【技術實現步驟摘要】
本專利技術屬于機械設備剩余壽命預測，具體涉及一種采用模型遞歸更新策略的機械在線剩余壽命預測方法。
技術介紹
1、機械設備作為工業發展過程中的重要組成部分，在各行各業得到了廣泛的應用，然而隨著機械設備的結構日益復雜，設備發生故障的概率大大提高。如果不能在故障發生前對故障進行有效的預測和維護，往往會引起較為嚴重的后果。因此，實現對機械設備剩余使用壽命的準確預測，提前對剩余使用壽命不足的設備進行維護，從而保證機械設備高效安全運行具有重要意義。
2、現如今數據驅動的剩余壽命預測方法(x.liu,y.lei,n.li,x.si,x.li,rulprediction?ofmachinery?using?convolutional-vector?fusion?network?throughmulti-feature?dynamic?weighting[j].mechanical?systems?and?signal?processing,2023,185:109788.)大多依賴高質量的全壽命退化數據來訓練預測模型，這些方法有兩個前提假設：1、能夠提前獲取大量失效數據；2、不同機械設備的退化行為是相似的。然而對于實際工程設備，往往只有少量退化數據或沒有退化數據；即使積累了足夠的失效數據，由于制造差異、服役環境等各種不確定性因素，使得同一批設備之間的退化過程也存在一定差異，導致這種依賴數據訓練方法的適用性和靈活性較低。
3、雖然已經有一些數據驅動的方法(n.li,p.xu,y.lei,x.cai,d.kong,a?sel
技術實現思路
1、為了克服現有技術的以上缺點，本專利技術的目的在于提供了一種采用模型遞歸更新策略的機械在線剩余壽命預測方法，利用機械設備自身的狀態監測數據來預測其剩余壽命，并能夠根據最新的監測數據自適應更新模型參數并實時選擇最優退化模型，在減少計算時間的同時提高機械設備剩余壽命的預測精度。
2、為了達到上述目的，本專利技術采取的技術方案為：
3、一種采用模型遞歸更新策略的機械在線剩余壽命預測方法，包括以下步驟：
4、第1步，建立機械設備退化模型與退化模型庫；
5、第2步，確定三個閾值：預警閾值d1、報警閾值d2和失效閾值d3，三個閾值將監測值劃分為4個不同的級別；
6、2.1)預警閾值d1是級別i和級別ii的分界線，級別i和級別ii分別代表健康階段和初始退化階段；在機械設備早期運行階段，將記錄的觀測值作為健康階段下的隨機樣本，計算這些觀測值的3σ區間，并選擇其上邊界或下邊界作為預警閾值d1；
7、2.2)失效閾值d3是等級iii和等級iv之間的邊界，等級iii和等級iv分別代表嚴重退化階段和失效階段，需要根據國家、行業標準或實際情況進行預先指定；
8、2.3)報警閾值d2是級別ii和級別iii之間的邊界，定義為預警閾值d1和失效閾值d3的平均值；
9、第3步，在服役中的機械設備在線監測數據中確定起始退化時間fdt和起始預測時間fpt；當觀測值達到預警閾值d1，將這個時間點定義為機械設備的起始退化時間fdt；當觀測值達到報警閾值d2，將這個時間點定義為起始預測時間fpt；
10、第4步，機械設備退化模型參數估計：使用極大似然估計與期望最大化組合算法對退化模型中的參數進行估計；
11、第5步，實時參數更新：當達到起始預測時間fpt，就開始對機械設備的剩余壽命預測；采用序貫貝葉斯算法并依據最新的監測數據實現對參數的更新；
12、第6步，最優退化模型自動選擇：基于遞歸貝葉斯信息準則(rbic)評估建立的狀態空間模型的擬合性能，自動選擇當前最優狀態空間模型；
13、第7步，計算剩余壽命。
14、所述的第1步具體為：采用具有自適應漂移的隨機系數回歸模型描述t時刻的退化過程：
15、
16、其中，y(t)為t時刻機械設備健康狀態觀測值；y0為初始值；α為漂移系數，其均值為μα，方差為服從正態分布為用來描述隨時間變化退化趨勢的趨勢函數，β為固定參數；ω(t)是均值為0，方差為的噪聲項，服從正態分布
17、建立包含線性函數、多項式函數、指數函數和冪函數四種退化趨勢的退化模型庫。
18、所述的退化模型庫中所包含的退化模型并非固定，根據用戶的要求構造連續可微函數并添加至新的退化模型庫中。
19、所述的步驟2.1)中選擇3σ區間的上邊界用于監測值隨著退化過程增加的情況，而3σ區間的下邊界用于觀測值隨著退化過程減少的情況。
20、所述的第4步具體為：機械設備退化模型中的未知參數用向量形式表示為起始退化時間fdt之后的一系列監測數據表示為yfdt:n＝(yfdt,yfdt+1,…,yn)',n<fpt，監測數據對應的時間序列表示為(tfdt,tfdt+1,…,tn),n<fpt；
21、由極大似然估計法估計模型參數未知參數的估計值是使式(2)最大化的值：
22、
23、式中，ti表示第i個監測數據所處的時刻；yi為機械設備在ti時刻的健康狀態觀測值；yd為預警閾值d1的幅值；ψ為計算概率密度的函數；
24、根據公式(1)定義的機械設備退化模型，基于歷史監測數據yfdt:n的完整對數似然函數表示為：
25、
26、其中，n表示從fdt到n的全部監測數據的數量；μα,0與為漂移系數α初始分布的均值和方差；
27、在使用期望最大化算法對參數進行迭代估計時，將利用極大似然估計法所得到的模型參數估計值作為期望最大化算法的初值這里為隨機初始化值，假設參數θ第j次迭代的估計結果已經得到，那么，第j+1次參數θ的估計過程分為e步和m步；
28、e步，公式(3)的期望e(θ|θ(j))表示為：
29、
30、其中，e(α|θ(j),yfdt:n)和e(α2|θ(j),yfdt:n)為α與α2的條件期望；
31、m步，最大化期望e(θ|θ(j))，θ(j+1)的估計結果由公式(5)求解：
32、
33、計算公式(4)關于的偏導數，并且令則的估計值由β表示，公式如下：
34、本文檔來自技高網...
【技術保護點】
1.一種采用模型遞歸更新策略的機械在線剩余壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，所述的第1步具體為：采用具有自適應漂移的隨機系數回歸模型描述t時刻的退化過程：
3.根據權利要求2所述的預測方法，其特征在于：所述的退化模型庫中所包含的退化模型并非固定，根據用戶的要求構造連續可微函數并添加至新的退化模型庫中。
4.根據權利要求1所述的預測方法，其特征在于：所述的步驟2.1)中選擇3σ區間的上邊界用于監測值隨著退化過程增加的情況，而3σ區間的下邊界用于觀測值隨著退化過程減少的情況。
5.根據權利要求1所述的預測方法，其特征在于，所述的第4步具體為：機械設備退化模型中的未知參數用向量形式表示為起始退化時間FDT之后的一系列監測數據表示為YFDT:n＝yFDT,yFDT+1,…,yn)',n<FPT，監測數據對應的時間序列表示為tFDT,tFDT+1,…,tn),n<FPT；；
6.根據權利要求5所述的預測方法，其特征在于，所述的第5步具體為：假設當前全部監測數據為YF
7.根據權利要求6所述的預測方法，其特征在于，所述的第6步具體為：RBIC的表達式如下：
8.根據權利要求7所述的預測方法，其特征在于，所述的第7步具體為：將最優退化模型和相應的參數帶入公式(4)，則在tk時刻的剩余壽命預測結果表示為：
...【技術特征摘要】
1.一種采用模型遞歸更新策略的機械在線剩余壽命預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的預測方法，其特征在于，所述的第1步具體為：采用具有自適應漂移的隨機系數回歸模型描述t時刻的退化過程：
3.根據權利要求2所述的預測方法，其特征在于：所述的退化模型庫中所包含的退化模型并非固定，根據用戶的要求構造連續可微函數并添加至新的退化模型庫中。
4.根據權利要求1所述的預測方法，其特征在于：所述的步驟2.1)中選擇3σ區間的上邊界用于監測值隨著退化過程增加的情況，而3σ區間的下邊界用于觀測值隨著退化過程減少的情況。
5.根據權利要求1所述的預測方法，其特征在于，所述的第4步具體為：機械設備退化模型中的未知參數用向量形式表示為起始退化時間fdt之后的一系列監...
【專利技術屬性】
技術研發人員：李乃鵬，張明睿，徐鵬程，雷亞國，楊彬，李響，
申請(專利權)人：西安交通大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。