以往的演变 ( 过去 )。在每个时刻，系统都只处于一个状态，每个状态对应一个观测值。 HMM一阶Markov过程，不同是HMM由两个随机过程组成，一个是具有有限状态Markov链的状态序列，描述状态的转移；另一个是受状态决定的观测值序列。HMM模型中，不仅状态转移是随机过程，而且每个状态对应的观测值也是一个随机过程。其中观测值序列可以直接看到，而状态转移序列只能通过观测值序列去判定，即其状态是不确定或不可见的，因此称为隐马尔科夫模型。 HMM的基本参数 HMM包括具有状态转移概率矩阵的Markov链和输出观测值的随机过程。HMM的参数描述： （1）N：中Markov链的状态。N个状态为，t时刻Markov链所处的状态为，； （2） M：与每个Markov链状态对应的观测值。M个观测值，在t时刻观测值为，其中； （3）：初始概率分布矢量，其中 （2-1） 表示初始时刻1的状态； （4）A：状态转移概率矩阵。，其中 （2-2） （5）B：观测值概率矩阵，，其中 （2-3） 这样，记HMM为，简写为。 更形