【基于数据驱动的故障预测技术研究的国内外文献综述5200字】

基于数据驱动的故障预测技术研究的国内外文献综述基于数据驱动的故障预测技术研究的国内外文献综述 11.1特征提取方法研究现状 21.2复杂工业过程故障预测研究现状 41.3复杂工业过程多步故障预测研究现状 5 6基于数据驱动的故障预测技术主要是通过对系统运行历史数据和实际监测障预测的整体过程可以分为数据的采集及预处理、特征提取、故障监测和RUL 测方法具有较高的精度时，可以发现初期故障。RUL预测是指对系统的健康状结如表1-1所示：Tab.1-1Algorithmsandabbrevia中文英文缩写降噪自编码1.1特征提取方法研究现状故障预测技术的重点和目标之一就是通过预测工业过程未来若干时间内的够显著,同时工业产生的数据是大量连续到达、快速变化的有序时间序列，因此特征提取方法主要指的就是在我们能够实现工业系统故障监测和预测之前方法可以帮助研究人员从现有的监测数据中得到有助于故障分析的信息15]。此要针对系统构建一个关键性能指标，进而估计其健康运行状态17],特征提取方特征提取逐渐发展成为了处理复杂工业系统的故障诊断和预测等多种技术问题多变量状态监测问题的有效途径，具体的方法主要有主成分分析(PrincipalAnalysis,ICA)、偏最小二乘算法(PartialLeastSquares,PLS)及费舍尔判别分DPCA)[191,可以通过利用自相关和相关属性处理Analysis,KPCA)方法，将核函数有效运用到PCA中，可以有效地提取原始数MPCA)[201和多块偏最小二乘法(MultiblockPartialLeastSquares,MPLS)[方法(FaultDegradation-OriginatedFDA,线性以及高维数的特点，提出了基于自编码网络特征提取的回声状态网络模型 1.2复杂工业过程故障预测研究现状分为两种方法：基于模型的故障预测方法和基于数据驱动的故障预测方法34]。等人135把故障的物理学与相关诊断信息相结合进行建模，用于直升机齿轮的预PMCCNN-LSTM)的滚动轴承剩余使用寿命预测模型。该模型首先利用并行多TCN)[43],且实证对比其在多项时间序列预测任务上的表现都优于LSTM和GRU(GatedRecurrentUnit,GRU)1.3复杂工业过程多步故障预测研究现状提前采取措施控制故障产生或者根据故障预测发生的时间采取不同的方案尽可振动信号的多步预测。刘乙奇等人51提出了一种基于高斯回归过程的多步故障预测监控统计指标SPE,以较小的计算代价实现多步故障预测。[1]柴天佑.生产制造全流程优化控制对控制与优化理论方法的挑战[J].自动化学[3]赵春晖，李文卿，孙优贤，等.基干多重局[4]卢静宜，曹志兴，高福荣.批次过程控制一回顾与展望[J].自动化学报，2017,[5]李文卿.数据驱动的复杂工业过程统计过程监测[D].浙江大学，2018.[7]ZHAOCH,SUNY.Multispacetotalprojectiontolaonlineprocessmonitoring[[8]HEB,ZHANGJ,CHENTanalysisforfaultisolation[J].Induofnon-linearsystemswithpartialstatemeasurement[J].EngineeringApplicDecompositionandReconstructionModelingStrategyIndustrial&EngineeringChemistryResearch,2012,51(34):11207-11217.[12]ZHAOCH,WANGW.Efficientfaultyvariableselectionandmodellingforfaultisolation[J].JournalApplicationstowardSmartManufacturingSystems[J][15]Climente-AlarconV,Antonino-DaviuJA,StrangasEG,etal.Rotor-BarIEEE,2013.[16]ZhaoCH,GaoFR.Fault-relevantPrincipalComponentAnalymultivariatestatisticalmodelingandprocLaboratorySystems,2014,133:1-16.[17]WuZ,HaoL,YangY,etal.K-PdM:KPI-orientedMac