一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法技术

本申请提供一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，步骤为：采集数据库中复杂装备的健康状态监测变量与装备退化指标数据；将健康状态监测变量作为输入，装备退化指标作为输出，构建存在噪声数据的剩余使用寿命预测线性回归模型；采用变分贝叶斯方法对回归模型进行参数估计，输出模型的权重系数，并对回归模型的权重系数进行稀疏化处理，去除占比小的权重系数及其状态监测变量，得到不同工况下的线性回归模型；采集待预测装备的健康状态监测变量，根据不同工况下的线性回归模型进行剩余使用寿命预测。本发明专利技术考虑测量噪声与参数不确定的影响，采用稀疏变分贝叶斯方法选取了更少的健康状态监测变量，实现了更准确的剩余使用寿命预测。剩余使用寿命预测。剩余使用寿命预测。

【技术实现步骤摘要】
一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法


[0001]本专利技术涉及装备剩余使用寿命预测领域，特别是一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法。

技术介绍

[0002]航天器是恶劣环境(高辐射、高温、高压等)下服役的装备，不可避免地存在性能退化与故障现象。装备性能退化或故障轻则影响任务完成，重则造成安全事故。剩余使用寿命(Remaining Useful life,RUL)预测不仅能评估装备的健康状态，还能为装备维护决策提供支撑，对保障装备安全可靠运行具有重要意义，是装备预测与健康管理中的重要内容。这类复杂装备的健康状态往往受到多个因素的影响，且由于机理不清、测量不确定等问题，从多个测量变量中发现表征装备退化关键变量并建立准确预测模型面临较大挑战，使得复杂装备的剩余寿命预测一直是一个开放性问题。
[0003]这类装备通常具有多个反映系统健康状态的变量，在机理不清情况下，从若干变量中选取反映装备整体退化趋势的关键变量并建模是剩余使用寿命预测的主要工作。针对目前系统装备存在多工况、数据不确定条件下，采用稀疏变分贝叶斯方法对装备剩余使用寿命关键变量进行选取，并建立剩余使用寿命预测模型。考虑不确定性影响，对测量噪声与参数进行概率描述，采用变分贝叶斯方法对参数进行后验估计，并结合模型参数的方差值，实时地去除装备健康状态的监测变量，选取关键变量，实现装备剩余使用寿命的准确预测。

技术实现思路

[0004]本专利技术的目的就是提供一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，本专利技术通过对监测变量的处理，选取并预测装备的剩余使用寿命。
[0005]本专利技术的目的是通过这样的技术方案实现的，具体步骤如下：
[0006]1)数据采集：采集数据库中复杂装备的健康状态监测变量与装备退化指标数据；
[0007]2)构建模型：将步骤1)中得到的数据集中健康状态监测变量作为输入变量，装备退化指标作为输出变量，构建存在噪声数据的剩余使用寿命预测线性回归模型；
[0008]3)模型训练：采用变分贝叶斯的方法对回归模型进行参数估计，输出模型的权重系数，并对回归模型中的权重系数进行稀疏化处理，去除占比小的权重系数及其状态监测变量，得到不同工况下的线性回归模型；
[0009]4)剩余使用寿命预测：采集待预测装备的状态监测变量，根据步骤3)中不同工况下的线性回归模型进行剩余使用寿命预测。
[0010]进一步，步骤2)中构建模型的具体方法为：
[0011]Y＝UΘ+ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0012]式(1)中，Y＝[y1,y2,...,y
N
]T
为装备N个不同周期内的健康状态序列，U＝[U1,U2,...,U
M
]T
为M个监测变量序列构成的矩阵，对于每一个U
i
(1≤i≤M)，有U
i
＝[u
i,1
,u
i,2
,...,u
i,N
]T
，参数向量Θ＝[θ1,θ2,...,θ
M
]T
，测量噪声向量ω＝[ω1,ω2,...,ω
N
]T
。
[0013]进一步，步骤3)中模型训练的具体步骤为：
[0014]3‑
1)设置K
‑
1时刻为初始时刻，初始化模型各参数的分布；
[0015]3‑
2)构建参数估计的目标函数，根据K
‑
1时刻各参数的先验分布，利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计；
[0016]3‑
3)根据变分贝叶斯推理方法的VB最大化步骤选择出使第K时刻目标函数最优的解并作用于K+1时刻；令时刻K＝K+1，返回步骤3
‑
2)，重复步骤3
‑
2)
‑
步骤3
‑
3)，直至目标函数的下界函数收敛，输出模型系数与似然函数值；
[0017]3‑
4)去除步骤3
‑
3)中得到的占比较小的模型系数及其对应的健康状态监测变量，返回步骤3
‑
1)，重复步骤3
‑
1)
‑
步骤3
‑
4)，直至ARD变量出现最大，输出模型最优参数，得到优化后的线性回归模型。
[0018]进一步，步骤3
‑
1)中初始化模型各参数分布的具体步骤为：
[0019]3‑1‑
1)设参数向量Θ服从高斯
‑
伽马分布：
[0020][0021]式(2)中，α
‑1为高斯分布的方差，a0,b0分别为伽马分布的超参数；
[0022]3‑1‑
2)设测量噪声向量ω服从高斯分布：
[0023][0024]式(3)中，τ
‑1为高斯分布的方差，且服从伽马分布，即：
[0025][0026]式(4)中，c0,d0分别为伽马分布的超参数；
[0027]3‑1‑
3)设参数之间相互独立，其联合先验分布可表示为：
[0028][0029]式(5)中，α＝[α1,α2,...,α
M
]T
。
[0030]进一步，步骤3
‑
2)中利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计的具体步骤为：
[0031]3‑2‑
1)构建参数估计的目标函数，根据变分贝叶斯的相关思想，对目标函数进行数学变化；
[0032]3‑2‑
2)结合K
‑
1时刻各参数的先验分布，逐步更新K时刻内各参数变量的后验分布，包括后验分布q
k
(Θ)、q
k
(α)、q
k
(τ)。
[0033]进一步，3
‑2‑
1)中构建参数估计的目标函数并根据变分贝叶斯的相关思想对目标函数进行数学变化的具体步骤为：
[0034]3‑2‑1‑
1)构建目标函数：令y
1:N
＝[y1,y2,...,y
N
]T
，则根据极大似然估计MLE算法，对模型参数的辨识可转化为如下的优化问题：
[0035][0036]3‑2‑1‑
2)对于输出y
1:N
的概率密度函数最大化相当于对其对数似然函数进行最大化，输出函数y
1:N
的对数似然函数可以写为：
[0037][0038]式(7)中，q(Θ,α,τ)为任意概率密度函数，根据贝叶斯准则，有：
[0039][0040]则有：
[0041]lnp(y
1:N
)＝J+KL
ꢀꢀ
(9)
[0042]式(9)中，
[0043][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，具体步骤如下：1)数据采集：采集数据库中复杂装备的健康状态监测变量与装备退化指标数据；2)构建模型：将步骤1)中得到的数据集中健康状态监测变量作为输入变量，装备退化指标作为输出变量，构建存在噪声数据的剩余使用寿命预测线性回归模型；3)模型训练：采用变分贝叶斯的方法对回归模型进行参数估计，输出模型的权重系数，并对回归模型中的权重系数进行稀疏化处理，去除占比小的权重系数及其状态监测变量，得到不同工况下的线性回归模型；4)剩余使用寿命预测：采集待预测装备的状态监测变量，根据步骤3)中不同工况下的线性回归模型进行剩余使用寿命预测。2.如权利要求1所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤2)中构建模型的具体方法为：Y＝UΘ+ω
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式(1)中，Y＝[y1,y2,...,y
N
]
T
为装备N个不同周期内的健康状态序列，U＝[U1,U2,...,U
M
]
T
为M个监测变量序列构成的矩阵，对于每一个U
i
(1≤i≤M)，有U
i
＝[u
i,1
,u
i,2
,...,u
i,N
]
T
，参数向量Θ＝[θ1,θ2,...,θ
M
]
T
，测量噪声向量ω＝[ω1,ω2,...,ω
N
]
T
。3.如权利要求1所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3)中模型训练的具体步骤为：3
‑
1)设置K
‑
1时刻为初始时刻，初始化模型各参数的分布；3
‑
2)构建参数估计的目标函数，根据K
‑
1时刻各参数的先验分布，利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计；3
‑
3)根据变分贝叶斯推理方法的VB最大化步骤选择出使第K时刻目标函数最优的解并作用于K+1时刻；令时刻K＝K+1，返回步骤3
‑
2)，重复步骤3
‑
2)
‑
步骤3
‑
3)，直至目标函数的下界函数收敛，输出模型系数与似然函数值；3
‑
4)去除步骤3
‑
3)中得到的占比较小的模型系数及其对应的健康状态监测变量，返回步骤3
‑
1)，重复步骤3
‑
1)
‑
步骤3
‑
4)，直至ARD变量出现最大，输出模型最优参数，得到优化后的线性回归模型。4.如权利要求3所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3
‑
1)中初始化模型各参数分布的具体步骤为：3
‑1‑
1)设参数向量Θ服从高斯
‑
伽马分布：式(2)中，α
‑1为高斯分布的方差，a0,b0分别为伽马分布的超参数；3
‑1‑
2)设测量噪声向量ω服从高斯分布：式(3)中，τ
‑1为高斯分布的方差，且服从伽马分布，即：式(4)中，c0,d0分别为伽马分布的超参数；
3
‑1‑
3)设参数之间相互独立，其联合先验分布可表示为：式(5)中，α＝[α1,α2,...,α
M
]
T
。5.如权利要求3所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3
‑
2)中利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计的具体步骤为：3
‑2‑
1)构建参数估计的目标函数，根据变分贝叶斯的相关思想，对目标函数进行数学变化；3
‑2‑
2)结合K
‑
1时刻各参数的先验分布，逐步更新K时刻内各参数变量的后验分布，包括后验分布q
k
(Θ)、q
k
(α)、q
k
(τ)。6.如权利要求5所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，3
‑2‑
1)中构建参数估计的目标函数并根据变分贝叶斯的相关思想对目标函数进行数学变化的具体步骤为：3
‑2‑1‑
1)构建目标函数：令y
1:N
＝[y1,y2,...,y
N
]
T
，则根据极大似然估计MLE算法，对模型参数的辨识可转化为如下的优化问题：3
‑2‑1‑
2)对于输出y
1:N
的概率密度函数最大化相当于对其对数似然函数进行最大化，输出函数y
1:N
的对数似然函数可以写为：式(7)中，q(Θ,α,τ)为任意概率密度函数，根据贝叶斯准则，有：则有：lnp(y
1:N
)＝J+KL
ꢀꢀ
(9)式(9)中，其中，KL为q(Θ,α,τ)与p(Θ,α,τ|y
1:N
...

【专利技术属性】
技术研发人员：刘切，王浩，柴毅，李俊豪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：