基于高阶隐半马尔可夫模型的健康评估与 prognostics
应用统计
2020-02-14 v1
摘要
本文提出一种基于高阶隐半马尔可夫模型（HOHSMM）的崭新且灵活的 prognostics 框架，用于具有不可观测健康状态与复杂转移动态的系统或部件。HOHSMM 扩展了基本隐马尔可夫模型（HMM），允许隐状态依赖于其更久远的历史，并假设状态持续时间为一般分布。设计了一种有效的吉布斯采样算法用于 HOHSMM 的统计推断。所提 HOHSMM 采样器的性能通过仿真实验进行评估。我们进一步设计了一种解码算法，利用所学模型估计隐健康状态。在给定解码隐状态下，采用仿真方法预测剩余有用寿命（RUL）。所提 prognostics 框架的实用价值通过 NASA 涡扇发动机案例研究得以证明。结果表明，基于 HOHSMM 的 prognostics 框架为复杂系统提供了良好的隐健康状态评估与 RUL 估计。
引用
@article{arxiv.2002.05272,
title = {Health Assessment and Prognostics Based on Higher Order Hidden Semi-Markov Models},
author = {Ying Liao and Yisha Xiang and Min Wang},
journal= {arXiv preprint arXiv:2002.05272},
year = {2020}
}