基于数模联动的服役设备剩余寿命在线自适应预测方法技术

本发明专利技术属于人工智能技术领域，具体公开了一种基于数模联动的服役设备剩余寿命在线自适应预测方法，在离线训练阶段，构建综合寿命预测值与设备实际寿命的均方误差和寿命预测方差的优化目标函数，形成复合健康指标提取与随机退化建模的反馈闭环，对多源传感器融合系数和失效阈值进行反向优化调整，实现两者的交互联动，确定多源传感数据融合系数向量和失效阈值；在线预测时，根据数模联动离线训练得到的融合系数向量和失效阈值，在融合实际运行设备的多源监测数据以获取复合健康指标基础上，采用随机过程模型对其演变过程进行建模，基于贝叶斯序贯更新算法实时更新模型参数和设备退化状态，求得首达时间意义下的设备剩余寿命概率分布。概率分布。概率分布。

【技术实现步骤摘要】
基于数模联动的服役设备剩余寿命在线自适应预测方法


[0001]本专利技术属于人工智能
，涉及一种关键设备剩余寿命预测方法，具体涉及一种基于数模联动的服役设备剩余寿命在线自适应预测方法。

技术介绍

[0002]剩余寿命预测与健康管理技术是现代复杂工程系统、重大产品、重大设施提高运行可靠性、安全性、可维护性的关键技术，可为重大装备的长周期安全可靠运行提供重要保障。随着先进传感和状态监测技术的发展，获取能够反映设备健康状态的性能退化过程监测数据已成为可能。在此背景需求下，数据驱动的随机退化设备剩余寿命预测技术已成为国内外可靠性工程、工业工程及自动化
的研究前沿，在过去十余年得到了广泛关注和蓬勃发展。但现有数据驱动的剩余寿命预测研究中一个重要的潜在假设是设备的健康状态由单个性能退化变量直接反映，其监测数据可通过单个传感器获取。单变量假设条件给设备性能退化过程建模及剩余寿命预测提供了很大的便利和灵活性，由此促使基于单变量性能退化建模的剩余寿命预测理论和方法得到了极大的发展，但单一传感器获取的该性能退化变量监测数据往往难以全面、充分反映设备潜在健康状态并表征其随机演化过程，对于复杂退化设备而言尤其如此。
[0003]已有的多源传感数据在退化数据建模及剩余寿命预测领域更多的关注数据层融合方法，通过优化、加权、融合滤波等方式，将多维数据投影变换到一维数据上来，提取一个单变量复合性能指标，再应用已有针对单变量的方法对此一维复合健康指标的数据进行建模，据此预测设备的剩余寿命。然而，当前基于多源传感监测数据的研究中复合健康指标构建和退化建模及剩余寿命预测基本上是孤立进行的，复合健康指标构建的目的在于提高多源传感监测下随机退化设备剩余寿命预测的准确性，部分文献研究主要关注了拟合的效果，但在复合健康指标构建过程中未考虑退化轨迹预测及剩余寿命预测效果，由此导致拟合效果的改善并不意味着预测效果的提升，这与剩余寿命预测是面向未来失效事件预测的本质还有很大差距。

技术实现思路

[0004]针对现有技术中存在的问题，本专利技术的目的在于提供一种基于数模联动的服役设备剩余寿命在线自适应预测方法，根据提出的数模联动方法，在融合得到的最新多源传感监测数据基础上，基于序贯Bayesian更新算法实时更新模型参数和服役设备退化状态，求得首达时间意义下的服役设备剩余寿命概率分布，从而实现设备剩余寿命的自适应在线预测。
[0005]所述数模联动中的“数”是指构建复合健康指标提取数据退化特征，“模”是指所提取退化特征时变演化过程随机建模，通过两者之间的联动，实现数据特征提取与所提取特征时变演化过程随机建模之间的“联动”。
[0006]为了达到上述目的，本专利技术采用以下技术方案予以实现。
[0007]基于数模联动的服役设备剩余寿命在线自适应预测方法，包括以下步骤：
[0008]步骤1，对于复杂工程系统中实际服役运行的随机退化设备，收集服役设备从开始运行时刻t0到当前时刻t
K
的多源传感监测数据在线构建服役设备从开始运行时刻t0到当前时刻t
K
的复合健康指标序列z
0：K
＝{z0，z1，z2，...，z
K
}；
[0009]其中，k＝0，1，2，...，K，K为服役设备的监测时间点个数；为第j个传感器的融合系数估计值，其值通过离线训练获取；为第j个传感器在t
k
时刻采集的检测数据，z
k
服役设备在t
k
时刻的复合健康指标，1≤j≤S，S为参与融合计算的传感器个数；
[0010]步骤2，采用线性Wiener随机过程对服役设备的复合健康指标序列z
0：K
＝{z0，z1，z2，...，z
K
}与监测时刻t
0：K
＝{t0，t1，t2，
…
，t
K
}的对应关系进行建模，得到复合健康指标随机退化模型；
[0011]步骤3，采用序贯Bayesian方法更新漂移系数θ的后验分布，即将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于Bayesian方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新；
[0012]步骤4，基于首达时间的概念，对服役设备在当前时刻t
K
的剩余寿命L
k
进行描述，基于复合健康指标随机退化模型和漂移系数θ的后验估计，求解服役设备t
K
时刻剩余寿命L
K
的概率密度函数和累积分布函数，将L
K
的数学期望作为服役设备剩余寿命的预测值
[0013]进一步地，所述服役设备在当前时刻t
K
的剩余寿命基于首达时间的描述为：
[0014]L
K
＝inf{l
K
＞0：Z(l
K
+t
K
)≥ω
*
}
[0015]其中，ω
*
为失效阈值估计值，其通过离线训练过程获得；l
K
为t
K
时刻的剩余寿命对应的随机变量；inf表示下确界。
[0016]在所述复合健康指标随机退化模型和参数后验估计式(3)的基础上，求解服役设备t
K
时刻剩余寿命L
K
的概率密度函数和累积分布函数
[0017][0018][0019]其中，Φ(
·
)表示标准正态分布的累积分布函数；
[0020]则L
K
的数学期望作为服役设备剩余寿命预测的点估计
[0021][0022]其中，是对实数z的道森积分，且当实数z足够大时有D(z)
≈1/2z，因此，当时，有：
[0023][0024]进一步地，还包括：通过计算L
K
的方差以量化寿命预测结果的不确定性。
[0025]进一步地，所述离线训练的具体过程为：
[0026](a)设该系统中有N个退化失效的同类历史随机退化设备，每个设备安装有S个传感器，获取第i个随机退化设备的第j个传感器的历史监测数据集和每个随机退化设备的实际寿命1≤i≤N，1≤j≤S，Ki为第i个随机退化设备的监测时间点个数；为第i个随机退化设备的第j个传感器在t
i，k
时刻采集到的原始监测数据经归一化、窗平滑滤波后的状态监测数据；表示第i个随机退化设备的实际使用寿命；监测时刻从0开始，且监测时间间隔为等间隔；
[0027](b)将各个传感器的状态监测数据进行直接加权组合，构建多源传感监测复合健康指标；
[0028][0029]其中，W＝[w1ꢀ…ꢀ
w
j
ꢀ…ꢀ
w
S
]T
为融合系数向量，w
j
表示第j个传感器的融合系数；
[0030本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，包括以下步骤：步骤1，对于复杂工程系统中实际服役运行的随机退化设备，收集服役设备从开始运行时刻t0到当前时刻t
K
的多源传感监测数据在线构建服役设备从开始运行时刻t0到当前时刻t
K
的复合健康指标序列z
0：K
＝{z0，z1，z2，...，z
K
}；其中，k＝0，1，2，...，K，K为服役设备的监测时间点个数；为第j个传感器的融合系数估计值，其值通过离线训练获取；为第j个传感器在t
k
时刻采集的监测数据，z
k
为服役设备在t
k
时刻的复合健康指标，1≤j≤S，S为参与融合计算的传感器个数；步骤2，采用线性Wiener随机过程对服役设备的复合健康指标序列z
0：K
＝{z0，z1，z2，...，z
K
}与监测时刻t
0：K
＝{t0，t1，t2，
…
，t
K
}的对应关系进行建模，得到复合健康指标随机退化模型；步骤3，采用序贯Bayesian方法更新漂移系数θ的后验分布，即将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于Bayesian方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新；步骤4，基于首达时间的概念，对服役设备在当前时刻t
K
的剩余寿命L
K
进行描述，基于复合健康指标随机退化模型和漂移系数θ的后验估计，求解服役设备t
K
时刻剩余寿命L
K
的概率密度函数和累积分布函数，将L
K
的数学期望作为服役设备剩余寿命的预测值2.根据权利要求1所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，所述复合健康指标随机退化模型为：Z(t)＝z0+θ
t
+σB(t)；其中，Z(t)为服役设备的复合健康指标随机退化过程在t时刻的退化量Z(t)，σ为扩散系数，B(t)为标准布朗运动。3.根据权利要求1所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，步骤3的具体过程为：3.1，令漂移系数θ服从正态分布，即3.1，令漂移系数θ服从正态分布，即知通过下式计算：其中，和分别为第i个历史随机退化设备的随机退化模型对应的漂移系数估计值和扩散系数估计值，其值由离线训练获得；N为历史随机退化设备的数量，i为历史随机退化设备的序号；3.2，将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于序贯Bayesian更新方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新，即：p(θ|z
0：K
)
∝
p(z
k
|z
0：K
‑1，θ)
·
p(θ|z
0：K
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，p(θ|z
0：K
‑1)为上一时刻的模型参数θ后验分布，p(z
k
|z
0：K
‑1，θ)为给定至上一时刻的复合健康指标序列z
0：K
‑1和θ时的当前时刻复合健康指标的条件概率密度函数，其表示为：
其中，z
K
＝z(t
K
)；当K＝1时，即仅有第一个复合健康指标数据时，p(z
0：1
|θ)和p(θ)是共轭的，则后验估计p(θ|z
0：1
)服从高斯分布，即即μ
θ，1
，的估计值通过下式得到：当K≥2时，利用式(2)的递推结构以及数学归纳法，得到即：将式(3)和式(6)带入式(2)，得到即：μ
θ，K
，的估计值由下式得到：4.根据权利要求3所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，所述服役设备在当前时刻t
K
的剩余寿命基于首达时间的描述为：L
K
＝inf{l
K
＞0：Z(l
K
+t
K
)≥ω
*
}其中，ω
*
为失效阈值估计值，其通过离线训练过程获得；l
K
为t
K
时刻的剩余寿命对应的随机变量；inf表示下确界。5.根据权利要求4所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，在所述复合健康指标随机退化模型和参数后验估计式(3)的基础上，求解服役设备t
K
时刻剩余寿命L
K
的概率密度函数和累积分布函数
其中，Φ(
·
)表示标准正态分布的累积分布函数；则L
K
的数学期望作为服役设备剩余寿...

【专利技术属性】
技术研发人员：司小胜，李天梅，裴洪，刘翔，张建勋，杜党波，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：