基于多隐藏状态分数布朗运动的设备剩余寿命预测方法技术

本发明专利技术涉及机电设备寿命预测领域，公开了一种基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，解决传统基于分数布朗运动的设备剩余寿命预测方法中只考虑到当前的观测值，设备寿命预测精度低的问题。首先根据设备的寿命退化趋势选取非线性函数，确定非线性分数布朗运动模型，将非线性函数中的参数当作隐藏状态；再将非线性分数布朗运动模型转换为非线性布朗运动模型；再对训练数据进行曲线拟合，得到隐藏状态均值的初始值；再迭代更新隐藏状态的均值和方差，得到隐藏状态的分布函数；再推导第一次冲击时间的后验概率密度分布；最后用第一次冲击时间的后验概率密度分布进行寿命预测。本发明专利技术适用于机电设备的剩余有效寿命预测。

【技术实现步骤摘要】
基于多隐藏状态分数布朗运动的设备剩余寿命预测方法
本专利技术涉及机电设备寿命预测领域，尤其涉及基于多隐藏状态分数布朗运动的设备剩余寿命预测方法。
技术介绍
随着现代科技工业技术的迅速发展和功能需求的不断提高，大量机电设备逐渐呈现出复杂化、综合化和智能化的趋势，这些趋势迫切的需要机电设备的健康管理能力和可靠性的提升。机电设备在运行过程中有着不可避免的性能退化。当设备的性能退化到设备不足以完成其功能时，会导致设备停机甚至故障，带来巨大的经济损失甚至人员伤亡。准确的预测设备的剩余有效寿命能够提供正确有效的维修策略，从而在避免这些严重安全的事故和经济损失方面起到重要作用。因此，对于设备剩余有效寿命的预测已经成为系统故障预测和健康管理领域的研究热点了。锂电池作为许多机电设备的电源，其能否提供设备所需功率对于机电设备的安全运行有着重大影响。因此，对锂电池的剩余寿命预测也十分必要。目前对于设备的剩余有效寿命预测的方法主要分为两类：一类是基于回归模型的方法，这类方法主要是依赖由状态方程和量测方程组成的状态空间模型和回归分析，例如结合通过锂电池退化数据得到的经验退化函数和粒子滤波的方法；第二类是基于随机过程模型的方法，这类方法主要将设备退化过程当作随机过程，然后通过随机过程，如伽马过程，马尔科夫过程，维纳过程等，来表征退化过程，进而解析地得到第一次冲击时间的后验分布函数。由于第一次冲击时间的概率分布函数为逆高斯分布，线性布朗运动模型在剩余有效寿命预测领域中受到了广泛的关注。然而工程实际中，设备退化过程大多数呈现出非线性特性，导致线性布朗运动模型使用受限。随后非线性布朗运动模型的第一次冲击时间的分布函数被通过时空转换近似得到，这使得非线性布朗运动模型得到了广泛的应用。但是布朗运动模型假设在整个退化过程中增量是独立的，这与一些设备退化过程是不符的，如锂电池，轴承等。这些设备退化过程中增量存在相关性，也就是说这些退化过程存在长依赖性。非线性分数布朗运动模型被引入来进行这些退化过程存在长依赖性的设备的剩余有效寿命预测，有效的解决了相关增量的问题，但是之前文献中基于非线性分数布朗运动模型的剩余寿命预测方法将模型中参数当作常数，这样会存在只考虑到当前的观测值的问题。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，解决传统基于分数布朗运动的设备剩余寿命预测方法中只考虑到当前的观测值，设备寿命预测精度低的问题。为解决上述问题，本专利技术采用的技术方案是：基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，包括以下步骤：步骤1：根据设备的寿命退化趋势选取非线性函数，并确定非线性函数的非线性分数布朗运动模型，并将非线性函数中的参数当作不可观测的状态变量，不可观测的状态变量即隐藏状态；步骤2：将非线性分数布朗运动模型转换为非线性布朗运动模型；步骤3：选取训练数据，并基于步骤1选取的非线性函数对训练数据进行曲线拟合，通过拟合曲线得到隐藏状态均值的初始值；步骤4：利用设备的历史退化数据迭代更新隐藏状态的均值和方差，得到隐藏状态的分布函数；步骤5：结合隐藏状态的分布函数，推导第一次冲击时间的后验概率密度分布；步骤6：用第一次冲击时间的后验概率密度分布对设备的剩余有效寿命进行预测。进一步的，步骤1确定的非线性分数布朗运动模型如下：其中，X(t)是设备t时刻的状态；X(0)为初始状态；μ(τ；θ)为非线性函数；τ为非线性函数中的积分变量，θ为非线性函数中的参数向量；σH为漂移系数；BH(t)为赫斯特指数为H的分数布朗运动函数。进一步的，为了步骤3让更好的对训练数据进行曲线拟合，步骤1选取的非线性函数为：μ(τ；θ)＝a·b·exp(bτ)+c·d·exp(dτ)其中，a、b、c和d为非线性函数中的参数，θ＝[a,b,c,d]。进一步的，步骤2通过弱收敛理论将非线性分数布朗运动模型转换为非线性布朗运动模型。进一步的，步骤3选取美国航空航天局卓越故障预测中心提供的BatteryDataSet试验数据作为训练数据。进一步的，为了更好的迭代更新隐藏状态的均值和方差，步骤4采用无味粒子滤波的方法迭代更新隐藏状态的均值和方差。进一步的，步骤4得到隐藏状态的分布函数为：其中，mk表示k时刻的隐藏状态的均值，Pk表示k时刻的隐藏状态的方差，X0:k表示0到k时刻的粒子观测值，θk表示k时刻的不可观测的状态变量。进一步的，步骤5推导的第一次冲击时间的后验概率密度分布函数为：其中：lk为剩余有效寿命，ωth为电容量阈值，Ns为粒子数目，为第i个粒子在k时刻的权重，为第i个粒子在k时刻隐藏状态的值，σ(t)为将分数布朗运动模型转换为布朗运动模型时产生的时变系数。本专利技术的有益效果是：本专利技术通过将非线性分数布朗运动模型中非线性函数的参数当作隐藏变量，来使得模型更加灵活，并采用无味粒子滤波的方法，将历史数据用于迭代更新多个隐藏状态的均值和方差，得到隐藏状态的分布函数；同时，本专利技术将双指数函数之和作为非线性分数布朗运动模型中的非线性函数，近似得到第一次冲击时间的后验分布函数，最后实现对锂电池的剩余有效寿命预测，提高了设备的寿命预测精度。附图说明图1是本专利技术的流程图；图2a-图2c是在40,45,50,55,60,65,70Cycle时，方法4分别与方法1-3预测结果的对比图；图3是在40,45,50,55,60,65,70Cycle时，四种方法预测结果的相对误差对比图。图中：L1-L4分别表示方法1至方法4所预测的剩余有效寿命的概率密度函数曲线；A表示真实的剩余寿命值；M1-M4分别方法1至方法4的预测结果的相对误差曲线。具体实施方式本专利技术的基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，如图1所示，包括以下步骤：步骤1：根据设备的寿命退化趋势选取非线性函数，并确定非线性函数的非线性分数布朗运动模型，并将非线性函数中的参数当作不可观测的状态变量，不可观测的状态变量即隐藏状态。该步骤可以选取μ(τ；θ)＝a·b·exp(bτ)+c·d·exp(dτ)作为非线性函数，其中，a、b、c和d为非线性函数中的参数，θ＝[a,b,c,d]；进而步骤1所确定的非线性分数布朗运动模型为：其中，X(t)是设备t时刻的状态；X(0)为初始状态，一般取0；μ(τ；θ)为非线性函数；τ为非线性函数中的积分变量，θ为非线性函数中的参数向量；σH为漂移系数；BH(t)为分数布朗运动。步骤2：将非线性分数布朗运动模型转换为非线性布朗运动模型。该步骤可以通过弱收敛理论将非线性分数布朗运动模型转换为非线性布朗运动模型。步骤3：选取训练数据，并基于步骤1选取的非线性函数对训练数据进行曲线拟合，通过拟合曲线得到隐藏状态均值的初始值。该步骤可以选取美国航空航天局卓越故障预测中心提供的BatteryDataSet试验数据作为训练数据。步骤4：利用设备的历史退化数据迭代更新隐藏状态的均值和方差，得到隐藏状态的分布函数。该步骤可以采用无味粒子滤波的方法迭代更新隐藏状态的均值和方差。步骤5：结合隐藏状态的分布函数，推导第一次冲击时间的后验概率密度分布。步骤6：用第一次冲击时间的后验概率密度分布对锂电池的剩余有效寿命进行预测。本专利技术通过将非线性分数布朗运动模型中非线性函数的参本文档来自技高网...

【技术保护点】
1.基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，其特征在于，包括以下步骤：步骤1：根据设备的寿命退化趋势选取非线性函数，并确定非线性函数的非线性分数布朗运动模型，并将非线性函数中的参数当作不可观测的状态变量，不可观测的状态变量即隐藏状态；步骤2：将非线性分数布朗运动模型转换为非线性布朗运动模型；步骤3：选取训练数据，并基于步骤1选取的非线性函数对训练数据进行曲线拟合，通过拟合曲线得到隐藏状态均值的初始值；步骤4：利用设备的历史退化数据迭代更新隐藏状态的均值和方差，得到隐藏状态的分布函数；步骤5：结合隐藏状态的分布函数，推导第一次冲击时间的后验概率密度分布；步骤6：用第一次冲击时间的后验概率密度分布对设备的剩余有效寿命进行预测。

【技术特征摘要】
1.基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，其特征在于，包括以下步骤：步骤1：根据设备的寿命退化趋势选取非线性函数，并确定非线性函数的非线性分数布朗运动模型，并将非线性函数中的参数当作不可观测的状态变量，不可观测的状态变量即隐藏状态；步骤2：将非线性分数布朗运动模型转换为非线性布朗运动模型；步骤3：选取训练数据，并基于步骤1选取的非线性函数对训练数据进行曲线拟合，通过拟合曲线得到隐藏状态均值的初始值；步骤4：利用设备的历史退化数据迭代更新隐藏状态的均值和方差，得到隐藏状态的分布函数；步骤5：结合隐藏状态的分布函数，推导第一次冲击时间的后验概率密度分布；步骤6：用第一次冲击时间的后验概率密度分布对设备的剩余有效寿命进行预测。2.如权利要求1所述的基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，其特征在于，步骤1确定的非线性分数布朗运动模型如下：其中，X(t)是设备t时刻的状态；X(0)为初始状态；μ(τ；θ)为非线性函数；τ为非线性函数中的积分变量，θ为非线性函数中的参数向量；σH为漂移系数；BH(t)为赫斯特指数为H的分数布朗运动函数。3.如权利要求2所述的基于多隐藏状态分数布朗运动的设备剩余寿命预测方法，其特征在于，步骤1选取的非线性函数为：μ(τ；θ)＝a·b·exp(bτ)+c·d·exp(d...

【专利技术属性】
技术研发人员：苗强，张恒，张新，王剑宇，莫贞凌，刘慧宇，曾小飞，王俊峰，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51