基于灰色EM-SHSMM的缺失数据下设备健康预测研究*

目前,设备健康预测问题的研究大都在全样本数据下进行,而在缺失样本数据下的研究却很少。因此,针对缺失样本数据下设备健康预测问题,提出了集成分段隐半马尔可夫模型(SHSMM)与GM(1,1, λ)的联合优化模型。首先,基于SHSMM的模型架构,利用EM算法推导出SHSMM中的参数估计公式。其次,基于GM(1,1, λ),提出灰色启发式算法填补样本中的缺失数据,利用预测过程进行设备健康预测。最后,通过案例分析对模型进行评价和验证。结果表明,提出的设备健康预测方法能有效解决缺失数据的问题。     

Bayesian更新与EM算法协作下退化数据驱动的剩余寿命估计方法

设备的剩余寿命(RUL)估计是对设备进行视情维护、预测与健康管理的关键问题之一.为实现对于单个服役设备退化过程的建模以及RUL的估计,文中提出一种Bayesian更新与期望最大化算法协作下退化数据驱动的RUL估计方法.首先利用指数退化模型来描述设备的退化过程,基于监测的退化数据,利用Bayesian方法对模型的随机参数进行更新,进而得到RUL的概率分布函数和点估计.其次,利用运行设备到当前时刻的监测数据,基于EM算法给出退化模型中非随机未知参数的估计方法,并证明参数迭代估计中每步得到的结果是唯一最优解.最后通过数值仿真和实际数据应用研究,表明文中方法可对单个设备退化过程进行建模,有效估计退化模型中的未知参数,进而得到更好的RUL估计结果.     

基于Erlang-HSMM的设备剩余寿命预测研究

对于关键复杂设备进行健康诊断和设备剩余寿命预测,提出了一种基于爱尔朗分布和隐半马尔可夫模型的联合剩余寿命预测模型(Erlang-HSMM,E-HSMM)。首先,提出了改进的前后向算法、维特比算法和BaumWelch算法,有效地降低了模型的计算复杂度;其次,基于爱尔朗分布改进设备的健康状态逗留时间,将状态逗留时间分为已遍历和未遍历两个部分,提出新的健康状态逗留时间的概率分布;最后,针对状态监测数据,利用失效率理论构建设备剩余寿命预测模型。通过美国Caterpillar公司液压泵的状态监测实际数据进行评价与验证,实验结果表明,E-HSMM模型对设备的状态诊断和剩余寿命预测更加符合实际状况,比传统的隐半马尔可夫模型(HSMM)更有效。     

退化数据驱动的设备剩余寿命在线预测

为在线预测单台服役设备的可用剩余寿命,提出一种融合先验退化数据和设备自身现场退化数据的剩余寿命预测方法。建立符合非线性Wiener过程描述的设备退化模型,利用先验数据采用极大似然法估计模型中的未知参数,使用贝叶斯方法融合新增的现场退化数据实时更新模型参数,进一步实现对设备实时剩余寿命评估。数值仿真和实例计算的结果表明,与固定参数法相比,该方法能够根据现场退化数据不断更新设备剩余寿命分布,进而更好地体现设备的个体差异,显著降低剩余寿命分布的不确定性。     

带测量误差的非线性退化过程建模与剩余寿命估计

剩余寿命(Remaining useful lifetime, RUL)估计是设备视情维护和预测与健康管理(Prognostics and health management, PHM)中的一项关键问题. 采用退化过程建模进行剩余寿命估计的研究中,现有方法仅考虑了具有线性或可以线性化的退化轨迹的问题.本 文提出了一种基于扩散过程的非线性退化过程建模方法,在首达时间的意义下,推导出了剩余寿命的分布.该方法可以描述一般的非线性退化轨迹, 现有的线性退化建模方法是其特例.在参数的推断中,考虑到真实的退化过程受到测量误差的影响,难以直接测量得到, 因此,在退化建模的过程中引入了测量误差对退化观测数据的影响,通过观测数据,提出了一种退化模型未知参数的极大似然估计方法. 最后,通过激光发生器和陀螺仪的退化测量数据验证了本文方法明显优于线性建模方法,具有潜在的工程应用价值.     

基于非线性数据融合的设备多阶段寿命预测

为解决设备监测数据具有维数高、非线性且退化过程中存在多阶段的问题,提出了一种基于非线性数据融合和多阶段退化的设备寿命预测模型.首先,利用神经网络理论中的自编码器对表征设备退化的多维参数进行了融合,构建出设备的退化指示量;然后,利用CUSUM算法提取出设备退化过程中的分段点;最后,构建了多阶段维纳退化模型,从而实现对设备寿命的预测.利用航空发动机状态监测数据对所提模型进行了验证,剩余寿命预测的平均误差为0.254 5,低于传统的基于线性数据融合方法和基于单阶段维纳过程退化模型的寿命预测方法.结果证明,基于非线性数据融合的多阶段退化模型具有很好的鲁棒性,对设备的寿命预测更加精准.     

基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速退化为核心的改进退化隐马尔可夫模型(DGHMM).首先,引入退化因子描述设备衰退过程,提出的似幂关系加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降.其次,以全局搜索能力相对较强的改进遗传算法代替常规EM算法进行参数估计,克服了EM算法易陷入局部最优的局限性.同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以近似算法与Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态路径,对设备剩余寿命进行预测.最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价.结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确率方面更加有效,在剩余寿命预测上亦为可行.     

一种改进的锂离子电池剩余寿命预测算法

锂离子电池故障往往会使系统性能下降甚至瘫痪,故障部件剩余寿命的精确估计对整个系统的寿命预测和健康管理至关重要。粒子滤波是一种有效的序列信号处理方法,然而应用于锂离子电池剩余寿命预测准确性并不高。根据锂离子电池电学特性,提出一种改进的粒子滤波算法,基于锂离子电池容量退化指数模型,结合训练数据对锂离子电池剩余寿命进行预测。仿真及实验结果表明,改进的粒子滤波算法对锂离子电池剩余寿命预测误差小于5%。     

基于IPSO-BSVM的小样本数据不均衡下的设备健康预测研究

针对设备的健康预测缺乏大量样本且存在样本不均衡问题,提出基于改进粒子群优化算法优化均衡支持向量机(IPSO-BSVM)的健康预测模型。首先,提出动态非线性惯性权重对PSO进行优化;其次,提出了一种非线性多分类均衡支持向量机BSVM,以减小由于样本量不均衡引起的误差;然后利用改进后的PSO对BSVM参数进行优化;最后利用建立的IPSO-BSVM模型对设备进行状态识别及剩余寿命预测。仿真结果表明,提出方法能够有效解决小样本数据不均衡下的设备健康预测问题。     

嵌套删失数据期望最大化的高斯混合聚类算法

针对聚类问题中的非随机性缺失数据, 本文基于高斯混合聚类模型, 分析了删失型数据期望最大化算法的有效性, 并揭示了删失数据似然函数对模型算法的作用机制. 从赤池弘次信息准则、信息散度等指标, 比较了所提出方法与标准的期望最大化算法的优劣性. 通过删失数据划分及指示变量, 推导了聚类模型参数后验概率及似然函数, 调整了参数截尾正态函数的一阶和二阶估计量. 并根据估计算法的有效性理论, 通过关于得分向量期望的方程得出算法估计的最优参数. 对于同一删失数据集, 所提出的聚类算法对数据聚类中心估计更精准. 实验结果证实了所提出算法在高斯混合聚类的性能上优于标准的随机性缺失数据期望最大化算法.     

基于混合高斯模型的窄带目标跟踪方法

基于混合高斯模型的轨迹分布融合方法适用于窄带目标跟踪系统.这种算法针对宽带跟踪结果的不精确,目标模糊,窄带跟踪需要依赖人工实现的问题,提出了一种基于混合高斯模型的自动窄带目标跟踪技术.该方法首先将目标方位分布看做是混合高斯模型,利用期望最大化算法估计混合高斯模型中的参数,然后利用混合高斯模型对目标方位进行聚类,最后利用平均加权法对目标方位进行融合,得到清晰稳定的目标跟踪结果.     

一种带有色量测噪声的非线性系统辨识方法

利用最大似然判据, 本文提出了一种带有色量测噪声的非线性系统辨识方法. 首先, 利用量测差分方法将有色量测噪声白色化, 获得新的量测方程, 从而将带有色量测噪声的非线性系统辨识问题转化成带白色量测噪声和一步延迟状态的非线性系统辨识问题. 其次, 利用期望最大化(Expectation maximization, EM)算法提出了一种新的基于最大似然估计的非线性系统辨识方法, 该算法由期望步骤(Expectation step, E-step)和最大化步骤(Maximization step, M-step)两部分组成. 在期望步骤中, 基于当前估计的参数并利用带有色量测噪声的高斯近似滤波器和平滑器, 近似计算完整的对数似然函数的期望. 在最大化步骤中, 近似计算的似然函数期望值被最大化, 并且通过解析更新获得噪声参数估计, 通过Newton更新方法获得模型参数的估计. 最后, 数值仿真验证了本文提出算法的有效性.     

基于极大似然准则和最大期望算法的自适应UKF 算法

针对噪声先验统计特性未知情况下的非线性系统状态估计问题,提出了基于极大似然准则和 最大期望算法的自适应无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法.利用极大似然准则构造含有噪声统计特性的对数似然函数,通 过最大期望算法将噪声估计问题转化为对数似然函数数学期望极大化问题,最终得到带次优递 推噪声统计估计器的自适应UKF算法.仿真分析表明,与传统UKF算法相比,提出的自适应UKF算法 有效克服了传统UKF算法在系统噪声统计特性未知情况下滤波精度下降的问题,并实现了系统噪 声统计特性的在线估计.     

基于机器学习的数据流突变型服务功能链构建策略

在SDN/NFV协同的未来网络架构下,针对增强移动宽带场景中因数据流突变造成的服务功能链低可用问题进行了研究,并提出了一种基于启发式闭环反馈算法的服务功能链动态构建策略。该算法分服务功能链的部署模块和反馈调整模块两部分。首先,基于资源优化模型实现服务功能链的初始化部署,其中对资源优化模型的求解选择利用遗传算法;然后,通过引入机器学习算法随机森林回归对当前服务功能链可承载的数据流量大小进行实时预测,以实现相应的反馈调整。整个服务功能链的构建策略是一种基于遗传和随机森林回归预测的启发式闭环反馈算法设计。仿真结果表明,在应对突变数据流时与现有的遗传和禁忌搜索算法相比,所提算法的用户接受率提高了12%,对底层资源的占用降低了19%。     

Multi-model multivariate Gaussian process modelling with correlated noises

A composite multiple-model approach based on multivariate Gaussian process regression (MGPR) with correlated noises is proposed in this paper. In complex industrial processes, observation noises of multiple response variables can be correlated with each other and process is nonlinear. In order to model the multivariate nonlinear processes with correlated noises, a dependent multivariate Gaussian process regression (DMGPR) model is developed in this paper. The covariance functions of this DMGPR model are formulated by considering the “between-data” correlation, the “between-output” correlation, and the correlation between noise variables. Further, owing to the complexity of nonlinear systems as well as possible multiple-mode operation of the industrial processes, to improve the performance of the proposed DMGPR model, this paper proposes a composite multiple-model DMGPR approach based on the Gaussian Mixture Model algorithm (GMM-DMGPR). The proposed modelling approach utilizes the weights of all the samples belonging to each sub-DMGPR model which are evaluated by utilizing the GMM algorithm when estimating model parameters through expectation and maximization (EM) algorithm. The effectiveness of the proposed GMM-DMGPR approach is demonstrated by two numerical examples and a three-level drawing process of Carbon fiber production.     

基于动态概率主元分析的统计过程监测

概率主元分析(PPCA)已广泛应用于工业过程监测.然而,PPCA法仅构造了生产过程的静态线性关系,处理具有较强动态特性的实际工业生产过程效果较差.为此提出动态概率主元分析(DPPCA)法,对经过时谱扩展后的变量数据阵,通过期望最大化(EM)算法建立生成模型,从而将静态PPCA推广到动态多变量过程.最后将此法应用于TE过程的仿真研究,结果表明该法有效.     

基于动态网络影响扩散问题研究

影响扩散是复杂网络上动态过程研究的关键问题之一,而且基于动态网络的影响扩散问题的相关成果很少。讨论了动态独立级联模型和动态线性阈值模型以及基于这两个模型的动态影响最大化问题,提出了一种改进的贪婪算法,该算法消除了随机模型的不确定性并采用连通图方法来提高算法性能,并在不同规模的4个数据集上进行了验证。实验结果表明,与HT算法相比,提出的算法在影响扩散范围方面具有明显的优势,且在时间效率方面要好于HT算法。     

K nearest neighbor reinforced expectation maximization method

K nearest neighbor and Bayesian methods are effective methods of machine learning. Expectation maximization is an effective Bayesian classifier. In this work a data elimination approach is proposed to improve data clustering. The proposed method is based on hybridization of k nearest neighbor and expectation maximization algorithms. The k nearest neighbor algorithm is considered as the preprocessor for expectation maximization algorithm to reduce the amount of training data making it difficult to learn. The suggested method is tested on well-known machine learning data sets iris, wine, breast cancer, glass and yeast. Simulations are done in MATLAB environment and performance results are concluded.     

图像分割中改进空间约束贝叶斯网络模型的应用

针对马尔可夫链蒙特卡罗方法普遍存在的迭代收敛性问题,在具有空间平滑约束的高斯混合模型条件上提出改进空间约束贝叶斯网络模型并在图像分割领域进行具体应用。所提模型应用隐狄利克雷分布（LDA）概率密度模型和高斯-马尔可夫定理的随机域参数混合过程来实现参数平滑。所提方法根据空间信息先验平滑变换操作,在待处理像素点的上下文混合结构中引入LDA符合多项式分布,用来替换传统期望最大化算法中映射操作。LDA参数采用闭合形式将有利于准确估计最大后验概率（MAP）框架与上下文混合结构的相关比例。实验结果表明,应用PRI、VoI、GCE和BDE指标进行效果比较,该方法比联合系统工程组（JSEG）、当前变换矩阵（CTM）和最大后验概率-最大似然法（MM）方法的图像分割应用效果较好,高斯噪声对于该算法的鲁棒性影响较小。