一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法技术

本发明专利技术公开了一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，(1)采用同类型轴向柱塞泵的历史运行寿命数据、性能监测数据和工况监测数据。(2)使用广义线性混合模型建模构建联合模型多元变量退化子模型，辨识性能监测数据之间的关联性。(3)使用比例风险模型构建失效风险子模型，量化轴向柱塞泵不同退化特征对失效率的影响程度。(4)通过极大似然法对联合模型参数进行估计，利用蒙特卡罗算法进行可靠度预测，得到轴向柱塞泵的RUL预测。(5)利用轴向柱塞泵监测数据验证集，评测指标MAE辨识协变量与失效率最优关联结构。本发明专利技术方法独特，通过准确辨识协变量与失效率的关联结构，提高剩余寿命预测的准确度。提高剩余寿命预测的准确度。提高剩余寿命预测的准确度。

【技术实现步骤摘要】
一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法


[0001]本专利技术涉及液压设备预测领域，具体为一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法。

技术介绍

[0002]伴随着复杂工业和系统的出现，以及德国“工业4.0”战略的提出，液压系统在机械制造业、起重运输业及航空航天业中整体呈现智能化、数字化以及复杂程度增加等特点。应工业界对可靠性的要求，在制造业等领域中有着主导性地位的液压系统技术成为了大量机械装备控制和动力的源泉。由于液压设备在实际生产中的工作环境通常比较恶劣，从而导致各种零部件会经常失效，可靠性大幅度地降低，影响生产工作的进度。因此，针对液压系统核心部件进行寿命预测研究成为工程师和学术界重要的研究课题。
[0003]柱塞泵作为液压系统的动力元件之一，其种类也是比较多，常见的柱塞泵有单柱塞泵、卧式柱塞泵、轴向柱塞泵、径向柱塞泵。柱塞泵其性能状态受到工作环境、维护状况等多种因素的影响,容易发生故障。因此,为保证液压泵安全、可靠运行,实现主动性维护,需要对其进行状态检测与寿命预测研究以预知故障发生时机,避免恶性事故发生,达到降低维修费用，延长设备使用寿命的目的。
[0004]经过对现有技术的文献检索和专利的检索发现常见的柱塞泵的寿命预测方法主要有以下几种：
[0005]方法1：刘义宏等人在《基于加速模型的柱塞泵寿命评估预测方法研究》中针对传统的寿命试验具有实验周期长，费用高等问题，因此给出一种通过增加油液介质污染度作为加速应力的柱塞泵寿命评估方法。该方法首先分析了影响柱塞泵寿命的失效原因，其次给出了柱塞泵的磨损加速寿命试验方法，然后建立加速寿命模型，利用统计分析方法给出了柱塞泵的寿命计算方法。方法1主要侧重于失效机理和性能退化分析以及能够预测柱塞泵RUL的应用。
[0006]方法2：南西康等人在《基于非线性Wiener过程的柱塞泵剩余使用寿命分析》中以轴向柱塞泵泄漏回油流量作为其性能退化指标,应用非线性Wiener过程构建其剩余使用寿命预测模型。通过与柱塞泵实例寿命比较表明模型有效性。方法2主要侧重于基于概率统计的退化模型实现柱塞泵的RUL预测。
[0007]方法3：崔英等人在《基于特征选择支持向量机的柱塞泵智能诊断》从首先对采集的振动信号基于小波包分解提取能量特征，然后利用Fisher准则函数选择对智能诊断最有利的特征，利用支持向量机进行训练，并将每个二类支持向量机按二叉树的组织形式构成系统的诊断模型。最后实验结果验证了基于Fisher特征选择和支持向量机结合的柱塞泵诊断新方法的有效性。方法3主要侧重于基于支持向量机与Fisher特征选择结合的人工智能方法用于预测柱塞泵剩余寿命。
[0008]方法4：沈为清等人在《基于ARIMA模型的轴向柱塞泵回油量预测研究》中根据回油量的实时监测数据展开数据分析，采用属于数据驱动的时间序列方法,对轴向柱塞泵的回
油流量历史数据进行时间序列ARIMA建模，探索了使用时间序列方法进行泵剩余使用寿命的可行性。研究结果为使用时间序列方法预测泵的剩余使用寿命提供了有益借鉴。方法4主要侧重于基于数据驱动的ARIMA时间序列建模用于探究柱塞泵剩余寿命的可行性。
[0009]方法5：杨柳等人在《基于隐半马尔可夫模型的液压泵剩余使用寿命预测》中提出一种基于观测序列预测和状态识别的剩余寿命预测模型。首先,采用一种遗传算法和神经网络的组合模型用于对观测序列的预测。另外,提出了一种结合改进的序贯重要性重抽样和隐半马尔可夫模型模型参数的方法,可以实现状态识别功能。以液压泵为研究对象的实验结果证明这种方法有较高的识别精度且具有良好剩余寿命的预测性能。方法5主要侧重于采用基于结合改进的序贯重要性重抽样和隐半马尔可夫模型模型参数的方法来评估其液压泵健康状态。
[0010]目前流行的基于退化
‑
失效两阶段模型法依靠单一传感器的监测数据并不能准确掌握柱塞泵内部其真实退化情况，监测状态演变和轴向柱塞泵失效事件的关联关系挖掘不足，存在模型估计的偏差；以及考虑轴向柱塞泵退化当前量对失效率的影响时，忽略了退化速率和历史累积退化量等不同特征，会降低可靠性预测准确度，从而难以为轴向柱塞泵设备维护和健康管理提供可靠参考。

技术实现思路

[0011]本专利技术的目的在于提供一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，以解决上述
技术介绍
中提出的监测柱塞泵数据难以准确掌握柱塞泵内部其真实退化情况，提出辨识协变量与失效率的关联结构，提高剩余寿命预测的效率，同时提高设备可靠性预测精度。
[0012]为实现上述目的，本专利技术提供如下技术方案：
[0013]一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，包括以下步骤：
[0014](1)采用同类型轴向柱塞泵的历史运行寿命数据、性能监测数据和工况监测数据(压力、温度、流量)，将所述数据集中的样本按照蒙特卡罗交叉验证随机分为训练集，验证集和测试集，并且进行数据预处理。
[0015](2)辨识轴向柱塞泵性能监测数据之间的关联性，利用PCA主成分分析法将轴向柱塞泵高维性能退化数据降维，使用广义线性混合模型建模构建联合模型多元变量退化子模型。
[0016](3)量化轴向柱塞泵不同退化特征对失效率的影响，使用比例风险模型构建失效风险子模型。
[0017](4)通过极大似然法对联合模型参数进行估计，利用蒙特卡罗算法进行可靠度预测，得到轴向柱塞泵的RUL预测。
[0018](5)验证集轴向柱塞泵监测数据利用评测指标MAE辨识输出最优关联结构，使用测试集验证所提方法有效性。
[0019]进一步，上述步骤(1)中对数据预处理划分，具体步骤如下：输入同类型轴向柱塞泵的历史运行寿命数据、性能监测数据和工况监测数据，将样本按照99：1的比例划分训练集V
train
和测试集V
test
。训练集样本按照8：1进行10次单独的模型训练和验证。
[0020]所述步骤(2)中，辨识柱塞泵性能退化数据相关性，具体步骤为：选用协方差矩阵
法来判断轴向柱塞泵性能退化数据之间的相关性；
[0021]基于主成分分析法(PCA)降维。具体步骤为:提取大量的柱塞泵特征信号进行初步筛选，删除了一部分无变化的信号，并且通过线性变化将高维性能退化数据映射到低维空间，保留那些对轴向柱塞泵退化状态比较敏感的部分主成分特征。
[0022]构建联合模型子模型
‑
退化模型。具体步骤如下：设Dn＝{Ti,T
iU
,δ
i
,y
i
；i＝1,...n}表示总的轴向柱塞泵样本，其中T
i*
表示第i个柱塞泵的真实失效事件时间，T
i
和T
iU
表示监测到的事件时间。此外，φ
i
＝{0，1，2，3}表示事件指示函数，0表示为右截尾(T
i*
＞T
i
)，1表示为真实事件(T
i本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，其特征在于，包括以下步骤：(1)采用同类型轴向柱塞泵的历史运行寿命数据、性能监测数据和工况监测数据(压力、温度、流量)，将所述数据集中的样本按照蒙特卡罗交叉验证随机分为训练集，验证集和测试集，并且进行数据预处理；(2)探究轴向柱塞泵性能监测数据之间的关联性，利用PCA主成分分析法将轴向柱塞泵高维性能退化数据降维，使用广义线性混合模型建模构建联合模型多元变量退化子模型；(3)探究轴向柱塞泵不同退化特征对失效率的影响，使用比例风险模型构建失效风险子模型；(4)通过极大似然法对联合模型参数进行估计，利用蒙特卡罗算法进行可靠度预测，得到轴向柱塞泵的RUL预测；(5)验证集轴向柱塞泵监测数据利用评测指标MAE辨识输出最优关联结构，使用测试集验证所提方法有效性。2.根据权利要求1所述的一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，其特征在于：上述步骤(1)中对数据预处理划分，具体步骤如下：输入同类型轴向柱塞泵的历史运行寿命数据、性能监测数据和工况监测数据，将样本按照99：1的比例划分训练集V
train
和测试集V
test
；训练集样本按照8：1进行十次单独的模型训练和验证。3.根据权利要求1所述的一种基于联合模型辨识的轴向柱塞泵剩余寿命预测方法，其特征在于：所述步骤(2)中构建联合模型子模型
‑
退化模型，具体步骤如下：设Dn＝{Ti,T
iU
,δ
i
,y
i
；i＝1,...n}表示总的轴向柱塞泵样本，其中T
i*
表示第i个柱塞泵的真实失效事件时间，T
i
和T
iU
表示监测到的事件时间，此外，φ
i
＝{0，1，2，3}表示事件指示函数，0表示为右截尾(T
i*
＞T
i
)，1表示为真实事件(T
i*
＞T
i
)，2表示为左截尾(T
i*
＜T
i
)，3表示区间截尾(T
i
＜T
i*
＜T
iU
),假设y
l
(t
li
)表示为第i个轴向柱塞泵在t时刻第l个监测结果的观测值，其中n表示轴向柱塞泵的总数量，n
...

【专利技术属性】
技术研发人员：钱新博，胡鑫，卢艳，陶波，
申请(专利权)人：武汉科技大学，
类型：发明
国别省市：