【技术实现步骤摘要】
基于贝叶斯和神经网络的发动机剩余寿命在线预测方法
本专利技术涉及发动机设备剩余寿命的在线预测技术，具体涉及一种通过贝叶斯推断与神经网络技术，对多源传感器信号进行融合和发动机剩余寿命进行在线预测的模型方法。
技术介绍
设备发动机寿命预测是指基于系统或者组件目前的运行健康状况预测其失效或者不再执行预期的时间，广泛应用于现代工程系统与工艺制造等中，如航空发动机、汽车发动机等，在降低维护成本、提高运营效率和促进决策等方面起到越来越重要的作用。目前，现有寿命预测方法大多利用设备的某单一退化信号做寿命预测，这些方法只有在该退化信号能足够准确地捕捉整个退化过程的情况下能有效预测失效时间。然而，在很多复杂系统中，由于系统的高复杂性以及很多未被完全理解的退化机理，一种退化信号往往不足以描述整个退化过程。随着物联网与大数据技术的飞速发展，收集与系统退化有关的各类传感器信号变得越来越容易，如何通过数据融合的方法充分利用这些信号来提高预测的准确度变得尤为重要。目前已有的数据融合模型大多利用线性组合的方法将所有传感器信号组合成单一的复合健康指数，然后基于该单一指数进行寿命预测，然而，采用线...
【技术保护点】
1.一种基于贝叶斯和神经网络的发动机剩余寿命在线预测模型方法，包括离线阶段和在线阶段；在离线阶段，首先拟合发动机的退化信号，得到表征信号变化趋势的函数参数，并假设函数参数服从一定的分布，通过估计参数分布得到先验分布；然后建立神经网络模型，将估计得到的参数值作为训练数据训练神经网络；在在线阶段，随着信号的收集，对待测发动机使用贝叶斯方法计算参数的后验分布；随着数据的增多，不断更新参数，使得参数更接近真实值；再将得到的参数值使用训练好的神经网络预测待测发动机的剩余寿命，由此极大提高发动机剩余寿命预测的准确度；所述发动机剩余寿命在线预测模型方法具体包括如下步骤：1)建立表示发动机...
【技术特征摘要】
2019.05.05 CN 201910367984X1.一种基于贝叶斯和神经网络的发动机剩余寿命在线预测模型方法，包括离线阶段和在线阶段；在离线阶段，首先拟合发动机的退化信号，得到表征信号变化趋势的函数参数，并假设函数参数服从一定的分布，通过估计参数分布得到先验分布；然后建立神经网络模型，将估计得到的参数值作为训练数据训练神经网络；在在线阶段，随着信号的收集，对待测发动机使用贝叶斯方法计算参数的后验分布；随着数据的增多，不断更新参数，使得参数更接近真实值；再将得到的参数值使用训练好的神经网络预测待测发动机的剩余寿命，由此极大提高发动机剩余寿命预测的准确度；所述发动机剩余寿命在线预测模型方法具体包括如下步骤：1)建立表示发动机退化过程的贝叶斯线性模型，使得模型能够描述发动机的整体行为和单个单元的变化特征；并进行模型参数估计；包括：11)设定共有I个发动机，每个发动机i共有J个退化信号，i＝1,…,I；用式1所示的贝叶斯线性模型描述发动机随时间的退化过程：si,j,t＝Xi,jβi,j+εi,j,t(式1)其中，si,j,t表示t时刻的第i个发动机的第j个信号值，j＝1,…,J；Xi,j是(q+1)维的时间向量矩阵，q表示信号与时间函数的最高次项；参数向量βi,j是矩阵Xi,j中各项对应的回归系数，服从多维正态分布均值为方差为即在给定方差的情况下参数向量βi,j服从分布εi,j,t表示测量噪音，服从正态独立同分布，表示为其均值为0，方差为时间向量矩阵Xi,j可表示为式2：其中，ni表示第i个发动机收集到的信号数量；12)通过最大似然估计方法获得超参数即最大化式3表示的似然函数：其中，表示发动机的信号向量，是参数向量βi,j和方差的联合先验分布；采用两阶段法估计超参数ψ(j)，首先通过最大似然估计出参数然后再估计超参数ψ(j)；2)通过神经网络进行数据融合；包括：21)建立神经网络模型，将能捕捉到信号变化趋势的参数作为输入，将发动机剩余寿命作为神经网络输出；利用神经网络的非线性函数拟合，建立参数与剩余...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。