1、面對現代企業(yè)高效生產過程對設備提出近零故障要求，基于設備實際性能狀況的維護策略利用現代信息技術對機械設備運行狀態(tài)進行實時分析，實現低成本高效率的主動式維護。但設備信息化需大量采集實時數據引發(fā)了諸多問題，如：處理器計算能力有限，傳感信號海量數據無法及時處理；傳輸帶寬和數據存儲容量有限，數據無法及時被傳輸處理、數據過多無法保存；不能及時預測設備性能狀態(tài)，維護過于頻繁或備件過多。這些都嚴重限制了主動式維護策略的實施，形成瓶頸問題。
　　

2、 本文提出基于精益特征提取和智能預測評估的模型總體框架。針對機械設備潛在可監(jiān)測變量數量巨大，而維護監(jiān)測系統(tǒng)資源相對有限(信號處理計算能力、傳輸帶寬和存儲容量、設備維護備件)，需要系統(tǒng)性地研究監(jiān)測過程中的去冗余算法及性能狀態(tài)趨勢預測方法。圍繞該框架中三個關鍵環(huán)節(jié)進行了深入研究，即：高效的信號預處理算法、特征降維融合、智能評估預測模型。本研究的主要內容和創(chuàng)新點包括：
　　 1.針對設備性能狀態(tài)監(jiān)測過程中大量數據實時信號預處理問題，

3、提出一種高效特征提取方法：二代小波包重要性重采樣模型。該模型在基于一代小波的特征提取方法基礎上進行了改進，提出基于提升小波與改進的重要性重采樣理論相結合的特征提取模型。與傳統(tǒng)一代小波包相比較，二代小波包重要性重采樣模型特征提取效率有顯著提高，且節(jié)省計算內存空間。
　　 2.針對設備監(jiān)測過程中大量數據信息的傳輸和存儲問題，提出一種基于流形學習框架的特征空間降維方法：判別式擴散映射分析模型。該模型基于流形學習降維框架，將判別式核函數

4、和判別式時間尺度引入到擴散距離的計算，充分利用數據中已知判別信息，同時秉承了擴散距離映射的魯棒性優(yōu)點及非線性特征。與其他特征降維融合模型相比較，如線性模型：主成分分析、獨立成分分析、線性判別分析；非線性模型：核主成分分析、自組織映射網絡；及流形學習類非線性降維融合模型：等度規(guī)映射、局部線性嵌入、拉普拉斯特征映射、海森局部線性嵌入映射、擴散映射、局部切空間對齊分析，實驗結果表明判別式擴散映射分析模型能更有效地將高維數據向量在低維空間中進行

5、表示，減少維度冗余，揭示數據內部潛在的內蘊變量結構，減少特征向量所需的存儲空間。
　　 3.針對設備性能狀態(tài)的量化評估與趨勢預測問題，提出半監(jiān)督式模糊均值方法和多尺度正交時間序列模型。半監(jiān)督式模糊均值方法同時具備對設備性能狀態(tài)分類評估及量化評估的能力。多尺度正交時間序列模型將正交小波理論與時間序列理論相結合，基于設備狀態(tài)的連續(xù)量化評估值提供了一種可分布式計算的、多時間尺度的預測方法。
　　 在氣動減壓閥的截尾壽命試驗中對

6、上述方法進行了驗證。結果表明，應用二代小波包重要性重采樣算法，其時間消耗比一代小波包減少可達40％以上。采用判別式擴散映射分析的特征降維融合模型，在保持評估準確率的條件下，所需存儲的特征向量維度僅為原維度的6.25％。應用半監(jiān)督式模糊均值方法對氣動減壓閥性能狀態(tài)進行了量化評估，基于所得的連續(xù)可靠信度值進而建立多尺度正交時間序列模型，其趨勢預測的準確度較單一時間序列有明顯提高。綜合這些以精益思想為指導的特征提取與智能評估預測方法，有效提高