一种旋转机械剩余使用寿命预测方法及系统技术方案

本发明专利技术公开了一种旋转机械剩余使用寿命预测方法及系统，通过提取合适的健康指数；建立科学的退化模型；建立状态转移方程以及测量方程；基于多源参数更新粒子滤波方法开展退化模型参数估计；基于预测模型开展旋转机械剩余使用寿命预测；对预测结果开展不确定性评估，对获取结果进行概率统计，获取不同失效时间下的概率密度分布函数，进而得到各剩余使用寿命预测时间对应的概率分布情况，为决策者提供不同置信度下的预测结果。本发明专利技术构建的预测模型通用性较强，模型构建效率较高，基于粒子统计特性能够获取不同置信区间下的概率预测结果；能够综合利用历史趋势信息，具有更高的预测稳定性以及获取更高的预测精度。定性以及获取更高的预测精度。定性以及获取更高的预测精度。

【技术实现步骤摘要】
一种旋转机械剩余使用寿命预测方法及系统


[0001]本专利技术涉及旋转机械剩余使用寿命预测
，尤其公开了一种基于多源参数更新粒子滤波的旋转机械剩余使用寿命预测方法及系统。

技术介绍

[0002]RUL(Remaining Useful Life，科学的剩余使用寿命)预测方法能够在研究对象完全失效前为维护方以及使用方提供更多的决策建议，最大程度上发挥设备性能、提升经济效益；同时，滚动轴承RUL预测能够有效避免设备过度使用情形下，因为提前到寿而出现的突发性故障，极大降低由此引发灾难性事故的风险。
[0003]PF(Particle Filter，基于粒子滤波)预测方法不用过于关注研究对象的失效机理，且能够给出不确定性评估结果。但是，PF预测方法仍然面临计算量大，预测模型选择难以及计算结果不稳定的问题。预测外推阶段是没有观测样本对模型进行修正的，故而，预测模型直接决定外推预测结果。简单的预测模型一般难以表征研究对象的退化趋势，而复杂模型必然将增加预测方法的难度以及计算成本。如何构建合适的预测模型一直是RUL预测相关研究学者所关心的难点问题。
[0004]此外，如何开展预测模型参数评估也是目前RUL预测工作中的一大难题。传统预测模型参数仅与t时刻的退化指标观测值有关。虽说机械设备故障退化不可逆，但是渐变过程也将包括微突变阶段，即使是实验室环境下通过现代信号处理技术获取的预测指标也无法保证绝对平稳，经过平滑处理的特征指标也将包含微突变阶段。因此，预测起始点处于微突变阶段时传统的PF方法将出现预测模型参数估计失真问题。如果预测模型参数仅局限于当前时刻观测样本，容易导致历史观测样本关键趋势信息丢失，造成预测模型偏离研究对象实际整体退化趋势。故而，t时刻的预测模型参数不应该仅由当前时刻的观测样本所决定，更应该决定于当前已知观测样本的整体退化趋势。
[0005]因此，如何构建合适的预测模型以及科学估计预测模型参数，是目前旋转机械RUL预测工作中亟待解决的技术问题。

技术实现思路

[0006]本专利技术提供了一种旋转机械剩余使用寿命预测方法及系统，旨在解决RUL预测工作中构建合适的预测模型以及科学估计预测模型参数的技术问题。
[0007]本专利技术的一方面涉及一种旋转机械剩余使用寿命预测方法，包括以下步骤：
[0008]提取合适的健康指数：基于同型号研究对象全寿命历史数据以及当前观测值提取振动烈度作为健康指数，用以表征旋转机械退化趋势；
[0009]建立科学的退化模型：基于历史先验知识或历史统计数据回归拟合，构建合适的预测退化模型；
[0010]建立状态转移方程以及测量方程：
[0011]基于多源参数更新粒子滤波方法开展退化模型参数估计；
[0012]基于预测模型开展旋转机械剩余使用寿命预测：基于参数更新的预测模型开展研究对象剩余使用寿命外推预测，获取多粒子到达设定阈值的时间以及粒子数；
[0013]对预测结果开展不确定性评估：对获取结果进行概率统计，获取不同失效时间下的概率密度分布函数，进而得到各剩余使用寿命预测时间对应的概率分布情况，为决策者提供不同置信度下的预测结果。
[0014]进一步地，提取合适的健康指数的步骤中，振动烈度通过以下公式计算出：
[0015][0016]其中，f
s
为采样频率，x(n)为振动加速度信号，N为单个样本采样点数，m＝N/f
s
。
[0017]进一步地，建立科学的退化模型的步骤中，退化模型为：
[0018][0019]y
k
＝x
k
+ω
k
[0020]其中，y
k
为观测值；x
k
为状态值；x
k
‑1为上一时刻状态值；ω
k
为观测误差；为退化状态的退化速率，由三部分组成，即：即：为现有观测样本以及粒子生成样本退化速率回归预测值；为现有观测样本以及生成样本的退化速率；为历史观测数据退化速率。
[0021]进一步地，建立状态转移方程以及测量方程的步骤中，状态转移方程以及测量方程为：
[0022][0023]h
k
＝f(θ
k
，k)+η，η～N(0，σ0)
[0024]其中，θ
k
＝[a
k
，b
k
，
…
]表示k时刻退化模型参数向量，a
k
、b
k
表示当前时刻模型参数，a
k
‑1、b
k
‑1表示上一时刻模型参数，f(θ
k
，k)表示预测模型，h
k
表示k时刻获取的观测值；ω
a
、ω
b
和η分别表示服从高斯分布的随机变量，σ
a
、σ
b
以及σ0分别为上述三个变量的高斯分布方差。
[0025]进一步地，基于多源参数更新粒子滤波方法开展退化模型参数估计的步骤包括：
[0026]粒子初始化：假设系统共有K个观测样本，在每个k时刻，k
×
1，2，
…
K，基于观测样本进行先验概率更新；
[0027]粒子预测：在k时刻，基于重要性分布，采样得到N个粒子，用以表示系统状态先验分布；
[0028]采样得到的N个粒子为：
[0029][0030]其中，a
k
、b
k
分别表示第i个粒子获取的当前时刻模型参数集合以及模型参数；
[0031]粒子更新：计算获取每个粒子的权值，得出k时刻系统状态x的最小均方估计；
[0032]每个粒子的权值为：
[0033][0034][0035]其中，表示第i个粒子当前时刻权值，表示第i个粒子上一时刻权值，表示后验概率，为第i个粒子对应的观测值；为第i个粒子对应的状态值；x
k
‑1为上一时刻状态值，表示第i个粒子的平均权值；
[0036]k时刻系统状态x的最小均方估计为：
[0037][0038]其中，表示第i个粒子对应的状态值；
[0039]粒子重采样：基于权值大小对粒子重采样，获取新的粒子集
[0040]本专利技术的另一方面涉及一种旋转机械剩余使用寿命预测系统，包括：
[0041]提取模块，用于提取合适的健康指数：基于同型号研究对象全寿命历史数据以及当前观测值提取振动烈度作为健康指数，用以表征旋转机械退化趋势；
[0042]第一建立模块，用于建立科学的退化模型：基于历史先验知识或历史统计数据回归拟合，构建合适的预测退化模型；
[0043]第二建立模块，用于建立状态转移方程以及测量方程；
[0044]参数估计模块，用于基于多源参数更新粒子滤波方法开展退化模型参数估计；
[0045]寿命预测模块，用于基于预测模型开展旋转机械剩余使用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种旋转机械剩余使用寿命预测方法，其特征在于，包括以下步骤：提取合适的健康指数：基于同型号研究对象全寿命历史数据以及当前观测值提取振动烈度作为健康指数，用以表征旋转机械退化趋势；建立科学的退化模型：基于历史先验知识或历史统计数据回归拟合，构建合适的预测退化模型；建立状态转移方程以及测量方程；基于多源参数更新粒子滤波方法开展退化模型参数估计；基于预测模型开展旋转机械剩余使用寿命预测：基于参数更新的预测模型开展研究对象剩余使用寿命外推预测，获取多粒子到达设定阈值的时间以及粒子数；对预测结果开展不确定性评估：对获取结果进行概率统计，获取不同失效时间下的概率密度分布函数，进而得到各剩余使用寿命预测时间对应的概率分布情况，为决策者提供不同置信度下的预测结果。2.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述提取合适的健康指数的步骤中，所述振动烈度通过以下公式计算出：其中，f
s
为采样频率，x(n)为振动加速度信号，N为单个样本采样点数，m＝N/f
s
。3.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述建立科学的退化模型的步骤中，所述退化模型为：y
k
＝x
k
+ω
k
其中，y
k
为观测值；x
k
为状态值；x
k
‑1为上一时刻状态值；ω
k
为观测误差；为退化状态的退化速率，由三部分组成，即：即：为现有观测样本以及粒子生成样本退化速率回归预测值；为现有观测样本以及生成样本的退化速率；为历史观测数据退化速率。4.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述建立状态转移方程以及测量方程的步骤中，所述状态转移方程以及测量方程为：h
k
＝f(θ
k
，k)+η，η～N(0，σ0)其中，θ
k
＝[a
k
，b
k
，
…
]表示k时刻退化模型参数向量，a
k
、b
k
表示当前时刻模型参数，a
k
‑1、b
k
‑1表示上一时刻模型参数，f(θ
k
，k)表示预测模型，h
k
表示k时刻获取的观测值；ω
a
、ω
b
和η分别表示服从高斯分布的随机变量，σ
a
、σ
b
以及σ0分别为上述三个变量的高斯分布方差。5.如权利要求1所述的旋转机械剩余使用寿命预测方法，其特征在于，所述基于多源参
数更新粒子滤波方法开展退化模型参数估计的步骤包括：粒子初始化：假设系统共有K个观测样本，在每个k时刻，k
×
1，2，
…
K，基于观测样本进行先验概率更新；粒子预测：在k时刻，基于重要性分布，采样得到N个粒子，用以表示系统状态先验分布；所述采样得到的N个粒子为：其中，a
k
、b
k
分别表示第i个粒子获取的当前时刻模型参数集合以及模型参数；粒子更新：计算获取每个粒子的权值，得出k时刻系统状态x的最小均方估计；所述每个粒子的权值为：所述每个粒子的权值为：其中，表示第i个粒子当前时刻权值，表示第i个粒子上一时刻权值，表示后验概率，为第i个粒子对应的观测值；为第i个粒子对应的状态值；x
k
‑1为上一时刻状态值，表示第i个粒子的平均权值；k时刻系统状态x的最小均方估计为：其中，表示第i个粒子对应的状态值；粒子重采样：基于权值大小对粒子重采样，获取新的粒子集6.一种旋转机械...

【专利技术属性】
技术研发人员：傅子霞，沈建，赵英杰，尹昊，
申请(专利权)人：长沙职业技术学院，
类型：发明
国别省市：