一种故障演化趋势的设备剩余使用寿命预测方法技术

本发明专利技术公开一种故障演化趋势的设备剩余使用寿命预测方法，通过选择对故障演化过程单调趋势表征能力最大的测点数据作为剩余使用寿命预测的数据源；通过选择对故障演化过程综合能力最大的统计特征作为剩余使用寿命预测模型的预测特征输入预测模型；通过预测模型预测设备的剩余使用寿命。本发明专利技术能够为剩余寿命预测方法提供效的数据源和预测特征输入，确保设备剩余使用寿命预测的精度更高效、准确，减少或避免设备突发失效导致的重大事故发生。

【技术实现步骤摘要】
一种故障演化趋势的设备剩余使用寿命预测方法
本专利技术属于设备安全管理
，特别是涉及一种故障演化趋势的设备剩余使用寿命预测方法。
技术介绍
设备剩余寿命预测是实现预知维修、状态维修和健康管理技术的关键，对于有效提高设备的运行效率、降低费用和风险具有重要意义。目前，公知的设备剩余使用寿命预测方法集中在数据处理、特征提取和预测方法等方面，采用时域、频域或时频域结合的方法从复杂噪声干扰的原始信号中提取故障特征，进而采用智能算法预测剩余使用寿命。但是，公知的方法存在以下问题：第一，针对相同设备相同的故障演化状态，由于测点位置不同，采集的数据源包含的故障演化信息度不同或者数据源受环境噪声干扰度不同，即使采用相同的特征提取方法和预测方法，预测精度也会出现较大差别。现有技术没有从剩余使用寿命预测数据采集的源头上考虑如何获取与预测关联最大的故障演化信息，使得大量与故障演化信息无关的无效信息作为预测数据源，导致数据源缺少丰富的故障演化信息，对预测特征提取和剩余寿命预测技术的支撑度弱；第二就是针对同一测点采集的数据，使用不同特征提取技术对故障演化过程的单调能力、趋势能力、辨识能力及鲁棒能力有很大不同，这对故障演化趋势跟踪监控、预测至关重要。现有技术没有分析特征提取技术对设备正常状态到完全失效状态下的整个全寿命过程的综合能力，使得无效的特征进入预测模型，导致预测的时间长、效率低，甚至直接降低预测的精度。
技术实现思路
为了解决上述问题，本专利技术提出了一种故障演化趋势的设备剩余使用寿命预测方法，能够为剩余寿命预测方法提供效的数据源和预测特征输入，确保设备剩余使用寿命预测的精度更高效、准确，减少或避免设备突发失效导致的重大事故发生。为达到上述目的，本专利技术采用的技术方案是：一种故障演化趋势的设备剩余使用寿命预测方法，包括步骤：通过选择对故障演化过程单调趋势表征能力最大的测点数据作为剩余使用寿命预测的数据源；通过选择对故障演化过程综合能力最大的统计特征作为剩余使用寿命预测模型的预测特征输入预测模型；通过预测模型预测设备的剩余使用寿命。进一步的是，所述剩余使用寿命预测数据源获取方法包括步骤：使用部署在设备上的各个测点以相同时间间隔采集从正常状态到完全失效状态全寿命故障演化过程的原始数据；计算各个时刻的原始数据的均方根值，建立所有测点描述的故障演化趋势曲线；计算各个趋势曲线的趋势能力，去除没有趋势的测点数据，选择具有最大单调趋势能力的测点数据作为剩余使用寿命预测的数据源。进一步的是，所述剩余使用寿命预测特征提取方法包括步骤：使用时频域统计特征计算方法计算所述数据源中各个时刻的特征值，建立时频域统计特征描述的故障演化趋势曲线；分析不同统计特征描述的故障演化特征，综合计算时频统计特征对故障演化过程的单调能力、趋势能力、辨识能力和鲁棒能力，选择综合能力最大的特征作为剩余使用寿命的预测特征。进一步的是，所述剩余使用寿命预测，使用选择的预测特征建立的故障演化趋势序列作为预测模型的输入，预测设备的剩余使用寿命。进一步的是，所述剩余使用寿命预测数据源获取包括步骤：S101.通过部署在不同设备监测点上的传感器采集故障演化过程的原始数据：根据系统功能结构、故障传播特点和状态监控要求，初步部署测点NT为测点总数；采集系统从正常状态到出现故障状态下的全寿命故障演化过程的原始数据其中，Oi为第i个测点ti采集的故障演化数据，Oi＝{Xi(1),Xi(2),Xi(3),...,Xi(n),...,Xi(NL)}，Xi(n)为测点ti采集的第n时刻的数据，NL为故障演化数据对应的样本数；S102：对所述原始数据O进行预处理：式中，Xi(n)为全寿命数据Oi第n时刻的数据，μi和σi分别为Xi(n)的均值和标准差；S103：计算原始数据O各个时刻数据的均方根值：式中，ei(n)为数据源Oi在n时刻的均方根值，N为n时刻采集数据点总数，xi(n)为数据Oi对应的n时刻的数据向量；S104:进行归一化处理：式中，Ei＝{ei(1),ei(2),ei(3),...,ei(n),,...,ei(NL)}，Ei为测点ti采集的全寿命原始数据Oi的特征向量，Emax为Ei中的最大值，Emin为Ei中的最小值，为特征向量Ei归一化后的向量；S105:计算故障演化数据的M-K统计量：式中，Zi为Oi的M-K统计量，NL为Oi中采集的故障演化数据样本数，Si为故障演化数据Oi检验统计量；其中，式中，sign为符号函数，当Xi(n1)-Xi(n2)小于、等于或大于零时，sign(Xi(n1)-Xi(n2))分别为-1、0或1，NL为Oi中采集的故障演化数据样本总数；S106:选择剩余使用寿命预测的数据源O*：式中，Zi为故障演化数据Oi的M-K统计量，NT为监测点总数，O*为O中NT个M-K统计量最大的数据源。进一步的是，所述剩余使用寿命预测特征提取方法包括步骤：S201.使用时频统计指标计算方法，计算O*中故障演化原始数据在各个时刻的统计指标φi(n),1≤n≤NL,1≤i≤NE，NE为统计特征总数；建立统计特征描述的故障演化趋势Φi＝{φi(1),φi(2),...,φi(NL)}为使用第i个时频统计特征建立的故障演化趋势；S202：计算故障演化趋势的单调能力：式中，Φi为第i个特征描述的故障演化趋势序列，dΦi/dx＝Φi(n)-Φi(n-1)，No.of(dΦi/dx)＞0表示Φi序列中后者大于前者的数目，即正差，No.of(dΦi/dx)＜0表示X序列中后者小于前者的数目，即负差，Mon(Φi)为X序列中正差和负差的绝对差值；S203：计算故障演化趋势的趋势能力：式中，tn为故障演化趋势Φi第n个值对应的时间，Φi(n)为tn时刻对应的指标值，NL为Oi中采集的故障演化数据样本数，Tre(Φi)为故障演化趋势Φi的趋势能力；S204：计算故障演化趋势的辨识能力：式中，NS为划分的故障状态数，ms和为第S个状态下的均值和方差，值越高，表明指标越能有效辨识不同的故障状态；Ide(Φi)为第i个指标的故障演化趋势的辨识能力；S205：计算故障演化趋势的鲁棒能力：式中，Φi(n)为第i个统计指标在tn时刻对应的值，通过平滑方法获得的统计指标在tn时刻的平均趋势值，NL为故障演化数据样本总数；S206：计算综合能力：HMi＝ω1Mon(Φi)+ω2Tre(Φi)+ω3Ide(Φi)+ω4Rob(Φi)；式中，ω1,ω2,ω3,ω4分别表示单调能力、趋势能力、辨识能力和鲁棒能力对应的权重,Φi为第i个统计指标描述的故障演化趋势，Mon(Φi)、Tre(Φi)、Ide(Φi)、Rob(Φi)分别为Φi的单调能力、趋势能力、辨识能力和鲁棒能力，HMi为Φi的综合能力；S207：选择综合能力最大的演化趋势：式中，ψi为第i个统计特征，HMi为统计指标ψi描述的故障演化趋势的综合能力，NE为统计特征总数，ψ*为描述故障演化趋势综合能力最大的统计特征。进一步的是，所述剩余使用寿命预测包括步骤：S301：使用非参数Mann-Kendall法突变检测方法辨识早期故障点tIF；S302：以O*为剩余使用寿命预测的数据源，以综合能力最大的特征ψ*为剩余使用寿命预测的特征，提取设备从正常状态开始本文档来自技高网...

【技术保护点】
1.一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，包括步骤：通过选择对故障演化过程单调趋势表征能力最大的测点数据作为剩余使用寿命预测的数据源；通过选择对故障演化过程综合能力最大的统计特征作为剩余使用寿命预测模型的预测特征输入预测模型；通过预测模型预测设备的剩余使用寿命。

【技术特征摘要】
1.一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，包括步骤：通过选择对故障演化过程单调趋势表征能力最大的测点数据作为剩余使用寿命预测的数据源；通过选择对故障演化过程综合能力最大的统计特征作为剩余使用寿命预测模型的预测特征输入预测模型；通过预测模型预测设备的剩余使用寿命。2.根据权利要求1所述的一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，所述剩余使用寿命预测数据源获取方法包括步骤：使用部署在设备上的各个测点以相同时间间隔采集从正常状态到完全失效状态全寿命故障演化过程的原始数据；计算各个时刻的原始数据的均方根值，建立所有测点描述的故障演化趋势曲线；计算各个趋势曲线的趋势能力，去除没有趋势的测点数据，选择具有最大单调趋势能力的测点数据作为剩余使用寿命预测的数据源。3.根据权利要求2所述的一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，所述剩余使用寿命预测特征提取方法包括步骤：使用时频域统计特征计算方法计算所述数据源中各个时刻的特征值，建立时频域统计特征描述的故障演化趋势曲线；分析不同统计特征描述的故障演化特征，综合计算时频统计特征对故障演化过程的单调能力、趋势能力、辨识能力和鲁棒能力，选择综合能力最大的特征作为剩余使用寿命的预测特征。4.根据权利要求3所述的一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，所述剩余使用寿命预测，使用选择的预测特征建立的故障演化趋势序列作为预测模型的输入，预测设备的剩余使用寿命。5.根据权利要求4所述的一种故障演化趋势的设备剩余使用寿命预测方法，其特征在于，所述剩余使用寿命预测数据源获取包括步骤：S101.通过部署在不同设备监测点上的传感器采集故障演化过程的原始数据：根据系统功能结构、故障传播特点和状态监控要求，初步部署测点NT为测点总数；采集系统从正常状态到出现故障状态下的全寿命故障演化过程的原始数据其中，Oi为第i个测点ti采集的故障演化数据，Oi＝{Xi(1),Xi(2),Xi(3),...,Xi(n),...,Xi(NL)}，Xi(n)为测点ti采集的第n时刻的数据，NL为故障演化数据对应的样本数；S102：对所述原始数据O进行预处理：式中，Xi(n)为全寿命数据Oi第n时刻的数据，μi和σi分别为Xi(n)的均值和标准差；S103：计算原始数据O各个时刻数据的均方根值：式中，ei(n)为数据源Oi在n时刻的均方根值，N为n时刻采集数据点总数，xi(n)为数据Oi对应的n时刻的数据向量；S104:进行归一化处理：式中，Ei＝{ei(1),ei(2),ei(3),...,ei(n),,...,ei(NL)}，Ei为测点ti采集的全寿命原始数据Oi的特征向量，NL为Oi中采集的故障演化数据样本数，Emax为Ei中的最大值，Emin为Ei中的最小值，为特征向量Ei归一化后的向量；S105:计算故障演化数据的M-K统计量：式中，Zi为Oi的M-K统计量，NL为Oi中采集的故障演化数据样本数，Si为故障演化数据Oi检验统计量；其中，式中，sign为符号函数，当Xi(n1)-Xi(n2)小于、等于或大于零时，sign(Xi(n1)-Xi(n2))分别为-1、0或1，NL为O...

【专利技术属性】
技术研发人员：谭晓栋，黄娟，张婧，周梓鑫，
申请(专利权)人：谭晓栋，
类型：发明
国别省市：四川,51