故障预测算法分类
故障预测算法分为三类:
- 基于模型(model-driven)的故障预测技术;
- 基于数据驱动(data—driven)的故障预测技术;
- 基于统计可靠性的故障预测技术。
基于模型的故障预测技术
基于模型的故障预测指采用动态模型或过程的预测方法。物理模型方法、卡尔曼/扩展卡尔曼滤波/粒子滤波以及基于专家经验的方法等均可划为基于模型的故障预测技术。
基于模型的故障预测技术一般要求对象系统的数学模型是已知的,这类方法提供了一种掌握被预测组件或系统的故障模式过程的技术手段,在系统工作条件下通过对功能损伤的计算来评估关键零部件的损耗程度,并实现在有效寿命周期内评估部件使用中的故障累积效应,通过集成物理模型和随机过程建模,可以用来评估部件剩余寿命的分布状况,基于模型的故障预测技术具有能够深入对象系统本质的性质和实现实时故障预测的优点。
基于统计可靠性的故障预测技术
在某些情况下,确定一个完整的动态模型,给出输入和输出之间的系统微分方程,可能是不必要的,也可能是不现实的。通常,基于统计可靠性或者说是基于概率的故障预测方法适用于从过去故障历史数据的统计特性角度进行故障预测。
典型的基于统计可靠性的故障概率曲线就是著名的“浴盆曲线”。即在设备或系统运行之初,故障率相对较高,经过一段时间稳定运行后,故障率一般可以保持在相对比较低的水准,而后,再经过一段时间的运转,故障率又开始增加,直到所有的部件或设备出现故障或失效。
基于统计可靠性的故障预测方法包括贝叶斯方法、Dempster-Shafer理论、模糊逻辑等。所有这些方法一般都是基于贝叶斯定理估计故障的概率密度函数。
基于数据驱动的故障预测技术
基于测试或者传感器数据进行预测的方法称为数据驱动的故障预测技术,典型的基于数据驱动的故障预测方法有:人工神经网络(artificial neural networks,ANN)、模糊系统(fuzzy systems)和其他计算智能方法。
基于数据的故障预测技术不需要对象系统的先验知识(数学模型和专家经验),以采集的数据为基础,通过各种数据分析处理方法挖掘其中的隐含信息进行预测操作,从而避免了基于模型和基于知识的故障预测技术的缺点,成为了一种较为实用的故障预测方法。