检索结果-南通市图书馆

四川兵工学报 2010年第8期31卷 23-24页

作者：郭文晖徐英赵盼装备指挥技术学院北京101416 陆军航空兵学院北京101123

阐述了装备健康状态管理的核心理念,提出了维修智能化和管理信息化的装备健康状态管理目标,分析了装备健康状态管理的状态监测、评估、预测以及维修决策等主要流程,分别就基于模型和基于知识的装备健康状态管理的技术方法进行了探讨。

关键词：装备健康状态管理健康状态监测健康状态评估健康状态预测维修决策

在线全文

学校读者我要写书评

暂无评论

深度学习在电力系统预测中的应用

工程科学学报 2023年第4期45卷 663-672页

作者：苗磊李擎蒋原崔家瑞王义轩北京科技大学自动化学院北京100083 工业过程知识自动化教育部重点实验室北京100083

电力系统预测主要包括负荷预测、出力预测以及健康状态预测等.通过负荷预测,可以优化电力生产规划,从而更好地实现电能的精细化分配;通过出力预测,可以有效提升新能源电力消纳能力,实现电能的充分及合理利用;通过电力设备健康状态预测,... 详细信息

电力系统预测主要包括负荷预测、出力预测以及健康状态预测等.通过负荷预测,可以优化电力生产规划,从而更好地实现电能的精细化分配;通过出力预测,可以有效提升新能源电力消纳能力,实现电能的充分及合理利用;通过电力设备健康状态预测,可以及时发现设备运行隐患,从而进一步保障电力系统平稳安全运行.深度学习凭借其卓越的特征分析和预测能力,被广泛应用于电力系统运行及维护.本文首先归纳介绍了电力系统预测深度学习模型的特点、适用场景;其次,梳理了深度学习在面向民用及工业场景负荷预测、光伏及风电出力预测、机械及非机械设备健康状态预测中的应用前沿;最后,对深度学习在电力系统预测中所面临的关键问题、发展趋势进行了总结和展望.

关键词：电力系统深度学习负荷预测出力预测健康状态预测

竞争风险下连续退化特征设备的视情维护策略研究

在线全文

学校读者我要写书评

暂无评论

竞争风险下连续退化特征设备的视情维护策略研究

作者：宋磊上海大学

学位级别：硕士

随着设备自动化、智能化和集成化程度的增加,现代工业设备普遍呈现连续退化特征,且通常面临多种关联故障模式下的竞争风险,对设备的健康预测及维护决策带来极大挑战。为保证连续退化特征设备的健康运行,提高运行可靠度、可用度及成本效... 详细信息

随着设备自动化、智能化和集成化程度的增加,现代工业设备普遍呈现连续退化特征,且通常面临多种关联故障模式下的竞争风险,对设备的健康预测及维护决策带来极大挑战。为保证连续退化特征设备的健康运行,提高运行可靠度、可用度及成本效益,研究其竞争风险演化过程与视情维护策略具有重要意义。本文针对竞争风险下的连续退化特征设备,深入研究基于监测数据的可靠度评估、剩余寿命预测以及维护决策,从而制定有效的视情维护策略。主要研究内容及创新成果如下:(1)根据连续退化特征设备的退化特性,基于比例风险模型建立软、硬两种关联故障模式下的竞争风险模型。将设备的连续退化过程引入比例风险模型作为协变量来描述软故障与硬故障之间的关联性。详细介绍比例风险模型的基本结构形式、协变量过程及参数估计方法,并全面总结其在可靠性建模中的优势。通过一个竞争风险模型的算例分析,说明了所提模型的有效性。(2)为减小剩余寿命预测过程中存在的潜在误差,开发一个遵循一般分布的寿命动态修正因子模型。并基于贝叶斯估计提出一种在线实时更新模型参数的方法。随后,结合竞争风险模型提出一种修正剩余寿命预测方法,并推导出修正剩余寿命的概率密度函数和累积分布函数的显式表达式。同时给出条件可靠度的评估方法,对连续退化特征设备进行健康状态预测。通过一个实际案例,验证了所提参数更新方法的有效性及修正剩余寿命预测方法的准确性。(3)面向竞争风险下的连续退化特征设备,开发一种具有动态控制限和多重维护措施的视情维护策略。在该策略中,提出一个服从一般分布的随机维护效果模型来扩展确定性维护改进的假设。以单位时间内设备的长期运行预期平均成本最小为目标,在半马尔可夫决策过程框架中构建维护决策优化问题,并利用策略迭代算法求解最优动态控制限和最优役龄控制限。在状态监测时刻,可根据设备役龄、监测信息及优化获得的多级控制限选择适合当前健康状态的最佳维护措施。通过比较,验证了所提随机维护效果模型及动态维护策略的有效性。(4)针对竞争风险下连续退化特征设备的多目标联合优化问题,结合所提修正剩余寿命预测方法,开发了一种基于修正剩余寿命的顺序监测视情维护策略。该策略包括长、短两种监测间隔和多级控制限,当设备的修正剩余寿命预测值越过警告控制限时,将增加监测频率,即由长间隔监测转换为短间隔。在半马尔可夫决策过程框架中开发适用于修正剩余寿命的多目标全局优化算法,以获取所提策略的最优决策变量。案例分析的结果表明所提策略较其它策略具有明显的优越性。本文深入研究了竞争风险下连续退化特征设备的健康状态预测及视情维护策略,并建立了软、硬两种故障模式相互关联的竞争风险模型。开发了一种修正剩余寿命预测方法,以提高设备健康状态预测的准确度。分别提出动态不完全视情维护策略和顺序监测视情维护策略,为提高竞争风险下设备的经济性和可用性提供了理论依据。

关键词：关联故障模式比例风险模型寿命动态修正因子健康状态预测半马尔可夫决策过程

某型雷达发射机故障预测与健康管理关键技术研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

某型雷达发射机故障预测与健康管理关键技术研究

作者：俞朝春江苏科技大学

学位级别：硕士

雷达发射机是雷达装备的核心组件,也是整个雷达装备中最昂贵的部分之一。发射机为雷达装备提供满足要求的射频发射信号,其性能的好坏对雷达整机的性能有直接影响。但是在雷达发射机运行过程中发现其可靠性低,出现故障的频率高,维修保障... 详细信息

雷达发射机是雷达装备的核心组件,也是整个雷达装备中最昂贵的部分之一。发射机为雷达装备提供满足要求的射频发射信号,其性能的好坏对雷达整机的性能有直接影响。但是在雷达发射机运行过程中发现其可靠性低,出现故障的频率高,维修保障难度大。目前主要依靠专业维修人员的维修经验采用事后维修等传统的维修方式进行雷达发射机的维修保障。传统的维修保障方式效率较低,甚至有时会由于维修人员经验不足导致其他故障的发生。对此本文对雷达发射机故障预测与健康管理(Prognostics and Health Management,PHM)的关键技术进行研究,并建立了雷达发射机故障预测与健康管理系统,该系统可以提高雷达发射机健康状态评估、预测的准确性和维修保障效率,从而充分发挥雷达装备的性能。本文主要研究内容包括:(1)对雷达发射机PHM结构体系和健康状态监测技术进行研究。通过对PHM技术概念和PHM开放结构体系的研究,设计了一种基于状态维修开放系统架构的雷达发射机PHM结构体系。根据雷达发射机的结构和原理,对雷达发射机健康状态监测技术进行研究,实现了雷达发射机主要评估指标健康状态的监测。(2)针对在雷达发射机多评估指标情况下,无法仅仅通过一种健康状态评估指标进行雷达发射机健康状态评估的问题,对基于改进模糊综合评判法的雷达发射机健康状态评估方法进行研究。首先选取了雷达发射机健康状态评估指标集和评价集并引入相对劣化度概念,然后用改进模糊综合评判法整合确定的隶属度和综合权重得到一级健康状态评估指标的健康等级隶属度矩阵,并最终确定雷达发射机整体健康状态评估结果。算例结果表明,该健康状态评估方法能更准确地反映雷达发射机的健康状态。(3)以雷达发射机关键元器件——绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)老化数据为切入点,研究基于贝叶斯优化(Bayesian Optimization,BO)-双向长短期记忆网络(Bi-directional Long short-term memory,BiLSTM)的雷达发射机健康状态预测方法。首先对IGBT的工作原理和失效原因进行研究,选取IGBT加速老化实验中集电极-发射极导通压降作为老化特征参数。然后从BiLSTM网络结构入手,建立基于BiLSTM的雷达发射机健康状态预测模型,并使用贝叶斯优化算法对BiLSTM预测模型超参数进行寻优。结果表明此模型的预测性能优于其他网络,并可进一步推广到雷达发射机其他电子元器件的健康状态预测中。(4)根据PHM系统软件需要实现的功能,利用LabVIEW和SQL Server软件实现雷达发射机故障预测与健康管理系统。

关键词：雷达发射机绝缘栅双极型晶体管健康状态评估健康状态预测 LabVIEW

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于元学习的故障诊断方法研究

基于元学习的故障诊断方法研究

作者：张子逸上海财经大学

学位级别：硕士

工业生产中机器零件的突发性损坏会造成巨大经济损失,为了避免机器损坏伴随的损失,故障诊断在制造业中被广泛应用且具有重要应用价值。随着大数据时代的到来和深度学习的发展,基于深度学习的智能诊断能够通过传感器采集到的信号自动做... 详细信息

工业生产中机器零件的突发性损坏会造成巨大经济损失,为了避免机器损坏伴随的损失,故障诊断在制造业中被广泛应用且具有重要应用价值。随着大数据时代的到来和深度学习的发展,基于深度学习的智能诊断能够通过传感器采集到的信号自动做出健康状态诊断,不仅节约经济成本、免除专家经验和人工劳动的参与,而且准确率显著优于人工诊断和传统机器学习方法。基于深度学习的故障诊断成为了目前故障诊断领域最主流的方法。故障诊断在实际应用中的最大困境在于零件振动信号极易受到工况、环境噪音、机器功率等与健康状态无关的因素影响,故障诊断模型的泛化能力受到严峻挑战。此外,零件振动信号的采集和标签标注需要耗费大量人力和经济成本,充足训练样本的假设在实际应用中并不总是成立,更令模型在测试环境的表现雪上加霜。针对故障诊断问题中模型泛化能力弱和样本稀缺性的问题,许多基于半监督学习、迁移学习和小样本学习的深度学习方法被应用到故障诊断问题中,其中包括元学习方法。元学习不同于一般机器学习框架不再由人为设计算法,而是让模型自主学习构建最适合目标任务的算法。元学习不仅样本需求量小,而且以元学习方法构建的模型具有极强的泛化能力,能够出色解决故障诊断中的小样本学习问题和跨领域学习问题。基于元学习在跨领域学习和小样本学习问题中的出色表现,本文将元学习方法应用到了故障分类问题中,选择的基本模型架构是原型网络(Prototypical Network)。本工作从四个应用场景出发全面地验证了模型在故障分类问题中的泛化表现,各应用场景分别是跨功率学习问题、小样本学习问题、包含噪音的测试环境以及训练数据存在缺失故障类别的问题。实证部分证明经典原型网络在跨功率学习问题、小样本学习问题、训练数据存在缺失类别问题的应用场景中表现显著优于卷积神经网络,但是在噪音测试环境的表现却反而不如卷积神经网络。鉴于此本文在经典原型网络的基础上对模型结构做出调整,提出了改进原型网络。改进原型网络不仅解决了经典原型网络抗噪音能力弱的缺陷,而且在小样本学习和跨领域学习任务中的表现也显著优于经典原型网络。最后,本文还将故障分类的结果应用到了健康状态预测问题上,结果证明改进原型网络可以将分类训练的结果直接应用于健康状态的回归预测,无需额外的训练数据和标签就能取得较为准确的结果。本文做出的创新性贡献具体而言有以下几点:(1)本工作提出的改进原型网络不仅保留并提升了原型网络在跨领域学习和小样本学习问题的能力,而且弥补了经典原型网络容易受时域信号噪音影响的问题。利用故障信号具有频域信息比时域信息包含更多故障信息的特性,本工作在经典原型网络的输出层后增加了全局平均池,目的是为了突出信号特征的频率信息,并减少局部噪音的影响。通过消融实验证明,在输出层添加全局平均池大幅提升了原型网络的泛化性。此外为了使网络结构和神经元参数更具有效率,改进原型网络的基学习器采用了先逐步增加卷积核数量再逐步递减的结构,从而在不增加模型复杂度和训练负担的同时提升模型特征提取能力。(2)本文将改进原型网络的应用场景从故障分类问题进一步延伸到了健康状态预测问题中,具体方法是通过降低改进原型网络的输出空间的维度,使得改进原型网络的基学习器的输出结果为一维标量,最后将模型在故障分类任务中训练。模型输出结果可以直接作为测试样本的健康指标预测。由于改进原型网络只需在故障分类任务中训练,因此对训练数据的要求较为宽松,能够在缺少全生命周期数据、甚至缺少健康状态标签的场景下完成健康指标的预测。在最后的实证部分本文比较了CNN故障分类模型WDCNN模型、经典原型网络和改进原型网络在凯斯西储故障分类数据集的四个应用场景的表现,实验证明经典原型网络在跨功率学习问题、小样本学习问题、训练数据存在缺失类别问题的表现均显著优于WDCNN模型,但是在噪音测试环境的表现不如WDCNN。而本文提出的改进原型网络在所有应用场景的表现都大幅优于经典原型网络和WDCNN模型,结果证明改进原型网络在故障分类任务上具有极强的泛化性。实证部分还通过IMS数据集验证了改进原型网络在健康状态预测问题上的表现,证明了改进原型网络只需经过极少量类别数据的训练就能在健康预测任务中取得较为准确的结果。

关键词：故障分类健康状态预测元学习原型网络

车载锂离子动力电池机理-数据协同驱动老化模型研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

车载锂离子动力电池机理-数据协同驱动老化模型研究

作者：谢海成吉林大学

学位级别：硕士

电动化是车辆工业的未来。以锂离子电池为主要动力的新能源汽车在汽车市场中取得了日益广泛的应用。然而,锂离子电池作为一个动态、时变的电化学系统,拥有高度非线性的行为和复杂的内部反应机理。电动车在真实交通环境下执行驾驶任务时... 详细信息

电动化是车辆工业的未来。以锂离子电池为主要动力的新能源汽车在汽车市场中取得了日益广泛的应用。然而,锂离子电池作为一个动态、时变的电化学系统,拥有高度非线性的行为和复杂的内部反应机理。电动车在真实交通环境下执行驾驶任务时,其所经历的工况存在显著的动态不确定性,增加了电池健康状态准确识别的难度,导致驾驶员对电动车始终存在使用焦虑与保值焦虑。这不仅降低驾驶员的驾驶体验,也制约了电动车市场的进一步繁荣。所以,开发复杂工况下可以准确预估电池寿命的算法,是电动车行业目前发展的迫切需求。动力电池的寿命是由其动态衰减路径所决定,而这种动态衰减路径受到车辆外部运行工况动态不确定性与电池内部化学反应体系时变性的共同作用。在复杂工况下实现对衰减路径的准确预测,需要同时兼顾两方面的影响。所以在这种情况下采用电池老化机理与数驱驱动的融合模型可以更好的实现动力电池衰减路径的预测与电池老化模式的判断。本文主要的研究工作包括以下几项:1、锂离子动力电池原理及其老化分析。基于锂离子动力电池的基本结构与工作原理,分析其常见的老化副反应。同时,搭建电池实验台架,进行锂离子电池循环老化实验,分析电池老化与外部工况间的关联。2、锂离子动力电池老化机理模型开发。首先,基于电极反应动力学理论,建立锂离子电池伪二维模型(P2D)电化学模型,接着,根据实验样品的外形耦合电池自放热与热耗散模型,模拟电池的充放电行为。之后,整合电池内部关键老化副反应,模拟电池在不同激励工况下的老化响应,判断低温下的老化模式。最后,寻找内部老化副反应与外部信号流变之间的潜在关联,为后续的模型融合做准备工作。3、锂离子动力电池老化预测数据驱动模型开发。基于实验获取的外部信号,人工提取、构造与电池老化相关的训练特征。同时,构建对时变信号具备优异学习能力的长短时记忆(LSTM)神经网络,整合注意力机制(AM),实现自适应调整训练特征权重以更好地捕获时序信号中关键信息。最后通过台架实验获取的数据训练模型,实现在寒冷工况下高度非线性电池寿命衰减轨迹的准确预测。4、机理-数据协同驱动电池老化模型开发。首先,基于锂离子电池老化机理模型与数据驱动模型,建立机理-数驱协同驱动老化模型框架,分析并选择影响电池健康状态的关键参数,作为机理与数驱模块间的流通参数。接着,利用台架实验获取的电池数据验证协同驱动模型中的机理模块,并设立仿真工况获取电池工作时的内、外部数据集,用于训练数据驱动模块,获取电池内部金属锂沉积反应与外部工况的映射关系,实现电池内部老化模式的预测。最后,根据动态工况下金属锂沉积反应阈值,整合生成面向电池快充的动态健康边界,减缓动力电池老化速率。本文的研究致力于使新能源车辆在复杂工况下运行时,仍能够准确预测动力电池寿命衰减,并识别动力电池内部关键老化反应,对动力电池进行高效健康充电管理。

关键词：纯电动汽车锂离子动力电池电池老化机理深度学习健康状态预测

基于区块链技术的退役动力电池回收网络构建与优化

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于区块链技术的退役动力电池回收网络构建与优化

作者：胡夏萍武汉科技大学

学位级别：硕士

随着电动汽车在整个汽车市场占据的份额越来越多,作为电动汽车的核心部件,动力电池的使用量也在急剧增加。动力电池的性能会随着充电次数增加而衰减到不再适用于电动汽车,动力电池已迎来退役高峰期。电池的回收处理不当会造成严重的资... 详细信息

随着电动汽车在整个汽车市场占据的份额越来越多,作为电动汽车的核心部件,动力电池的使用量也在急剧增加。动力电池的性能会随着充电次数增加而衰减到不再适用于电动汽车,动力电池已迎来退役高峰期。电池的回收处理不当会造成严重的资源浪费和环境污染。目前我国在动力电池回收领域仍处于起步阶段,电池的回收再利用方式较多,回收网络复杂,因此构建完善的电池回收网络刻不容缓。在退役动力电池的回收网络中,电池的健康状态是影响回收路径选择的关键指标,可以通过数据驱动的方法高效预测,但由于电池回收机制不健全,电池数据存在不确定性、不完整性以及篡改风险,导致健康状态判断有误,使得回收网络复杂化,增加了电池的回收网络成本和风险。鉴于此,本文基于区块链技术对退役动力电池网络进行优化,解决动力电池回收的痛点问题。首先,对动力电池健康状态预测、融入区块链技术的动力电池回收以及面向梯次利用的动力电池回收网络等技术进行分析,为后文基于区块链技术的退役动力电池回收网络构建和优化设计奠定理论基础。其次,构建基于区块链的电池回收网络。利用电池的历史使用数据,构建电池的健康状态预测模型,梳理基于区块链技术的退役动力电池回收网络运作流程,以此为基础设计退役动力电池回收网络节点及功能。然后,根据所设计的退役动力电池回收网络,构建考虑成本和碳排放的回收网络优化模型,提出包括基于贪心策略和最大覆盖模型的聚类算法和遗传算法的两阶段启发式求解算法。最后,针对本文中提出的电池健康状态预测模型和回收网络优化模型,设计算例进行验证分析。

关键词：退役动力电池区块链回收网络优化健康状态预测两阶段混合启发式算法

基于改进卡尔曼滤波的锂离子电池状态估计方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进卡尔曼滤波的锂离子电池状态估计方法研究

作者：赵天意哈尔滨工业大学

学位级别：硕士

目前锂离子电池被广泛应用在各行各业中,获知锂离子电池状态,可为更合理地调整使用模式,预期充电时间,进行任务规划,电池维护和更换提供有效的参考信息。因此,本文将锂离子电池状态估计分为三部分:荷电状态估计、健康状态估计和健康状... 详细信息

目前锂离子电池被广泛应用在各行各业中,获知锂离子电池状态,可为更合理地调整使用模式,预期充电时间,进行任务规划,电池维护和更换提供有效的参考信息。因此,本文将锂离子电池状态估计分为三部分:荷电状态估计、健康状态估计和健康状态预测。卡尔曼滤波及其衍生类方法凭借良好的动态特性得到了广泛关注,大量的研究结果表明了这类方法对于电池状态估计的有效性。但这类方法还普通存在精度过于依赖模型、模型动态特性差以及设定噪声与迭代初值盲目的缺点。因此,本文针对锂电池全生命周期的状态估计开展了基于改进卡尔曼滤波的方法研究。首先,针对卡尔曼滤波与数据驱动类方法对于锂离子电池荷电状态与健康状态估计各有缺陷的问题,提出了一种卡尔曼滤波与最小二乘支持向量机融合的方法,解决数据驱动不考虑锂电池内部状态以及卡尔曼滤波模型普适性差的问题。针对卡尔曼滤波噪声方差设置盲目的问题,结合状态方程与量测方程当前状态,提出了一种动态更新噪声方差的方法,解决噪声方差设置不当造成的精度下降甚至迭代发散问题。本文将这种方法称为噪声方差可变卡尔曼滤波与最小二乘支持向量机融合的方法。其次,针对健康状态预测问题,提出了一种卡尔曼滤波与最小二乘支持向量机融合的方法,通过卡尔曼滤波将电池退化状态与数据驱动方法结合,解决卡尔曼滤波预测精度过于依赖模型以及数据驱动方法不确定性较高的问题。最后,实现了锂离子电池状态估计软件,利用LabVIEW和Matlab混合编程,实现了对于锂离子电池实时状态估计的功能,为后续组内的锂离子电池管理系统研究提供了软件平台支撑。最后,经NASA与CALCE的锂离子电池数据集实验验证以及其他方法的对比,证明了本文所提出方法对于锂离子电池状态估计性能的优越性,并验证了软件的实用性。

关键词：荷电状态估计健康状态估计健康状态预测卡尔曼滤波最小二乘支持向量机

基于改进DELM在不同放电工况下的锂电池SOH预测方法研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

绵阳师范学院学报 2024年第5期43卷 38-45,57页

作者：钟晓旭李岚安徽交通职业技术学院城市轨道交通与信息工程系安徽合肥230051 合肥工业大学计算机与信息学院安徽合肥230009

锂电池性能受到多种因素的影响,尤其在不同放电工况下其健康状态(SOH)预测难度极大增加.因此,研究以基于深度极限学习机为基础的锂电池SOH预测方法为基础,利用改进鲸鱼优化算法解决深度极限学习机中存在的随机权重和偏置问题,旨在提高... 详细信息

锂电池性能受到多种因素的影响,尤其在不同放电工况下其健康状态(SOH)预测难度极大增加.因此,研究以基于深度极限学习机为基础的锂电池SOH预测方法为基础,利用改进鲸鱼优化算法解决深度极限学习机中存在的随机权重和偏置问题,旨在提高锂电池SOH预测的精确率.对比实验结果表明,研究提出的预测方法算法的误差在[-0.02,0.04]之间,平均精确率达到96.23%,相比利用麻雀搜索算法、灰狼优化算法,改进的深度极限学习机算法分别提升了9.67%和5.05%.平均召回率为90.83%,平均误报率为3.75%.此外,高负载工况下,100次充放电循环后锂电池SOH值仅有0.221,下降幅度最大.不同工况下研究提出的预测方法平均精确率达到96.07%.研究提出的锂电池健康状态预测方法对于提高电池性能、延长寿命、提高安全性和降低环境影响具有重要的实际意义.

关键词：锂电池健康状态预测深度极限学习机鲸鱼优化算法

在线全文

学校读者我要写书评

暂无评论

PHM技术在牵引供电系统中的应用研究

智能城市 2020年第4期6卷 1-4页

作者：贾春园神华新朔铁路有限责任公司内蒙古鄂尔多斯010300

牵引供电系统是铁路中的重要组成部分,为满足其健康管理和状态维修的需求。文章首先分析了牵引供电系统退化演变过程,并划分了五类健康状态。基于此,构建了基于退化状态的HSMM的模型,结合各状态特征参数,完成健康状态的评估。同时,基于... 详细信息

牵引供电系统是铁路中的重要组成部分,为满足其健康管理和状态维修的需求。文章首先分析了牵引供电系统退化演变过程,并划分了五类健康状态。基于此,构建了基于退化状态的HSMM的模型,结合各状态特征参数,完成健康状态的评估。同时,基于所处的状态和HSMM模型参数,完成剩余生命的预测。为了提供模型的预测精度,采用粒子群算法对HSMM参数估计进行了优化。

关键词：牵引供电隐半马科夫模型健康状态预测剩余生命预测