《基于测试数据的长期贮存装备实时健康状态评估.pdf》由会员分享，可在线阅读，更多相关《基于测试数据的长期贮存装备实时健康状态评估.pdf（7页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、第3 5 卷第6 期系统工程与电子技术v 0 1 3 5N o 62 0 1 3 年6 月S y s t e m sE n g i n e e r i n ga n dE l e c t r o n i c sJ u n e2 0 1 3文章编号：1 0 0 15 0 6 X(2 0 1 3)0 61 2 1 2 0 6网址：w w w s y s e l e C O I T I基于测试数据的长期贮存装备实时健康状态评估王亮1，吕卫民1，滕克难2(1 海军航空工程学院战略导弹工程系，山东烟台2 6 4 0 0 1；2 海军航空工程学院训练部，山东烟台2 6 4 0 0 1)摘要：根据长期贮存装
2、备可靠性的变化，提出了一种基于时间修正的D-S 证据理论实时健康状态评估模型。将装备健康状态划分为5 级，利用长期贮存装备的测试数据值分剐与上次非故障莉l 试值、历史非故障测试均值以及标准值加以比较，并对其进行时间修正，结合D-S 证据理论融合多源信息，实现此类装备的实时健康状态评估。最后，利用某型装备的测试数据进行实例分析，结果表明该模型在长期贮存装备实时健康状态评估方面具有良好的性能。关键词：健康状态评估；预测与健康管理技术；时间修正；证据理论；长期贮存装备中图分类号：T J0 7文献标志码：AD O I：1 0 3 9 6 9 j i s s n 1 0 0 1 5 0 6 X 2 0
3、1 3 0 6 1 4R e a l-t i m eh e a l t hc o n d i t i o na s s e s s m e n to fl o n g。t e r ms t o r a g ee q u i p m e n tb a s e do nt e s t i n gd a t aW A N GL i a n 9 1。L UW e i m i n l T E N GK e n a n 2(1 D e p a r t m e n to fS t r a t e g i cM i s s i l eE n g i n e e r i n g，N a v a lA e r o
4、 n a u t i c a la n dA s t r o n a u t i c a lU n i v e r s i t y，Y a n t a i2 6 4 0 0 1，C h i n a；2 D e p a r t m e n to fT r a i n i n g，N a v a lA e r o n a u t i c a la n dA s t r o n a u t i c a lU n i v e r s i t y，Y a n t a i2 6 4 0 0 1，C h i n a)A b s t r a c t：A c c o r d i n gt ot h er e l
5、 i a b i l i t yc h a n g e so fl o n g t e r ms t o r a g ee q u i p m e n t，ar e a l t i m eh e a l t hc o n d i t i o na s s e s s m e n tm o d e lb a s e do nt i m ec o r r e c t i o na n dD-Se v i d e n c et h e o r yi Sp r o p o s e d T h eh e a l t hc o n d i t i o ni Sm e a su r e do nas c a
6、 l eo f1t O5 T e s t i n gv a l u e sa r ec o m p a r e dw i t ht h el a s tn o n f a u l tt e s t i n gv a l u e s，t h ep a s tn o n f a u l ta v e r a g et e s t i n gv a l u e sa n dt h es t a n d a r dt e s t i n gv a l u e s T h e nt h e s ev a l u e sa r ec o r r e c t e dt i m e l ya n dc o m
7、 b i n e db yD-Se v i d e n c et h e o r yS Oa st or e a l i z er e a l t i m eh e a l t hc o n d i t i o na s s e s s m e n t F i n a l l y，t h em o d e l i Su s e dt Oac e r t a i nt y p eo fe q u i p m e n t T h er e s u l t ss h o wt h a tt h i sm o d e li m p r o v e st h ep e r f o r m a n c e
8、i nt h ef i e l do fa s s e s s i n gh e a l t hc o n d i t i o nf o rl o n g t e r ms t o r a g ee q u i p m e n t K e y w o r d s：h e a l t hc o n d i t i o na s s e s s m e n t；p r o g n o s t i c sa n dh e a l t hm a n a g e m e n tt e c h n o l o g y；t i m ec o r r e c t i o n；e v i d e n c et
9、h e o r y；l o n g t e r ms t o r a g ee q u i p m e n t0引言以导弹为典型代表的长期贮存装备是军队装备的重要组成部分，此类装备的突出特点是“长期贮存、少量测试、一次使用”。近年来，随着预测与健康管理(p r o g n o s t i c sa n dh e a l t hm a n a g e m e n t，P H M)一1。技术的不断发展，装备健康状态评估也得到了长足进步。“健康状态”一词最早是从生物学领域借用过来，将复杂系统工作状态划分为多个等级，以此来描述系统可能存在的介于“故障”和“正常”的多种工作状态。从目前国内外研究情况看，
10、健康状态评估集中应用于变压器系统。“、动力系统“3 或某一关键零部件凹。1 们等具有可实时监测的状态特征参数或相关可观测表征的系统中，主要评估思想是对状态特征参数或相关可观测表征进行实时地监测，并利用贝叶斯网络、支持向量机、神经网络、模糊集理论、马尔可夫模型、小波理论以及信息融合等技术对状态特征参数进行分析，评估得到系统的实时健康状态。例如，文献 1 1 采用5 级状态评估方法，利用变压器预防性试验数据建立变压器健康状态量化模型，提出了一个基于贝叶斯网络的电力变压器状态评估模型；文献 1 2 对振动信号进行小波相关滤波处理，构造小波相关特征尺度熵，提出了基于核主元分析(k e r n e lp
11、 r i n c i p a lc o m p o n e n ta n a l y s i s，K P C A)多通道特征信息融合的隐半马尔可夫模型(h i d d e ns e m i M a r k o vm o d e l，H S M M)设备状态识别方法；文献 1 3 利收稿日期：2 0 1 2 0 4 0 5；修回日期：2 0 1 2 1 0 一2 2；网络优先出版日期：2 0 13 0 4 0 3。网络优先出版地址：h t t p：w w w c n k i n e t k e m s d e t a i l 11 2 4 2 2 T N 2 0 l3 0 4 0 3 11 1
12、0 0 2 1 h t m l基金项目：国家部委预研基金(9 1 4 0 A 1 9 0 3 0 8 1 1 J B l 4 0 1，9 1 4 0 A 2 7 0 2 0 1 1 0 J B l 4 0 4)资助课题万方数据第6 期王亮等：基于测试数据的长期贮存装备实时健康状态评估1 2 1 3 用相关向量机(r e l e v a n c ev e c t o rm a c h i n e)结合生存概率(s u r v i v a lp r o b a b i l i t y)对可监测的轴承磨损数据进行分析，并以此评估机械系统的退化状态。以上这些方法的运用必须建立在存在可实时监测的特征状态
13、参数的基础上，并获取相应的参数数据进行处理，才能评估得到系统的实时健康状态。但是，由于长期贮存装备整个寿命过程中绝大部分时间内不工作，只进行有限次的测试，而且其测试间隔时间通常较长，因此无可供实时监测的状态特征参数，很难确定一次测试之后很长时期内此类装备的健康状态。鉴于这种特点，通常所利用的健康状态评估技术及评估思想很难直接借用到长期贮存装备的实时健康状态评估中，如何能够实时了解这类装备的健康状态是目前健康状态评估研究的难点。本文将长期贮存装备的健康状态分成5 级，考虑到长时间内装备可靠性的变化，提出一种基于时间修正的D S证据理论评估模型，将长期贮存装备的测试数据值分别与上次非故障测试值、历
14、史非故障测试均值、以及标准值加以比较，然后进行时间修正，最后利用D-S 证据理论融合优化，由此进行长期贮存装备无状态特征参数可供监测情况下的健康状态实时评估，可以一定程度上解决在长时间不测试的情况下，了解装备健康状态的难题。(4)恶化恶化状态是装备的组成部件偶尔出现故障状态，在测试时表现为某些测试参数偶有超标现象发生，主要是由于长期的环境应力积累作用导致机械部件、电子器件的初期失效。为保证装备后续可靠性，必须及时对出现故障的部件进行测试和维修，排除故障。(5)病态病态状态是装备经常出现故障的状态，测试时表现为经常发生多个参数超标现象，病态状态是恶化状态的进一步发展，是各种应力作用下的机械、电子
15、部件失效高发状态。对病态的装备必须进行大修，整体更换分系统，以保证战备完好率。根据以上定义，认为状态(1)和(2)属于健康，(3)属于亚健康，(4)和(5)属于故障。对于“健康”状态的装备可以不采取维修措施，其健康状态应该可以满足未来一定时期内装备可靠性、战备完好率的要求；对于“亚健康”状态的装备要引起相关维修保障人员的注意，在未来一段时间内，这种健康状态的装备非常可能发展为“故障”状态；对于“故障”状态的装备，其健康状态已经不能满足装备完成规定任务的需要，若不及时维修很可能会影响战备完好率。1长期贮存装备健康状态分级2D-S 证据理论以往对装备特别是长期贮存装备健康状态评估一般采用的是“是非
16、制”方法，所谓“是非制”是指将装备状态仅分为“故障”和“正常”两种状态，装备不是处于“正常”状态就是出于“故障”状态。这种“是非制”方法未将健康状态进行更细致的分级，不利于装备的视情维修。为了更好的描述长期贮存装备的健康状态，从健康管理的角度出发，本文将装备健康状态分为5 个等级，分别为：良好、正常、注意、恶化和病态。(1)良好良好状态表示装备各项性能指标都在允许范围之内，测试表现为所有测试值均远离阈值，未见退化，没有经历不良工况，能保证训练任务的完成或实现各种规定的功能，无需进行维护。(2)正常正常状态是检测设备或程序在运行中偶发的、非常驻的、非预定状态。在平时测试时表现为测试结果在标准值上
17、下一定范围内波动，但不会超出阈值。这种状态基本不影响装备的正常使用，但是如果经常出现超限干扰或恶劣环境，则需要多加注意，加强监控。(3)注意注意状态是指装备出现偏离规定功能范围的趋势，在测试时表现为测试数据波动较大，甚至接近阈值。多是由于装备内部某些机械系统或电路器件在某些临界外部条件(如温度)的作用下偏离预定工作状态所致，在引发异常的外部因素消除后，装备多能自动恢复，但无法达到预定的最佳状态。为保证装备在规定要求的范围内可靠工作，应及时对出现异常的装备进行调整或采取维修措施。D-S 证据理论n 4 一是一种处理不确定性信息的工具，能够很好地处理具有模糊和不确定信息的合成问题，已在决策、人工智
18、能、专家系统、信息融合等领域得到不同程度的应用”1“。证据理论主要包括3 个基本内容：基本可信度分配函数m、信度函数B e l 及D e m p s t e r 合成法则。对于一个评估问题，其所有可能的评估结果的集合用 表示，称作识别框架。例如，对于装备健康状态评估的识别框架 一 良好、正常、注意、恶化、病态)，人们对这个评价问题的任何结论都是 的一个子集。设0 为某一评估问题的识别框架，则记2。为0 的幂集。设0 为识别框架，如果集函数m a s s：2 8 一 o，1 满足(1)m()一0；(2)r e(A)一1 0称m 为识别框架 上的基本可信度分配函数。V A ，称m(A)为A 的基本
19、可信度，m(A)反映了证据支持命题A 的程度。设 为识别框架，m：2 8 一 o，1 为0 上的基本可信度分配函数，如果函数B e l：2 8 一 o，1 满足B e l(A)一m(B)，A 0(1)月A称函数B e l 为识别框架 上的信度函数，表示对每个命题的信任程度。对于V A C e _ 0，如果m(A)0，则称A 为信度函数B e l的焦元，所有焦元的并称为内核。D e m p s t e r 合成法则是证据理论的核心，之所以D-S 证据理论具有较强的多元信息融合能力，正是由于D e m p s t e r万方数据1 2 1 4 系统工程与电子技术第3 5 卷合成法则，它是一个反映证
20、据的联合作用法则。它将来自不同信息源的独立证据组合，产生更可靠的证据信息。设B e l。和B e l：是同一识别框架 上的2 个信度函数，m，和m：分别是其对应的基本可信度分配函数，那么这两批证据就可以合成。0，A 一声m(A)：l m。(A。)m。(B，)(2)l 坐生F 厂，A，5式中，K 一：m。(A)舰。(B，)1。A，雨=f式(2)也可记为m(A)一m。m：。对于多个证据的结合M m。om。om。，可以从两个证据结合的情况推广得到。3 测试数据的归一量化处理基于测试数据的长期贮存装备健康状态评估，最重要的是对测试数据的处理。选取九个相互独立的并且能够很好反映装备健康状态的关键测试参数
21、作为测试数据的评估源，并将测试数据进行归一量化处理。为使这些参数更好地描述装备健康状态，本次咒个参数的测试值要分别与上次非故障测试值、历史非故障测试均值、以及标准值加以比较，将其综合处理。测试数据的归一量化处理，主要包括3 项：本次测试数据与上次非故障测试数据比较值、本次测试数据与历史非故障测试均值比较值、本次测试数据与标准数据比较值。下面以本次测试数据与历史非故障测试均值比较值的归一量化为例进行说明。首先，计算本次测试数据与历史非故障平均数据的偏差，表达式为赴一Jz z c(3)式中，z 是本次测试值；z。是历史非故障平均测试值。然后，计算归一量化值A。计算公式采用半梯形函数，如图1 所示。
22、O图1 半梯形归一量化函数卜敞1,8 L 0 k 氏(4)对于本次测试数据与上次非故障测试数据比较的归一量化值。以及与标准数据比较的归一量化值A。可以参考上面的方法进行，不再赘述。若扎，A。，A。均等于1，说明装备健康状态良好。不存在健康隐患；若3 者均在0 7 至1 之间，说明装备健康状态可以接受，健康状态指数A 取3 者的算术平均值；若3 者有小于0 7 的(但大于o)，说明可能存在隐患，取3 者最小值；若3 者任一值为0，说明装备出现故障。1，A L_ 1。一A 一m l0，A L A s A B 一13，0 7 A L，A s，A B 1n(A。，A s，A B)，A L，A s，A
23、B 任一值大于0 小于0 7A。，A。，A。任一值等于0(5)式中，A 为健康状态指数；k 为归一量化之后的长期贮存装备本次测试数据与上次非故障测试数据比较值；A。为归一量化之后的本次测试数据与历史非故障测试均值比较值；A。为归一量化之后的本次测试数据与标准数据比较值。4 基于时间修正的D-S 证据理论实时健康状态评估模型长期贮存装备与其他装备的最大区别就是“长期贮存，少量测试，一次使用”。鉴于这种特点，一般情况下只能得到此类装备每次测试时装备的健康状态而且仅是“正常”或“故障”的二值状态，如图2 所示。第i 年第，年第睥事件(第1 次)(第2 次)(第3 次)(测试次数)图2 装备测试二值状
24、态示意图对于装备失效问题，根据是否具有损伤的时间累积效应而分为过应力失效和耗损型失效。其中，过应力失效是由于瞬时应力过大造成的，不存在损伤的累积，如图3 所示。而耗损型失效则是由于损伤随时间的积累达到一定程度产生的。对于过应力失效，健康状态评估是没有意义的，因为即使此刻装备是完全健康的状态，在瞬间经受过大应力，下一刻状态可能直接就是故障，而且这种瞬间过应力的状态也是操作过程中不允许出现的。只有平时避免过度应力，使装备耗损失效，健康状态评估才可以发挥最大作用。馓葵时间图3 瞬间过应力失效故障万方数据第6 期王亮等：基于测试数据的长期贮存装备实时健康状态评估1 2 1 5 本文采用时间修正函数来对
25、装备的测试数据进行实时的修正，通常装备的失效除瞬间过应力之外，一般都有一个逐渐退化的过程(或宏观或微观)，如图4 所示。从图中可以看出正常的退化失效故障通常是一个先慢后快的过程，本文的时间修正函数正是以此为基础的。桶篓健康故障时间故障图4 正常退化失效故障为了更精确地描述装备健康状态的退化，对装备健康状态进行更加准确的评估，采用如图5 所示的类似装备可靠度变化函数，(T。，K。)和(7 2，K。)根据装备的实际退化数据及专家经验确定得到。时间修正函数不直接作用于装备整体健康状态，而是根据具体情况在不同类信息评估中具有不同的作用。图5 时间修正函数图例如，在某年某月某型装备测试时，测试数据归一化
26、后A 一0 9，假设(T，K，)，(T 2，K：)分别为(2，1)，(1 0、0 6)，那么接下来2 年内装备未测试，经过修正后，A=0。8。长期贮存装备实时健康状态评估的步骤如下：步骤1 确定测试数据评估辨识框架以及选择反映装备健康状态的关键参数。步骤2 对关键参数的测试数据按第3 节的方法进行归一量化，得到A(i)。步骤3 确定各关键参数的权重，并将各权重系数正规化。步骤4 根据得到的A(i)以及正规化后的权重系数，根据时间修正函数进行修正。步骤5 确定其在辨识框架的模糊函数下的隶属度。步骤6 确定置信度，计算基本可信度分配函数，得出改进后的7 Y t a S$函数。步骤7 合成计算，确定
27、等级。步骤5 中隶属度根据三角模糊数n 明确定，如图6 所示，三角模糊数模型根据某型装备健康状态实际退化情况及专家经验共同得出。图6 隶属度的三角模糊数模型步骤6 中的置信度是指对测试装置的相信程度，也就是对所获取数据准确度的相信程度，在经过长时间的使用、贮存之后，测试装置元件可能会产生漂移等现象，影响测试结果。5实例分析5 1问题描述以某型长期贮存装备为例，根据装备测试数据情况，选取5 个关键参数作为测试数据对某型装备健康状态的评估指标，这5 个关键参数的选取原则是在某型装备健康状态发生变化时，参数测试数据变化相对明显，任何一个关键参数超标，都可以判定某型装备故障，因此本文对这5 个关键参数
28、赋予相同的权重，测试数据5 个指标的权重为(0 2，0 2，0 2，0 2，0 2)。某型装备在贮存的第8 年，即2 0 1 0 年1 2 月进行了一次测试，测试时未发现故障，下次测试将在2 0 1 2 年1 2 月进行，现要求评估2 0 1 2 年2 月装备的健康状态。测试数据记录到2 0 1 0 年1 2 月，此后再无测试。5 2 健康状态评估选取能反映该型装备健康状态的5 个关键参数，这5个关键参数于2 0 1 0 年1 2 月的测试数据如表1 所示。表1 某型装备测试数据根据第4 节基于时间修正的D-S 证据理论实时健康状态评估步骤，由式(3)式(5)可以得到表2。表2 某型装备测试数
29、据归一化表序号一1234S8 s乩如A SA L2 BA0 5 0 000 7 6 191 0 0 001 0 0 000 6 6 490 8 5 240 7 5 430 8 0 980 4 5 710 7 7 627，600踮m 卯7(9OO吼mLLOO704OO45l0O2770O968l1OOO000OOO09203O876l29430O0O100O0O0O4248298110 u11lO01O1OOOOO0955O98056O23O5O；1万方数据1 2 1 6 系统工程与电子技术第3 5 卷5 个关键参数的权重为(0 2，0 2，0 2，0 2，0 2)，正规化后为(1，1，1，1，
30、1)，因此得到未修正的测试数据5 个关键参数归一量化向量为(0 7 6 19，1 0 0 00，0 8 5 2 4，0 8 0 98，0 7 7 62)。根据专家经验，取(丁，K。)，(T 2，K。)为(2，1)，(1 2，0 7)，则修正后的测试数据归一量化向量为(0 7 3 19，0 9 7 00，0 8 2 24，0 7 7 98，0 7 4 62)。结合图6，得到测试数据5 个关键参数的隶属度如表3 所示。表3 测试数据5 个关键参数的隶属度序号良好正常注意恶化病态100 7 7 300 2 2 700020 8 5 000 1 5 0000030 1 1 200 8 8 800004
31、00 9 3 270 0 6 7300500 8 2 070】7 9300测试数据5 个关键参数的权重相同，取置信度为0 9，得到基本可信度分配表，如表4 所示。表4 测试数据基本可信度分配表根据式(2)对证据进行合成，先进行关键参数1 和关键参数2 的合成，即K l m l(目1)m 2(晚)+m l(目1)m e(岛)+m 1(0 2)n h(研)+m l(岛)m 2(0 3)+m l(0 3)m 2(尻)+m 1(以)m 2(0 2)一0 7 1 60 8 051 一K 1 0 2 8 39 1 95删。)=号絮半瓠z s。tm(晚)一堕堕塑旦旦!掣掣堕堕幽!一o 6 2 34l A 1
32、m(只)=翌丐掣一o 0 7 2o枷)一样砘0 3 52。根据上述方法再进行关键参数3，4，5 的合成，最终得到的合成结果为岛一(0 0 0 14，0。9 9 59，0。0 0 09，0，0，0 0 0 18)，某型装备健康状态测试数据评估结果为正常状态。5 3 结果分析借鉴此型装备上一代未改进型号装备的测试记录，经历8 年贮存期后，关键参数测试平稳，部分非关键参数波动较大，本文评估此型装备健康状态为正常状态是较为可信的。由以上建模过程及计算结果可以看出，与以往利用状态特征数据评估装备健康状态不同，本文所建立的基于时间修正D-S 证据模型相对其他模型更加适用于导弹这类具有“长期贮存，少量测试”
33、的装备以及其他无特征状态参数可供实时监测的装备。将直接反映长期贮存装备健康状态的测试信息进行了比较归一量化处理，同时加入了时间修正函数，并根据三角模糊数确定隶属度，以此对测试信息进行评估，在一定程度上解决以往无法对长期贮存装备进行实时健康状态评估的问题。6结论长期贮存装备是武器装备的重要组成部分，发挥着巨大的作用。虽然反应装备健康状态的信息多种多样，如维修信息、试验信息、环境信息，但这些信息中大部分无法用来直接评估长期贮存装备的健康状态。测试信息是此类装备最重要的信息，也是唯一能够直接反映装备健康状态的信息。本文利用此类装备的测试信息，结合时间修正和D-S证据理论，构建了长期贮存装备实时健康状
34、态评估模型，实例分析说明此模型在长期贮存装备实时健康状态评估方面是有较好效果的。另外，本文提供的方法对长期处于非工作状态的民用大型设备同样有重要的借鉴意义。参考文献：1 Y a n gLF，W a n gL，F e n gJC M a i n t e n a n c es u p p o r to fm i s s i l eb a s e do nP H Mt e c h n o l o g y J J o u r n a lo fN a v a lA e r o n a u t i c a la n dA s t r o n a u t i c a lU n i v e r s i t y
35、，2 0 1 0，2 5(4)：4 4 7 4 5 0(杨立峰，王亮，冯佳晨基于P H M 技术的导弹维修保障 J 海军航空工程学院学报，2 0 1 0，2 5(4)：4 4 7 4 5 0)E e lS u nB，K a n gR，X i eJS R e s e a r c ha n da p p l i c a t i o no ft h ep r o g n o s t i c sa n dh e a l t hm a n a g e m e n ts y s t e m J S y s t e m sE n g i n e e r i n ga n dE l e c t r o n i
36、 c s，2 0 0 7，2 9(1 0)：1 7 6 2 1 7 6 7(孙博，康锐，谢劲松故障预测与健康管理系统研究和应用现状综述 J 系统工程与电子技术，2 0 0 7，2 9(1 0)：17 6 2 1 7 6 7)3 B r a i nAT I m p l e m e n t a t i o no fp r o g n o s t i c sa n dh e a l t hm a n a g e m e n tf o re l e c t r o n i cs y s t e m s D M a r y l a n d：U n i v e r s i t yo fM a r y l
37、a n d，2 0 0 7 4 S o n gYJ，L iBS，Y eHB，e ta 1 A p p l i c a t i o no fp r o g n o s t i c sa n dh e a l t hm a n a g e m e n ti na r m o r e de q u i p m e n tm a i n t e n a n c eb a s e do na F M E A C f?P r o c o ft h eI n t e r n a t i o n a lC o n f e r e n c eo nE n e r g ya n dE n v i r o n m
38、e n t a lS c i e n c e，2 0 11：1 5 1 0 1 5 1 6 5 W a n gM，V a n d e r m a a rAJ，S r i v a s t a v aKD R e v i e wo fc o n d i t i o na s s e s s m e n to fp o w e rt r a n s f o r m e r si ns e r v i c e J I E E EE l e c t r i c a lI n s u l a t i o nM a g a z i n e，2 0 0 2，1 8(6)：1 2 2 5 6 U t a m i
39、NY，T a m s i rY，P h a r m a t r i s a n t iA，e ta 1 E v a l u a t i o nc o n d i t i o no ft r a n s f o r m e rb a s e do ni n f r a r e dt h e r m o g r a p h yr e s u l t s c P r o f o ft h e9 t hI n t e r n a t i o n a lC o n y e f e n c eo nP r o p e r t i e sa n dA p p l i c a t i o n so fD i
40、e l e c t r i cM a t e r i a l s，2 0 0 9：1 0 5 5 1 0 5 8 7 W a n gJR，H u a n gDW，S uYY，e ta 1 A e r o e n g i n eh e a l t ha s s e s s m e n tu s i n gaw e b-b a s e dg r a ya n a l y t i ch i e r a r c h yp r o c e s s C?P r o c o ft h eI n t e r n a t i o n a lC o n f P r e n c eo nC o m p u t e
41、rS c i e n c ea n dS o f t w a r eE n g i n e e r i n g。2 0 0 8：4 1 1 4 1 5 万方数据第6 期王亮等：基于测试数据的长期贮存装备实时健康状态评估1 2 1 7 E s Z h a n gLM，Z h a oXW，C a iQ E v a l u a t i o no na g i n gs t a t eo fN P Pc a n n e dm o t o rp u m pb a s e do nS V M J N u c l e a rP o w e rE n g i n e e r i n g，2 0 1 1，3 2
42、(2)：1 2 4 1 2 7(张黎明，赵新文，蔡琦基于S V M 的核动力屏蔽泵老化状态评估I-J 核动力工程，2 0 1 1，3 2(2)：1 2 4 1 2 7)9 L uZR，L a wSS D y n a m i cc o n d i t i o na s s e s s m e n to fac r a c k e db e a mw i t ht h ec o m p o s i t ee l e m e n tm o d e l J M e c h a n i c a lS y s t e m sa n dS i g n a lP r o c e s s i n g，2 0 0
43、 9，2 3(2)：4 1 5 4 3 1 1 0 M i a oQ，M a k i sV C o n d i t i o nm o n i t o r i n ga n dc l a s s i f i c a t i o no fr o t a r i n gm a c h i n e r yu s i n gw a v e l e t sa n dh i d d e nM a r k o vm o d e l J M e c h a n i c a lS y s t e ma n dS i g n a lP r o c e s s i n g，2 0 0 7，2 1(2)：8 4 0 8
44、 5 5 1 1 Z h a oWQ，Z h uYL，J i a n gB，e ta 1 C o n d i t i o na s s e s s m e n tf o rp o w e rt r a n s f o r m e r sb yB a y e sn e t w o r k J 3 H i g hV o l t a g eE n g i n e e r i n g，2 0 0 8，3 4(5)：1 0 3 2 1 0 3 9(赵文清，朱永利，姜波，等基于贝叶斯网络的电力变压器状态评估 J 高电压技术，2 0 0 8，3 4(5)：1 0 3 2 1 0 3 9)1 2 3Z e n
45、 gQH，Q i uJ，L i uGJ T h es t u d yo fe q u i p m e n td e g r a d a t i o ns t a t er e c o g n i t i o nm e t h o db a s e do nK P C A H S M M J A c t aA r m a m t a r i i，2 0 0 9，3 0(6)：7 4 0 7 4 5(曾庆虎，邱静，刘冠军基于K P C A H S M M 设备退化状态识别方法的研究 J 兵工学报，2 0 0 9，3 0(6)：7 4 0 7 4 5)13 A c h m a dW，B o-S u
46、kY A p p l i c a t i o no fr e l e v a n c ev e c t o rm a c h i n ea n ds u r v i v a lp r o b a b i l i t yt Om a c h i n ed e g r a d a t i o na s s e s s m e n t E J E x p e r tS y s t e m sw i t hA p p l i c a t i o n，2 0 1 1，3 8(3)：2 5 9 2 2 5 9 9 1 4 D u a nXS E v i d e n c et h e o r ya n dd
47、 e c i s i o nm a k i n g，a r t i f i c i a li nt e l l i g e n c e M B e i j i n g：R e n m i nU n i v e r s i t yo fC h i n aP r e s s，1 9 9 3(段新生证据理论与决策、人工智能 M 北京：中国人民大学出版社，1 9 9 3)1 5 G e n gJB，Q i uW，K o n gXC，e ta 1 T e c h n i c a lc o n d i t i o ne v a l u a t i o nf o rd e v i c e sb a s e
48、do nr o u g hs e tt h e o r ya n dD-Se v i d e n c et h e o r y J S y s t e m sE n g i n e e r i n ga n dE l e c t r o n i c s，2 0 0 8，3 0(1)：1 1 2 1 1 5(耿俊豹，邱玮，孔祥纯，等基于粗糙集和D-S证据理论的设备技术状态评估 J 系统工程与电子技术，2 0 0 8，3 0(1)：1 1 2 1 1 5)1 6 Z h a n gYM，L e u n gH，K w a kKC，e ta 1 A u t o m a t e ds p e a k e
49、 rr e c o g n i t i o nf o rh o m es e r v i c er o b o t su s i n gg e n e t i ca l g o r i t h ma n dD e m p s t e r S h a f e rf u s i o nt e c h n i q u e J 3 I E E ET r a n s o nI n s t r um e n t a t i o na n dM e a s u r e m e n t，2 0 0 9，5 8(9)：3 0 5 8 3 0 6 8 1 7 3N i uG Y a n gBS D e m p s
50、 t e r S h a f e rr e g r e s s i o nf o rm u l t i s t e p a h e a dt i m e s e r i e sp r e d i c t i o nt o w a r d sd a t a。d r i v e nm a c h i n e r yp r o g n o s i s J M e c h a n i c a lS y s t e ma n dS i g n a lP r o c e s s i n g，2 0 0 9，2 3(3)：7 4 0 一7 5 1 1 8 S iSB，S u nS D，H a n GC，e