摘 要：為解決空壓機(jī)設(shè)備中不確定零部件損耗及其可能引發(fā)嚴(yán)重后果的問(wèn)題，設(shè)計(jì)了基于大數(shù)據(jù)技術(shù)的空壓機(jī)設(shè)備預(yù)測(cè)性解決方案。首先，基于振動(dòng)頻譜分析構(gòu)建了空壓機(jī)壽命預(yù)測(cè)模型，通過(guò)信號(hào)濾波、異常值處理、零均值化處理等手段進(jìn)行數(shù)據(jù)預(yù)處理，通過(guò)超參數(shù)優(yōu)化和模型評(píng)估持續(xù)對(duì)空壓機(jī)設(shè)備模型進(jìn)行優(yōu)化調(diào)整。其次，通過(guò)采集現(xiàn)場(chǎng)空壓機(jī)的靜態(tài)數(shù)據(jù)和運(yùn)行數(shù)據(jù)，基于空壓機(jī)機(jī)理進(jìn)行了深入分析，提取了用于空壓機(jī)壽命預(yù)測(cè)的關(guān)鍵特征值，并設(shè)計(jì)了設(shè)備健康狀況評(píng)價(jià)指標(biāo)。通過(guò)現(xiàn)場(chǎng)空壓機(jī)測(cè)試，驗(yàn)證了空壓機(jī)設(shè)備預(yù)測(cè)性維護(hù)系統(tǒng)的合理性和可行性。測(cè)試結(jié)果表明，該系統(tǒng)能夠有效地預(yù)測(cè)空壓機(jī)的壽命，及時(shí)發(fā)現(xiàn)潛在故障，為設(shè)備的預(yù)防性維護(hù)提供有力支持。

關(guān)鍵詞：數(shù)據(jù)智能；特征提取；螺桿式空壓機(jī)；預(yù)測(cè)性維護(hù)；物聯(lián)網(wǎng)；設(shè)備故障診斷；剩余壽命預(yù)測(cè)

中圖分類(lèi)號(hào)：TP206+.3；TH455 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095-1302（2025）05-0-04

0 引 言

空壓機(jī)屬于旋轉(zhuǎn)動(dòng)力機(jī)械，是一種空氣壓縮和氣體輸送設(shè)備，被廣泛運(yùn)用于工業(yè)領(lǐng)域的各行各業(yè)。然而，其零部件在不可預(yù)見(jiàn)的情況下發(fā)生的損耗，往往會(huì)導(dǎo)致產(chǎn)線突然停工，打亂正常的生產(chǎn)節(jié)奏。更為嚴(yán)重的是，這種損耗還可能引發(fā)重大故障，給工業(yè)生產(chǎn)帶來(lái)極其重大的損失。

目前生產(chǎn)企業(yè)一般采用預(yù)防性維護(hù)來(lái)應(yīng)對(duì)這種設(shè)備故障，即對(duì)設(shè)備進(jìn)行周期性檢修來(lái)對(duì)設(shè)備進(jìn)行維護(hù)[1]。這種做法雖然有時(shí)能提前將故障排除，但缺點(diǎn)是會(huì)造成設(shè)備維護(hù)次數(shù)偏高。另外，設(shè)備停機(jī)維護(hù)也會(huì)造成生產(chǎn)產(chǎn)量的降低[2]。

為了解決上述問(wèn)題，業(yè)界提出了預(yù)測(cè)性維護(hù)的概念[3]。預(yù)測(cè)性維護(hù)是通過(guò)對(duì)設(shè)備狀況實(shí)施周期性或持續(xù)性監(jiān)測(cè)來(lái)評(píng)價(jià)在役設(shè)備狀況的一種方法或一套技術(shù)，旨在準(zhǔn)確預(yù)測(cè)并確定實(shí)施維護(hù)活動(dòng)的最佳時(shí)機(jī)。

學(xué)者們針對(duì)設(shè)備預(yù)測(cè)性維護(hù)應(yīng)用做了大量研究工作。文獻(xiàn)[4]采用累計(jì)和參數(shù)均值比進(jìn)行參數(shù)變點(diǎn)檢測(cè)，采用D-S證據(jù)理論及證據(jù)加權(quán)分配合成方法進(jìn)行多源信息融合，對(duì)柴油機(jī)潤(rùn)滑油的剩余使用壽命進(jìn)行預(yù)測(cè)，解決了傳統(tǒng)柴油機(jī)狀態(tài)監(jiān)測(cè)方法早期預(yù)警率低、動(dòng)態(tài)工況下模型適應(yīng)性差等問(wèn)題。文獻(xiàn)[5]分析了汽車(chē)工業(yè)現(xiàn)場(chǎng)相關(guān)的設(shè)備狀態(tài)數(shù)據(jù)類(lèi)型，調(diào)查了在工業(yè)現(xiàn)場(chǎng)中的數(shù)據(jù)采集方法和模式，介紹了現(xiàn)場(chǎng)設(shè)備的狀態(tài)數(shù)據(jù)類(lèi)型的建模方法和應(yīng)用場(chǎng)景。文獻(xiàn)[6]研究了風(fēng)電機(jī)組健康度評(píng)估方向和級(jí)別，并以大數(shù)據(jù)為基礎(chǔ)，提出了基于分布式數(shù)據(jù)處理技術(shù)和機(jī)器學(xué)習(xí)算法的風(fēng)電機(jī)組健康管理平臺(tái)。上述成果表明，通過(guò)采集設(shè)備運(yùn)行數(shù)據(jù)與大數(shù)據(jù)模型相結(jié)合，可實(shí)現(xiàn)實(shí)時(shí)跟蹤分析設(shè)備狀態(tài)、預(yù)測(cè)設(shè)備的失效狀態(tài)，提前避免故障的發(fā)生，有效地實(shí)現(xiàn)設(shè)備的精益化和智能化管理。

目前，設(shè)備預(yù)測(cè)性維護(hù)在空壓機(jī)領(lǐng)域，特別是在螺桿式空壓機(jī)領(lǐng)域的應(yīng)用較少?？諌簷C(jī)是否連續(xù)轉(zhuǎn)動(dòng)，對(duì)企業(yè)生產(chǎn)至關(guān)重要。鑒于此，本文將數(shù)據(jù)智能與空壓機(jī)工作相結(jié)合，探索設(shè)備預(yù)測(cè)性維護(hù)在螺桿空壓機(jī)中的應(yīng)用，研究空壓機(jī)健康度模型，實(shí)現(xiàn)設(shè)備的預(yù)測(cè)性維護(hù)，從而提高空壓機(jī)的智能化水平。

1 設(shè)計(jì)需求和設(shè)備建模過(guò)程

1.1 設(shè)計(jì)需求

以生產(chǎn)設(shè)備為對(duì)象，采用應(yīng)用統(tǒng)計(jì)學(xué)、故障模式影響及危害性分析（FMEA）、故障樹(shù)分析（FTA）、大數(shù)據(jù)處理技術(shù)、智能算法以及多目標(biāo)決策等理論方法，通過(guò)機(jī)理分析、現(xiàn)場(chǎng)數(shù)據(jù)采集、數(shù)字建模、數(shù)值仿真與應(yīng)用驗(yàn)證相結(jié)合的方式，實(shí)現(xiàn)對(duì)設(shè)備的智能診斷與預(yù)測(cè)性維修決策。

1.2 設(shè)備建模過(guò)程

1.2.1 模型選取

預(yù)測(cè)模型大致可以分為數(shù)值型預(yù)測(cè)模型與非數(shù)值型預(yù)測(cè)模型。前者的狀態(tài)輸入主要是數(shù)值型的狀態(tài)特征值，易于計(jì)算機(jī)自動(dòng)監(jiān)測(cè)與預(yù)測(cè)，與數(shù)值化的評(píng)估標(biāo)準(zhǔn)結(jié)合后可以實(shí)現(xiàn)自動(dòng)預(yù)警；后者的狀態(tài)輸入以圖譜的形式為主，需要結(jié)合人工分析給出結(jié)果，對(duì)主觀經(jīng)驗(yàn)有一定的依賴性，適用于離線的綜合分析。

在數(shù)值型預(yù)測(cè)模型中，又分為線性預(yù)測(cè)模型和非線性預(yù)測(cè)模型。線性預(yù)測(cè)模型中包括最小二乘回歸模型、時(shí)間序列建模回歸模型等。非線性預(yù)測(cè)模型包括神經(jīng)網(wǎng)絡(luò)回歸模型、支持向量機(jī)回歸模型等。這些模型一般分為學(xué)習(xí)階段和預(yù)測(cè)階段。在模型學(xué)習(xí)階段，根據(jù)已知時(shí)刻對(duì)應(yīng)的狀態(tài)信息對(duì)回歸模型的參數(shù)進(jìn)行優(yōu)化學(xué)習(xí)；在模型預(yù)測(cè)階段，結(jié)合給定的某個(gè)時(shí)刻（或某個(gè)狀態(tài)信息），根據(jù)回歸模型給出其相應(yīng)的狀態(tài)信息（或時(shí)刻值）。

在非數(shù)值型預(yù)測(cè)模型中主要是通過(guò)對(duì)特征圖譜進(jìn)行分類(lèi)或聚類(lèi)，再結(jié)合先驗(yàn)知識(shí)和人工分析結(jié)果，根據(jù)當(dāng)前特征圖譜與已知特征圖譜的相似程度來(lái)判斷設(shè)備或部件的工作狀態(tài)，并估計(jì)設(shè)備或部件的剩余壽命。這些特征圖譜可以是振動(dòng)信號(hào)的時(shí)域圖，也可以是振動(dòng)頻譜或是小波時(shí) - 頻譜圖等。基于振動(dòng)頻譜的不同特征或不同模式進(jìn)行設(shè)備或部件的壽命預(yù)測(cè)與評(píng)估。

1.2.2 數(shù)據(jù)預(yù)處理

在故障診斷系統(tǒng)中，通過(guò)傳感器進(jìn)行數(shù)據(jù)采集是為了獲得設(shè)備或部件的故障狀態(tài)信號(hào)。為確保采集到的數(shù)據(jù)能夠盡可能真實(shí)、全面地反映設(shè)備或部件的實(shí)際工作狀態(tài)，需要了解數(shù)據(jù)采集的過(guò)程和工作原理，并正確地設(shè)定采樣參數(shù)。另外，在數(shù)據(jù)采集過(guò)程中，有用的信號(hào)和各種噪聲混雜在一起，難于直接識(shí)別和利用。因此，在對(duì)采集的信號(hào)進(jìn)行分析之前，需要對(duì)信號(hào)進(jìn)行預(yù)處理。預(yù)處理的目的包括分離信號(hào)和噪聲，提高信噪比；從信號(hào)中提取有用的特征信號(hào)；修正測(cè)試系統(tǒng)的某些誤差，如傳感器的線性誤差、溫度影響等[7]。

（1）信號(hào)的濾波

為了消除檢測(cè)信號(hào)中的噪聲污染及其給各種后續(xù)分析帶來(lái)的負(fù)面影響，常采用特定的濾波器對(duì)檢測(cè)信號(hào)進(jìn)行濾波[8]。信號(hào)的濾波可以在模擬域中實(shí)現(xiàn)，也可以在數(shù)字域中實(shí)現(xiàn)。根據(jù)濾波器的選頻特性，一般將濾波器分為4類(lèi)：帶阻濾波器、帶通濾波器、高通濾波器、低通濾波器。圖1所示為這4種濾波器的頻譜特性。

（2）異常值處理

3σ規(guī)則是一種常用的異常值處理方法。該規(guī)則基于測(cè)試數(shù)據(jù)服從平穩(wěn)正態(tài)分布的假設(shè)，以及小概率事件被視為異常的推理模式，即數(shù)據(jù)點(diǎn)落在測(cè)試數(shù)據(jù)的3σ分布之外就判定為異常值。3σ規(guī)則的主要特點(diǎn)是計(jì)算非常簡(jiǎn)便，在實(shí)際診斷工作中應(yīng)用較廣泛。

（3）零均值化處理

零均值化處理也叫中心化，即把分析的數(shù)據(jù)值轉(zhuǎn)化為零均值的數(shù)據(jù)，通過(guò)中心化處理，最終得到均值為0、標(biāo)準(zhǔn)差為1的服從標(biāo)準(zhǔn)正態(tài)分布的數(shù)據(jù)。假設(shè)對(duì)連續(xù)信號(hào)采樣后得到離散數(shù)據(jù)序列{un}（n=1， 2， ... ， N）。其均值為：

（4）連續(xù)信號(hào)均值

零均值處理就是定義一個(gè)新的時(shí)間歷程x（t）=un-ua，對(duì)處理后的數(shù)據(jù)進(jìn)行采樣，得到離散數(shù)據(jù)序列{x}={un-ua}（n=1， 2， ... ， N）。這樣可以簡(jiǎn)化頻譜分析、倒譜分析等后續(xù)分析過(guò)程[9]。

1.2.3 特征工程

特征工程就是挖掘并構(gòu)建數(shù)據(jù)的特征表示，旨在尋找能夠表征數(shù)據(jù)內(nèi)在特點(diǎn)的屬性，并將這些屬性以特征向量的形式表達(dá)出來(lái)，這一過(guò)程被稱為特征提取。值得注意的是，特征和屬性之間通常存在明顯的區(qū)別。屬性一般對(duì)應(yīng)于數(shù)據(jù)表格的列，而特征則特指那些對(duì)機(jī)器學(xué)習(xí)算法有益的屬性。換言之，并非所有屬性都對(duì)機(jī)器學(xué)習(xí)系統(tǒng)有益，有些甚至可能產(chǎn)生負(fù)面影響。例如，在預(yù)測(cè)二手車(chē)下次維修時(shí)間時(shí)，車(chē)輛的顏色這一屬性很可能對(duì)預(yù)測(cè)結(jié)果沒(méi)有實(shí)質(zhì)性幫助。

特征可以用特征向量來(lái)表示。例如一條數(shù)據(jù)的特征向量可以表示為x = （x1， x2， ...， xn），即該數(shù)據(jù)包含n個(gè)特征，每個(gè)特征xi的取值可以是連續(xù)的實(shí)數(shù)或者描述性的整數(shù)。若把模型簡(jiǎn)化為函數(shù)表達(dá)式y(tǒng) = f （x1， x2， x3， ...），則特征就是其中的自變量x1， x2， x3， ...。因此，特征工程也可以理解為對(duì)模型輸入變量進(jìn)行處理的過(guò)程。這個(gè)處理的過(guò)程分為以下2種：

第一種是增加特征，也就是在原始變量的基礎(chǔ)上，再應(yīng)用各種方式生成新的自變量，比如x1和x2的平均值。但是，需要注意的是，生成的新變量一定是在預(yù)測(cè)性維護(hù)的場(chǎng)景中有實(shí)際意義的。這就需要以相關(guān)的業(yè)務(wù)知識(shí)為基礎(chǔ)了。

第二種是減少特征。這通常涉及利用設(shè)備或領(lǐng)域內(nèi)的專(zhuān)業(yè)知識(shí)，從眾多輸入變量中精心挑選出那些與預(yù)測(cè)結(jié)果緊密相關(guān)或具有顯著影響的自變量。

1.2.4 超參數(shù)優(yōu)化

超參數(shù)優(yōu)化是指對(duì)所選模型的一些超參數(shù)進(jìn)行調(diào)整，以提升模型的預(yù)測(cè)性能，使其更加精確。如果說(shuō)特征工程是對(duì)輸入變量（自變量x）進(jìn)行預(yù)處理和選擇的工作，那么超參數(shù)優(yōu)化則是通過(guò)調(diào)整f的各種超參數(shù)來(lái)優(yōu)化其性能。

1.2.5 模型評(píng)估

根據(jù)歷史數(shù)據(jù)建好模型后，就需要評(píng)估模型，也就是用另外一些在建模過(guò)程中沒(méi)有使用過(guò)的數(shù)據(jù)進(jìn)行模型測(cè)試，以驗(yàn)證模型的預(yù)測(cè)效果。測(cè)試模型用到的這部分?jǐn)?shù)據(jù)一般是在建立和訓(xùn)練模型之前，從歷史數(shù)據(jù)中劃分出的一部分?jǐn)?shù)據(jù)，通常叫做測(cè)試集數(shù)據(jù)。對(duì)于回歸模型、分類(lèi)模型有不同的模型評(píng)價(jià)指標(biāo)。

1.2.6 模型部署

模型建立好之后需要部署到實(shí)際的生產(chǎn)系統(tǒng)中運(yùn)行，不斷地接收從設(shè)備層采集到的數(shù)據(jù)，進(jìn)行預(yù)測(cè)分析。

2 方案的實(shí)施

2.1 特征參數(shù)收集準(zhǔn)備

一般來(lái)說(shuō)，設(shè)備在運(yùn)行時(shí)出現(xiàn)異常，設(shè)備的某些物理參數(shù)也會(huì)隨之改變。在兼顧全面性和易得性的原則下，且在不影響空壓機(jī)正常運(yùn)行的情況下，收集整理以下數(shù)據(jù)：

（1）靜態(tài)數(shù)據(jù)：設(shè)備正常運(yùn)行工況下的各種標(biāo)準(zhǔn)參數(shù)，如指標(biāo)的額定值、出廠日期、投運(yùn)日期、檢修信息、運(yùn)行年限等。

（2）運(yùn)行數(shù)據(jù)：溫度參數(shù)（軸承溫度），壓力數(shù)據(jù)（進(jìn)氣壓力、出氣壓力），振動(dòng)參數(shù)（轉(zhuǎn)動(dòng)軸位移），電氣參數(shù)（電流、電壓、無(wú)功功率、有功功率、功率因素）。

2.2 特征提取

對(duì)位移傳感器采集的1～4級(jí)壓縮機(jī)轉(zhuǎn)動(dòng)軸徑向位移振動(dòng)原始信號(hào)進(jìn)行時(shí)域、頻域的特征轉(zhuǎn)換與提取。傳感器在空壓機(jī)上的安裝位置如圖2所示。

2.3 設(shè)備健康狀況評(píng)估指標(biāo)

對(duì)于設(shè)備狀態(tài)評(píng)估，需要定義合適的評(píng)估方法和指標(biāo)，用于度量當(dāng)前狀態(tài)與健康狀態(tài)的差距，并預(yù)測(cè)設(shè)備退化的發(fā)展趨勢(shì)，在故障產(chǎn)生前制定合理的維修計(jì)劃。

首先，將多個(gè)狀態(tài)參數(shù)整合成單一特征；其次，定義一種改進(jìn)的馬氏距離（MD）；接著，引入滑動(dòng)時(shí)間窗；最后，構(gòu)建退化指數(shù)作為性能度量的指標(biāo)。

用非參數(shù)的直方圖法來(lái)表征改進(jìn)MD值的總體分布情況，按組距相等的原則對(duì)數(shù)據(jù)進(jìn)行分組，縱坐標(biāo)表示性能指標(biāo)出現(xiàn)的概率。直方圖中中值較小的分組表示健康狀態(tài)，中值較大的分組代表設(shè)備偏離了健康狀態(tài)。隨著設(shè)備退化，MD值較大的組占比會(huì)逐漸增大[9]。

定義頻次貢獻(xiàn)率（FC）為直方圖中單組觀測(cè)值的數(shù)量除以總的觀測(cè)值數(shù)量[10]。在時(shí)間軸上從左到右以固定時(shí)間間隔滑動(dòng)窗口，計(jì)算每個(gè)窗口內(nèi)直方圖各組值的FC。利用每組值的FC變化趨勢(shì)來(lái)評(píng)估設(shè)備的狀態(tài)，其中斜率增大時(shí)就可以認(rèn)為是故障發(fā)生或性能退化的征兆[11]。

馬氏距離的優(yōu)點(diǎn)在于：馬氏距離不受特征量的量綱和相關(guān)性影響，又保留了多維參數(shù)信息的完整性。用額定參數(shù)代替樣本數(shù)據(jù)的均值可以降低微小波動(dòng)對(duì)狀態(tài)評(píng)估的影響。

滑動(dòng)窗口的優(yōu)點(diǎn)在于：滑動(dòng)窗口可以減少瞬時(shí)擾動(dòng)引起的數(shù)值波動(dòng)，減少評(píng)估誤差，而且對(duì)長(zhǎng)期的退化趨勢(shì)的展示簡(jiǎn)單直觀。

通過(guò)采集空壓機(jī)穩(wěn)定運(yùn)行的參數(shù)數(shù)據(jù)作為健康標(biāo)準(zhǔn)，并將其作為壓縮機(jī)特征值的訓(xùn)練數(shù)據(jù)庫(kù)。通過(guò)數(shù)據(jù)標(biāo)準(zhǔn)化處理，計(jì)算得出樣本的馬氏距離作為評(píng)估參考標(biāo)準(zhǔn)。之后定期（例如每天或每周）在線采集一個(gè)時(shí)間段（窗）的運(yùn)行數(shù)據(jù)作為測(cè)試樣本，并計(jì)算樣本數(shù)據(jù)與健康樣本的馬氏距離。健康狀態(tài)評(píng)估流程如圖3所示。

3 實(shí)施效果

若在兩個(gè)較鄰近的時(shí)間段內(nèi)檢測(cè)出指標(biāo)超過(guò)閾值，則設(shè)備會(huì)發(fā)出警報(bào)。例如，在圖4所示的樣本觀測(cè)時(shí)間段內(nèi)的后半段，健康指標(biāo)持續(xù)緩慢上升，并且有超限的趨勢(shì)。此時(shí)，設(shè)備就會(huì)根據(jù)當(dāng)前指標(biāo)狀態(tài)做出響應(yīng)。

本文的方案無(wú)需對(duì)氣路、潤(rùn)滑油路等進(jìn)行改造和入侵式的檢測(cè)，只須根據(jù)現(xiàn)有運(yùn)行參數(shù)進(jìn)行健康狀態(tài)的評(píng)估。

4 結(jié) 語(yǔ)

空壓機(jī)作為一種空氣壓縮和氣體輸送設(shè)備，被廣泛應(yīng)用于工業(yè)領(lǐng)域的各行各業(yè)。其零部件在不可預(yù)見(jiàn)的情況下發(fā)生的損耗，往往會(huì)導(dǎo)致產(chǎn)線突然停工，甚至這種損耗還可能引發(fā)重大故障，給工業(yè)生產(chǎn)帶來(lái)極其重大的損失。本文設(shè)計(jì)的基于大數(shù)據(jù)技術(shù)的空壓機(jī)設(shè)備預(yù)測(cè)性系統(tǒng)能實(shí)時(shí)評(píng)估設(shè)備健康狀態(tài)，提前預(yù)測(cè)設(shè)備故障，從而降低企業(yè)設(shè)備運(yùn)維成本，具有極大的經(jīng)濟(jì)價(jià)值和可推廣性。

參考文獻(xiàn)

[1]工業(yè)和信息化部，國(guó)家標(biāo)準(zhǔn)化管理委員會(huì). 國(guó)家智能制造標(biāo)準(zhǔn)體系建設(shè)指南[S]. 北京：中國(guó)標(biāo)準(zhǔn)出版社，2018.

[2]張佳良.工業(yè)物聯(lián)網(wǎng)在打包機(jī)遠(yuǎn)程智能運(yùn)維中的應(yīng)用[J].磚瓦，2020，50（1）：37-39.

[3]金曉航，孫毅，單繼宏，等．風(fēng)力發(fā)電機(jī)組故障診斷與預(yù)測(cè)技術(shù)研究綜述[J].儀器儀表學(xué)報(bào)，2017，38（5）：1041-1053．

[4]陳冬梅，趙思恒，魏承印，等.船舶柴油機(jī)狀態(tài)監(jiān)測(cè)及預(yù)測(cè)性維護(hù)研究及應(yīng)用[J].中國(guó)機(jī)械工程，2022，33（10）：1162-1168.

[5]李洋.基于設(shè)備建模的設(shè)備預(yù)測(cè)性維護(hù)方法[J].中國(guó)設(shè)備工程，2022（12）：86-88.

[6]黃猛．基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)模型的風(fēng)力發(fā)電機(jī)組健康管理研究[J].機(jī)械制造，2017，55（8）：37-39.

[7] PECHT M G， KANG M. Prognostics and health management of electronics： fundamentals， machine learning， and the internet of things [M]. New Jersey： John Wiley and Sons Ltd， 2018.

[8]李福興，李璐爔，彭友．企業(yè)離散式智能設(shè)備預(yù)測(cè)性維護(hù)綜述[J].測(cè)控技術(shù)，2021，40（8）：1-6.

[9]李垚，朱才朝，陶友傳，等．風(fēng)電機(jī)組可靠性研究現(xiàn)狀與發(fā)展趨勢(shì)[J].中國(guó)機(jī)械工程，2017，28（9）：1125-1133．

[10] 余曉航，孫毅，單繼宏，等.風(fēng)力發(fā)電機(jī)組故障診斷與預(yù)測(cè)技術(shù)研究綜述[J].儀器儀表學(xué)報(bào)，2017，38（5）：1041-1053.

[11] 朱文博，陳紹煒，趙帥.航電系統(tǒng)故障預(yù)測(cè)與健康管理體系結(jié)構(gòu)分析[J].電光與控制，2018，25（12）：63-66.