一种集成融合多传感器数据的设备剩余寿命预测方法技术

本发明专利技术公开了集成融合多传感器数据的设备剩余寿命预测方法，具体包括以下步骤：步骤S1，在学习阶段，使用多个传感器测对数据采集并进行预处理和特征提取后，训练预测因子并确定系统退化状态；步骤S1.1，数据采集；步骤S1.2，数据预处理和特征选择；步骤S1.3，提取数据集的关键特征；步骤S1.4，预测模型；步骤S1.5，确定系统退化状态；步骤S2，在线估计阶段，使用预测器和预定的退化状态来估计RUL。本发明专利技术采用了主成分分析法对数据进行成分分析和特征提取，使用多层感知器的人工神经网络对预测模型进行拟合，使用k‑means方法用于聚类数据和确定系统退化状态，而提高了预测系统的稳定性。

【技术实现步骤摘要】

本专利技术涉及设备故障诊断，具体地说，本专利技术涉及一种集成融合多传感器数据的设备剩余寿命预测方法。

技术介绍

1、在目前的工业和技术背景下，预测和健康管理(phm)的应用越来越广泛，特别是在维护高度可靠性和复杂性的工程系统方面表现突出。基于系统剩余使用寿命(rul)的预防性维护策略，已被证实能有效减少不必要的系统停机时间，从而提高系统整体的运行效率，与传统的诊断方法相比，预测方法在提升系统可靠性及降低维护成本方面显示出了更高的效率和优势，在处理复杂系统的健康管理问题时，依赖单一传感器提供的数据往往难以满足要求，因此，采用多传感器数据融合技术成为了一种必要的选择。然而，多传感器数据的不一致性、矛盾性和差异性使得数据融合面临重大挑战。

2、现有技术存在的缺点和问题：

3、(1)复杂系统预测不准确性：对于现有的定义良好的物理模型的系统，能够准确预测出rul，然而对于复杂的系统，因为物理模型的不保真性和不可靠性，导致预测结果不准确。

4、(2)多维传感器数据融合处理：传感器数据显示了当前系统状态，然而对于收集到的多维传感器数据本文档来自技高网...

【技术保护点】

1.一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤S1.1，数据采集，具体内容为：

3.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤S1.2，数据预处理和特征选择，具体内容为：

4.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤S1.3，提取数据集的关键特征，具体内容为：

5.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿...

【技术特征摘要】

1.一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：具体包括以下步骤：

2.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤s1.1，数据采集，具体内容为：

3.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤s1.2，数据预处理和特征选择，具体内容为：

4.根据权利要求1所述的一种集成融合多传感器数据的设备剩余寿命预测方法，其特征在于：所述步骤s1.3，提取数据集的关键特征，具体内容为：

5.根据权利要求1所述的一种集成融合多传感器数据的设备...

【专利技术属性】
技术研发人员：江本赤，孙笑笑，李公文，许德章，刁华彬，
申请(专利权)人：安徽工程大学，
类型：发明
国别省市：