时变退化率下旋转机械的退化建模及剩余寿命预测方法技术

本发明专利技术公开了一种时变退化率下旋转机械的退化建模及剩余寿命预测方法，步骤一，时变退化率下的旋转机械退化建模；步骤二，上述模型首达时间概率分布的求解及剩余寿命预测；步骤三，基于检测数据的模型未知参数估计及剩余寿命预测分布自适应更新。本发明专利技术通过将旋转机械时变退化率用时变函数λ(t；θ)描述，将初始退化量和时变退化率下的叠加效果，从而能够将旋转机械退化建模，能够完全的表现整个机械的退化状况，通过实时的监测能够实时的进行检测。

【技术实现步骤摘要】
时变退化率下旋转机械的退化建模及剩余寿命预测方法
本专利技术涉及电子产品
，特别涉及一种时变退化率下旋转机械的退化建模及剩余寿命预测方法及电子产品。
技术介绍
剩余寿命是指设备从当前时刻到失效时刻的有效时间间隔。随着科学技术的发展和进步，现代工业过程、生产制造设备等的现代化水平不断提高，设备的复杂性也不断增加，一般难以建立准确的机理模型，因此数据驱动的方法为解决这类系统的控制、决策、优化提供了可行的途径。在数据驱动的方法中，人工智能方法一般利用监测数据，通过机器学习以拟合设备性能变量的演化规律，进而通过外推性能变量到失效阈值以实现剩余寿命的预测。然而，这类方法往往只能得到剩余寿命预测的点估计值(即剩余寿命的期望)，难以刻画预测结果的不确定性。考虑到进行剩余寿命预测是制定健康管理策略、确定最优维护时机的前提，而且在这些相关的决策中，一般需要剩余寿命的概率分布，人工智能方法难以得到体现剩余寿命随机不确定特征的概率分布函数，因此这类方法在健康管理相关的决策应用中有一定的局限性。相比之下，统计数据驱动的方法依赖于得到的监测数据，利用统计或随机模型对监测数据进行建模，进而对剩余寿命的分布本文档来自技高网...

【技术保护点】
1.一种时变退化率下旋转机械的退化建模及剩余寿命预测方法，其特征在于，包括以下步骤：步骤一，时变退化率下的旋转机械退化建模：将旋转机械时变退化率用时变函数λ(t；θ)描述，基于此，考虑以下时变退化率下的随机过程描述旋转机械的性能退化过程:

【技术特征摘要】
1.一种时变退化率下旋转机械的退化建模及剩余寿命预测方法，其特征在于，包括以下步骤：步骤一，时变退化率下的旋转机械退化建模：将旋转机械时变退化率用时变函数λ(t；θ)描述，基于此，考虑以下时变退化率下的随机过程描述旋转机械的性能退化过程:步骤二，上述模型首达时间概率分布的求解及剩余寿命预测：基于以上建立的退化过程，通过首达时间的概念，设备的寿命T可定义为:T＝inf{t:X(t)≥w|X(0)＜w}；设首达时间T对应的概率密度函数为fT(t)，累计分布函数为FT(t)，则有：其中为时变函数；步骤三，基于检测数据的模型未知参数估计及剩余寿命预测分布自适应更新：对于模型参数Θ的估计，可通过构建自组织状态空间模型，将参数Θ当作潜在的状态，将退化过程X(t)按照Euler离散策略表示，建立如下的自组织状态空间模型：其中初始状态Θ0～N(a0,P0)，η～N(0,Q)，Y～N(0,1)；对于自组织状态空间模型，采用Bayesian滤波可以实现模型参数Θ的自适应估计，这里可以采取的Bayesian滤波主要包括扩展Kalman滤波、强跟踪滤波、粒子滤波，对于自组织状态空间模型引入的新参数a0,P0,Q，统一表示为参数向量H，对于H的估计，拟采取Bayesian平滑与期望最大化算法相结合的方法对H进行估计，主要包括下面两步:计算期望似然函数:最大化期望似然函数:其中p(·)表示概率密度函数。2.根据权利要求1所述的一种时变退化率下旋转机械的退化建模及剩余寿命预测方法，其特征在于：所述步骤一中，其中B(t)为标准Browian...

【专利技术属性】
技术研发人员：孙国玺，孙飞昊，刘洋，
申请(专利权)人：广东石油化工学院，
类型：发明
国别省市：广东,44