一种含有多个相关退化过程的剩余寿命预测方法技术

本发明专利技术公开了一种含有多个相关退化过程的剩余寿命预测方法，属于预测与健康管理中剩余寿命预测领域，包括以下步骤：读入间接的状态监测退化数据，即传感器测量数据，初始化状态空间模型参数；利用序贯卡尔曼滤波方法辨识隐含的退化状态，并在此基础上通过EM算法迭代更新模型的未知参数；基于蒙特卡洛方法对所得退化过程进行外推，在三种不同的系统失效模式下，估计剩余寿命的可靠度函数，并通过数值微分求取对应的概率密度函数；最后，利用均方误差分析模型的拟合效果以及剩余寿命的预测精度。本方法较以往方法具有更强的普适性。

A residual life prediction method with multiple related degradation processes

The invention discloses a method for predicting remaining life contains a number of related degradation processes, which belongs to the prediction of residual life prediction and health management, including the following steps: read the state monitoring data degradation indirectly, namely sensor measurement data, initialization state space model parameters; using the sequential degradation state Calman filtering method for identifying hidden. The unknown parameters based on EM algorithm through iterative update model; Monte Carlo method based on the extrapolation of the degradation process, failure modes in three different systems, estimation of the reliability function of the residual life, and through numerical calculating the probability density function of the corresponding; finally, the prediction accuracy by using mean square error analysis the model fitting effect and residual life. This method is more universally applicable than the previous method.

【技术实现步骤摘要】
一种含有多个相关退化过程的剩余寿命预测方法
本专利技术属于预测与健康管理中剩余寿命预测领域，具体涉及一种含有多个相关退化过程的剩余寿命预测方法。
技术介绍
基于状态监测信息的剩余寿命预测是预测与健康管理领域中的一项重要技术。该技术是将退化过程首次到达预设的失效阈值的时间看作随机过程的首达时问题，其核心思想在于计算首达时间的期望或是概率密度函数，从而为预测维护工作提供合理的先验知识，能够有效地降低维护成本。考虑到预测的不确定性，恰当的概率密度函数更受青睐。目前，预测与健康管理领域国内外学者提出的剩余寿命预测算法主要包括四大类，分别是物理机理方法，实验方法，数据驱动方法以及复合方法。其中，数据驱动方法只依赖于观测数据，在实际过程中使用较为广泛。对于此类方法，按照信息的获取方式又可分为基于直接监测数据和基于间接监测数据两类。注意到绝大多数工作仅仅针对的是一维退化数据，却不考虑系统的复杂度。也就是说，系统的全部性能指标假定只由单一退化过程进行描述。但是，实际工业系统通常包含多种不同类型的操作单元，不同单元之间还可能存在一定的相关关系。举例来说，大型高炉由炉喉，炉身，炉腹，炉腰和炉缸构成，其中，炉缸的不断侵蚀会对风口造成很大程度的影响，甚至烧穿。对于这种情况，一个关键的问题在于如何预测含有多个相关退化过程的系统的剩余寿命。近几年利用Copula函数建模退化过程相关性的方法取得了较为广泛的应用。但是，直接使用Copula函数存在一些明显的局限性：第一，Copula函数只能引入统计意义下的相关系数，并没有封闭的数学形式；第二，利用Copula函数降低维度会丢失大量有用信息，比如协方差矩阵中的交叉项；第三，如何选择合适的Copula函数尚且是一个艰难的问题。显然，已有的基于Copula函数的退化建模不能较好地描述多个相关的退化过程。
技术实现思路
针对现有技术中存在的上述技术问题，本专利技术提出了一种含有多个相关退化过程的剩余寿命预测方法，设计合理，克服了现有技术的不足，具有良好的效果。为了实现上述目的，本专利技术采用如下技术方案：一种含有多个相关退化过程的剩余寿命预测方法，该方法在处理退化数据时按照以下步骤依次实现：步骤1：读入M组状态监测退化数据，即传感器测量数据，第j组传感器测量数据记为其中，j＝1,2,…,M；步骤2：将每组首个数据作为初始测量偏差各个监测时刻下隐含的退化状态记为xk，针对如下结构初始化模型参数，包括漂移系数λ，非线性系数γ，状态方程的协方差矩阵Q，测量系数矩阵g(j)以及各个测量的噪声方差其中，表示第j组传感器在tk时刻下的测量向量，Φk～N(0,Qk)，τk为第k个监测间隔，当Φk为对角矩阵时，各个退化过程之间互不相关，模型退化为多个传统的一维模型，而当扩散系数矩阵为一般矩阵时，第i个退化过程xi(t)不仅仅由对应的第i个扩散项Bi(t)决定，还可能受到B1(t),…,Bi-1(t),Bi+1(t),…,BN(t)的影响；步骤3：基于序贯卡尔曼滤波方法辨识隐含的退化状态xk|k；步骤4：利用EM算法迭代更新未知参数λ,γ,Q,的估计；步骤5：通过蒙特卡洛仿真方法，分别在串联、并联以及加性的失效模式下(记作M1,M2,M3)，计算剩余寿命的可靠度函数Rk(t)，即其中，Lj表示第j个退化过程xj(t)的失效阈值，且有j＝1,2,…,N；τ表示蒙特卡洛采样间隔，为第k个监测时刻下退化状态的估计值，Υk为第k个监测时刻以前的所有测量数据；步骤6：利用数值微分求取剩余寿命的概率密度函数，即步骤7：分别计算三种失效模式下的均方误差MSE，即其中，为tk时刻时真实的剩余寿命，根据MSE的值检验模型的预测效果：若MSE随着监测时刻逐渐减小直至趋于零，即说明预测效果良好。按照使用对象的实际需求判断系统的失效模式，一般包括串联失效，并联失效以及加性失效，具体地，若系统各个部件均为关键部件，则为串联失效；若尚有一个部件正常仍能继续工作，则为并联失效；若各个部件对于系统的失效体现为部分失效，且存在累积效应，则为加性失效，最终输出对应的fk(t)。本专利技术所带来的有益技术效果：本方法能够处理含多个相关隐退化过程的复杂系统，剩余寿命的预测精度大大提高；本方法相对以往剩余寿命预测算法普适性更强，准确度更高；本方法中新的退化模型将单一退化过程升级为多个退化过程，考虑了隐含的相关性，体现在扩散系数矩阵当中，具体为：当扩散系数矩阵为对角矩阵时，各个退化过程之间互不相关，模型退化为多个传统的一维模型；当扩散系数矩阵为一般矩阵时，第i个退化过程xi(t)不仅仅由对应的第i个扩散项Bi(t)决定，还可能受到B1(t),…,Bi-1(t),Bi+1(t),…,BN(t)的影响；对于多个相关的隐退化过程，本方法仍能较为准确的预测系统的剩余寿命。本专利技术方法可以应用到以下场合：1、高速列车，轮船，航天器等的性能退化过程；2、高炉炼铁等化工生产过程。附图说明图1是本专利技术方法的流程图。图2是实例一的退化轨迹。图3是实例一的参数估计结果。图4是实例一的剩余寿命预测结果。图5是实例一的均方误差。图6是实例二的观测数据。图7是实例二的剩余寿命预测结果。图8是实例二的均方误差。具体实施方式下面结合附图以及具体实施方式对本专利技术作进一步详细说明：1、一种含有多个相关隐退化过程情况下的剩余寿命预测算法，其流程如图1所示，具体按照以下步骤依次实现：步骤1：读入M组状态监测退化数据，即传感器测量数据，分别记为y(1)(t),y(2)(t),…,y(M)(t)，其中，步骤2：取每组首个数据作为初始测量偏差记各个监测时刻下隐含的退化状态为xk，针对如下结构初始化模型参数其中，表示第j组传感器在tk时刻下的测量向量，Φk～N(0,Qk)，τk为第k个监测间隔，步骤3：基于序贯卡尔曼滤波方法辨识隐含的退化状态xk|k。首先，针对各组传感器，计算时间更新，即其中，和分别为第j组传感器在tk时刻下的退化状态和协方差矩阵的时间更新，λk和γk分别为tk时刻下退化状态的漂移系数和非线性系数，Qk为协方差矩阵的增量。然后，计算测量更新，即其中，和分别为第M组传感器在tk时刻下的退化状态和协方差矩阵测量更新，和Pk+1|k+1分别为tk时刻下的退化状态和协方差矩阵最终的测量更新，且有步骤4：利用EM算法迭代更新未知参数λ,γ,Q,的估计。首先是E-步，为保证状态估计信息的可靠性，计算隐退化状态的后向迭代，即其中，为tk时刻下后向估计的td时刻的退化状态，Pd|k为tk时刻下后向估计的td时刻的协方差矩阵，Pd,d-1|k为tk时刻下后向估计的td时刻和td-1时刻的互协方差矩阵，且有然后，在M-步中，利用数值方法(如MATLAB中的fsolve函数)求解γk的估计，即计算λk,Qk,的估计，即检验参数估计的收敛性，即其中，Δ为一个小的正数；步骤5：初始化蒙特卡洛采样间隔以及离散时间序号l，基于估计的未知参数集通过蒙特卡洛方法进行离散采样，生成大量预测样本即其中，分别在串联、并联以及加性的失效模式(记作M1,M2,M3)下，计算剩余寿命的可靠度函数Rk(t)，即步骤6：当l足够大，基于可靠度数据利用数值微分求取剩余寿命的概率密度函数，即步骤7：分别计算三种失效模式下的均方误差MSE，本文档来自技高网...

【技术保护点】
一种含有多个相关退化过程的剩余寿命预测方法，其特征在于：按照如下步骤依次进行：步骤1：读入M组状态监测退化数据，即传感器测量数据，第j组传感器测量数据记为

【技术特征摘要】
1.一种含有多个相关退化过程的剩余寿命预测方法，其特征在于：按照如下步骤依次进行：步骤1：读入M组状态监测退化数据，即传感器测量数据，第j组传感器测量数据记为其中，j＝1，2，…，M；步骤2：将每组首个数据作为初始测量偏差各个监测时刻下隐含的退化状态记为xk，针对如下结构初始化模型参数，包括漂移系数λ，非线性系数γ，状态方程的协方差矩阵Q，测量系数矩阵g(j)以及各个测量的噪声方差其中，表示第j组传感器在tk时刻下的测量向量，Φk～N(0,Qk)，Φk为扩散系数矩阵；τk为第k个监测间隔，步骤3：基于序贯卡尔曼滤波方法辨识隐含的退化状态xk|k；步骤4：利用EM算法迭代更新未知参数λ,γ,的估计；步骤5：通过蒙特卡洛仿真方法进行离散采样，分别在串联失效模式M1、并联失效模式M2以及加性失效模式M3下，计算剩余寿命的可靠度函数Rk(t)，即其中，Lj表示第j个退化过...

【专利技术属性】
技术研发人员：周东华，席霄鹏，陈茂银，卢晓，
申请(专利权)人：山东科技大学，
类型：发明
国别省市：山东,37