CN102073770A - 一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法 - Google Patents

Abstract

本发明公开了一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，属于故障预测技术领域，具体包括以下几个步骤：步骤一：确定待评价的预测模型组；步骤二：确定各模型预测事例数据；步骤三：计算伪寿命波动系数；步骤四：排序和优选。本发明统计每个预测事例对应的寿命消耗值，以及剩余寿命预测值，合成得到伪寿命值，并定量计算伪寿命波动系数，实现对预测模型准确性进行定量评价。而且本发明根据伪寿命预测波动系数数值大小，对预测模型进行排序，可以进行不同预测模型的优选。

Description

一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法

技术领域

本发明涉及一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，属于故障预测技术领域。

背景技术

剩余寿命预测是指通过监测产品的当前运行状态数据，采用相应的预测模型来预测产品的剩余寿命，或者故障前剩余的可工作时间。通过剩余寿命预测可以及早做出维修判断，防止在工作过程中出现到寿现象，导致任务失败或影响安全。如果剩余寿命预测值过小，会导致维修浪费；如果寿命预测值过大，会影响任务的安全。因此，对预测准确性进行评价非常重要。

目前，现有的预测能力评价参数和评价方法都需要预先知道产品寿命的实际值，不便于工程应用。在不知道产品寿命实测值的情况下，对预测模型的预测准确性进行定量评价，具有非常重要的意义，但是目前还没有相关的定量评价方法。

发明内容

本发明的目的是通过建立一种全新的剩余寿命预测准确性定量评价方法，主要是在未知产品寿命实测值的情况下，通过确定寿命消耗值、预测模型的剩余寿命预测值，合成伪寿命值，定量计算出伪寿命预测波动系数，根据该系数值大小，对预测模型进行排序，从而进行预测模型的选择。

一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，其特征在于，包括以下几个步骤：

步骤一：确定待评价的预测模型组；

确定待评价的预测模型组，模型组的集合形式描述如下：

M＝{m_i|i＝1～k}

其中，m_i是模型组的第i个模型，k代表模型组中的模型数量；确定每个预测模型的类型，并根据类型确定相应的模型参数；

步骤二：确定各模型预测事例数据；

具体步骤如下：

(1)从预测模型组中选择一个预测模型；

(2)统计该预测模型的所有预测事例；

统计出该预测模型的所有预测事例，并按预测的前后次序排序；

(3)统计所有预测事例的寿命消耗值；

a.确定首个预测事例的寿命消耗值；

确定首个预测事例的寿命消耗值的方法如下：

①若已知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值为该累积工作时间值；

②若未知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值取零值；

b.确定其余预测事例的寿命消耗值；

统计产品从首个预测事例到其余各预测事例的累积工作时间，将该时间与首个预测事例的寿命消耗值相加，得到其余各预测事例的寿命消耗值；

(4)统计所有预测事例的剩余寿命预测值；

(5)统计所有预测事例的伪寿命值；

根据下式，计算出所有预测事例的伪寿命值：

w_ij＝c_ij+p_ij

其中：w_ij代表第i个预测模型的第j个预测事例的伪寿命值，c_ij代表第i个预测模型的第j个预测事例的寿命消耗值，p_ij代表第i个预测模型的第j个预测事例的剩余寿命预测值；

(6)对其余的预测模型，重复步骤(2)～(5)，得到全部预测模型的预测事例数据；

步骤三：计算伪寿命波动系数；

具体步骤如下：

1)选择一个预测模型；

2)确定该模型的伪寿命极大值；

对该模型的所有伪寿命值进行对比，找出极大值；

3)确定该模型的伪寿命极小值；

对该模型的所有伪寿命值进行对比，找出极小值；

4)计算该模型的伪寿命极差值；

根据下式，计算出该模型的伪寿命极差值：

a_i＝w_imax-w_imin

其中：a_i代表伪寿命极差值，w_imax代表伪寿命极大值，w_imin代表伪寿命极小值，

5)计算该模型的伪寿命均值；

根据下式，计算出该模型的伪寿命均值：

${\stackrel{\‾}{w}}_i=\frac{1}{q}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}$

其中：

代表第i个预测模型的伪寿命均值，q为第i个预测模型的预测事例个数；

6)计算该模型的伪寿命波动系数；

根据下式，计算出该模型的伪寿命波动系数：

${\mathrm{\γ}}_{\mathrm{WPi}}=a_i/{\stackrel{\‾}{w}}_i$

其中：γ_WPi代表第i个预测模型的伪寿命波动系数；

7)重复步骤2)～6)，直到得到所有预测模型的伪寿命波动系数；

步骤四：排序和优选；

(1)排序

根据各预测模型的伪寿命波动系数的值，对所有的预测模型按照伪寿命波动系数值从小到大的顺序进行排序；

(2)优选

选取对应的伪寿命波动系数值最小的预测模型为选用的模型。

本发明的优点在于：

(1)统计每个预测事例对应的寿命消耗值，以及剩余寿命预测值，合成得到伪寿命值，并定量计算伪寿命波动系数，实现对预测模型准确性进行定量评价。

(2)根据伪寿命预测波动系数数值大小，对预测模型进行排序，可以进行不同预测模型的优选。

(3)本发明填补了在未知产品寿命实测值的情况下，对预测模型准确性进行定量评价的空白。

附图说明

图1是本发明的方法流程图；

图2是本发明步骤二确定预测事例数据流程；

图3是本发明预测事例的寿命消耗值的关系示意图；

图4是本发明步骤三计算伪寿命波动系数的流程；

图5是本发明实施例中M1模型的预测事例曲线；

图6是本发明实施例中M2模型的预测事例曲线；

图7是本发明实施例中M3模型的预测事例数据曲线。

具体实施方式

下面将结合附图和实施例对本发明作进一步的详细说明。

本发明是一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，流程如图1所示，包括以下几个步骤：

步骤一：确定待评价的预测模型组；

确定待评价的预测模型组，模型组的集合形式描述如下：

M＝{m_i|i＝1～k}    (1)

其中，m_i是模型组的第i个模型，k代表模型组中的模型数量。

对该组内的每个预测模型进行编号，确定其类型，并根据类型确定相应的模型参数。

步骤二：确定各模型预测事例数据；

在进行预测时，需要对产品的寿命特征参数数据进行实时采样，将采样数据作为预测模型的输入数据，利用预测模型得到产品的剩余寿命预测值。为了方便确定预测事例数据，需要将产品的寿命特征参数数据的实时采样结果列出，可采用表1所示的表格来描述该采样结果。

表1剩余寿命特征参数数据采样结果

采样时刻	剩余寿命特征参数数据

利用特定的预测模型对特定对象产品完成的一次剩余寿命预测，称为预测事例。若第i个预测模型在对象产品使用过程中进行了q次剩余寿命预测，则形成由q个预测事例组成的预测事例集合，描述如下：

E_i＝{e_ij|j＝1～q}    (2)

其中，E_i代表第i个预测模型的预测事例集合，e_ij代表第i个预测模型的第j个预测事例，q代表该集合中的预测事例数量。

预测事例数据的元组模型为：

D_i＝(E_i，C_i，P_i，W_i)    (3)

其中，D_i代表第i个预测模型的预测事例数据集合；C_i代表第i个预测模型的寿命消耗值集合，C_i＝{c_ij|j＝1～q}，c_ij代表第i个预测模型的第j个预测事例的寿命消耗值；P_i代表第i个预测模型的剩余寿命预测值集合，P_i＝{pl_ij|j＝1～q}，p_ij代表第i个预测模型的第j个预测事例的剩余寿命预测值；W_i代表第i个预测模型的伪寿命值集合，W_i＝{w_ij|j＝1～q}，w_ij代表第i个预测模型的第j个预测事例的伪寿命值。

伪寿命的计算公式如下：

w_ij＝c_ij+p_ij    (4)

确定预测事例数据的流程如图2所示，具体步骤如下：

(1)从预测模型组中选择一个预测模型；

(2)统计该模型的所有预测事例；

根据预测事例的定义，统计出该预测模型的所有预测事例，并按预测的前后次序排序。

(3)统计所有预测事例的寿命消耗值；

a.确定首个预测事例的寿命消耗值

确定首个预测事例的寿命消耗值的方法如下：

①若已知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值为该累积工作时间值；

②若未知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值取零值。

b.确定其余预测事例的寿命消耗值

统计产品从首个预测事例到其余各预测事例的累积工作时间，将该时间与首个预测事例的寿命消耗值相加，得到其余各预测事例的寿命消耗值，如图3所示，首先得到首个预测事例的寿命消耗值，然后分别得到首个预测事例到第二个预测事例、第三个预测事例……第q个预测事例的累积工作时间，最后首个预测事例的寿命消耗值加上首个预测事例到第二个预测事例，就得到第二个预测事例的寿命消耗值，同理，可以得到第q个预测事例的寿命消耗值，最后得到所有预测事例的寿命消耗值。

(4)统计所有预测事例的剩余寿命预测值；

(5)统计所有预测事例的伪寿命值

根据公式(4)，计算出所有预测事例的伪寿命值。

(6)对其余的预测模型，重复步骤(2)～(5)，得到全部预测模型的预测事例数据。

对每个预测模型，其预测事例数据可用表2所示的表格进行表达。

表2预测模型的预测事例数据统计表

步骤三：计算伪寿命波动系数

对特定的预测模型，其伪寿命极差与伪寿命均值的比值，称为伪寿命波动系数，计算公式如下：

${\mathrm{\γ}}_{\mathrm{WPi}}=a_i/{\stackrel{\‾}{w}}_i---\left(5\right)$

式中，γ_WPi代表第i个预测模型的伪寿命波动系数；a_i代表伪寿命极差值；

代表伪寿命均值。

伪寿命极差值的计算公式如下：

a_i＝w_imax-w_imin    (6)

式中，w_imax代表伪寿命极大值；w_imin代表伪寿命极小值。

伪寿命均值的计算公式如下：

${\stackrel{\‾}{w}}_i=\frac{1}{q}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}---\left(7\right)$

计算伪寿命波动系数的流程如图4所示。

具体步骤如下：

(1)选择一个预测模型

(2)确定该模型的伪寿命极大值

对该模型的所有伪寿命值进行对比，找出极大值。

(3)确定该模型的伪寿命极小值

对该模型的所有伪寿命值进行对比，找出极小值。

(4)计算该模型的伪寿命极差值

根据公式(6)，计算出该模型的伪寿命极差值。

(5)计算该模型的伪寿命均值

根据公式(7)，计算出该模型的伪寿命均值。

(6)计算该模型的伪寿命波动系数

根据公式(5)，计算出该模型的伪寿命波动系数。

(7)重复步骤(2)～(6)，直到所有的预测模型处理完毕。

伪寿命的计算结果可用表3所示的表格进行描述。

表3伪寿命预测波动系数表

步骤四：排序和优选

(1)排序

根据各预测模型的伪寿命波动系数计算结果，对所有的预测模型按照伪寿命波动系数值从小到大的顺序进行排序，越靠前的预测模型其预测准确性越好。

(2)优选

选取对应的伪寿命波动系数值最小的预测模型为选用的模型。

实施例：

下面以某型号干电池的剩余寿命预测为例，对该方法进行说明。

由单节干电池组成的供电系统，初始供电电压在1.5V左右，当电池电压降到1.2V时，不能提供有效的供电，作为电池到寿处理。应用本发明的方法，具体步骤为：

步骤1：确定待评价的预测模型组

该电池供电系统，采用BP神经网络模型进行剩余寿命预测。

待评价的预测模型包括如下三个模型：

①M1模型：输入节点8个(第1个节点为电池电压当前采样值，其余7个节点依次对应前7个历史采样值)，隐含层节点11个，输出节点1个(剩余寿命预测值)

②M2模型：输入节点8个(第1个节点为电池电压当前采样值，其余7个节点依次对应前7个历史采样值)，隐含层节点9个，输出节点1个(剩余寿命预测值)

③M3模型：输入节点5个(第1个节点为电池电压当前采样值，其余4个节点依次对应前4个历史采样值)，隐含层节点11个，输出节点1个(剩余寿命预测值)

分别按等效电阻为10欧姆、12欧姆各试验2次，共消耗了4节电池，按采样间隔为1分钟进行电压采样，直到电池到寿。将采样数据转化为电压与剩余寿命对比数据，作为训练样本。利用MATLAB神经网络工具箱对上述三个模型进行训练，得到三个模型的具体权值和阈值参数如下。其中，iw1代表各预测模型的第一层的权值，b1代表各预测模型的第一层的阈值，iw2代表各预测模型的第二层的权值，b2代表各预测模型第二层的阈值。

M1模型参数：

iw1＝0.2034，0.1488，-1.2680，0.3135，-1.0352，-1.2620，-0.4267，0.1543

-0.6211，-0.0398，-1.1552，-0.7865，0.3701，0.2835，-0.6757，-1.2662

0.7200，0.2193，1.3412，0.6786，-0.1673，0.3902，-0.3817，0.8772

-0.9729，0.1500，-1.3431，-1.2890，-0.2384，-1.0035，0.4454，0.3371

-2.1916，-1.0042，-2.0298，-0.7273，-0.4095，-1.3817，-0.7930，0.0995

-2.5233，-2.0942，-0.8625，-1.4589，-0.3800，-1.4239，-0.0956，-0.4739

0.4711，0.7306，0.4042，0.6133，0.0220，0.0452，0.0211，-0.6651

1.4503，1.1821，0.2649，1.3113，0.3457，0.1635，0.0393，0.7784

-0.2605，-0.7886，-0.3213，0.0770，-0.0923，-0.9531，-0.0475，-0.6726

0.0524，-0.6408，-0.6811，1.2337，0.4693，1.1177，-0.4456，0.0888

-0.6604，-0.6610，0.6372，0.4850，-0.7059，-0.7187，0.0685，-0.9189

b1＝[3.7253，0.1394，-4.2268，4.4539，9.6693，10.7321，-2.0049，-5.8283，-0.7943，-1.4610，2.9592]’(’代表数学运算转置)；

iw2＝[-0.2052，1.0908，0.2681，-0.3099，-1.3101，-1.5401，0.0767，1.1168，0.8816，0.0683，-0.1418]’；

b2＝-0.2670；

M2模型参数：

iw1＝-0.4379，0.2031，-0.9751，-1.2055，-0.8315，0.1184，0.6523，-0.8093

0.3783，1.0456，-0.7182，0.0046，-0.3039，0.7724，0.0701，-0.6173

-1.9077，-0.9898，-1.0769，-0.3931，-0.1493，0.4729，-1.1836，0.0078

-1.1369，-0.1895，0.2148，-1.0135，0.7708，-0.2113，0.1617，-1.1862

0.2675，0.3812，1.4543，1.0921，0.7151，0.9692，0.2637，-0.1896

0.7086，-0.8845，0.1578，0.8883，0.0209，0.1937，-0.6635，-0.5727

2.6706，1.1880，0.7464，1.6480，1.7127，0.4398，1.0985，-0.4312

-0.7951，-0.7972，-0.5369，0.3931，0.4329，0.1502，-1.0356，-0.9847

3.0338，2.5942，0.9570，0.7130，1.3369，0.4926，1.4938，0.1857

b1＝[-0.5231，-0.7450，5.1867，-1.0718，-4.9150，0.1762，-10.8400，-0.3313，-12.7999]’；

iw2＝[0.7873，0.0593，-1.4695，0.5796，1.2728，-0.0087，0.8237，0.4129，1.0909]’；

b2＝-0.4015；

M3模型参数：

iw1＝0.6035，0.3572，1.2550，0.2169，0.1076

-1.2104，-1.0487，0.4868，1.9596，1.6153

-4.3573，-0.8349，2.0194，2.2269，5.1642

-0.1789，-1.2639，0.0887，0.1000，0.6084

1.2064，0.4830，-0.2154，-0.0399，0.6877

2.2694，0.3129，-0.1539，-1.8978，-3.1964

-1.4162，-1.3724，1.1188，1.0432，2.5241

-0.4791，-1.2057，-1.7892，-1.2622，-1.2981

2.6893，-0.3527，-0.4285，-2.4470，-3.3290

0.6189，-0.0504，-0.0807，0.7551，1.3132

-2.5254，0.1659，0.4899，1.7088，1.5513

b1＝[0.7834，-2.2197，-5.5679，0.8587，0.9153，3.3269，-2.3410，6.0419，4.0544，0.8974，-1.6913]’；

iw2＝[-0.9055，0.3051，0.8903，0.0746，-0.6478，-0.4634，0.3551，-2.3161，-0.9589，-0.8686，0.3404]’；

b2＝0.9099；

步骤二：确定预测事例数据

使用一节新的干电池，并配置特定的负载(等效电阻为11欧姆)，设定的采样间隔为1分钟，得到的该电池工作的前100分钟的电压数据(电池尚未到寿)，如表4所示。

表4电压数据采样结果

根据训练好的3个预测模型，采用表4中的电压数据作为输入数据，进行电池剩余寿命预测，得到各模型的预测事例数据具体如下。

(1)M1模型的预测事例数据

M1模型的输入节点为8个，因此从表5中的第7个采样数据开始进行预测，共得到94个预测事例，这些预测事例数据如表5所示。其中，首个预测事例的寿命消耗值为7分钟。

表5M1模型的预测事例数据

M1模型的预测事例数据曲线如图5所示，其中，寿命消耗曲线表示M1模型的全部预测事例的寿命消耗值连成的曲线，预测剩余寿命曲线表示M1模型的全部预测事例的剩余寿命预测值连成的曲线，伪寿命曲线表示M1模型的全部预测事例的伪寿命值连成的曲线。

(2)M2模型的预测事例数据

M2模型的输入节点为8个，因此从表6中的第7个采样数据开始进行预测，共得到94个预测事例，这些预测事例数据如表6所示。其中，首个预测事例的寿命消耗值为7分钟。

表6M2模型的预测事例数据

M2模型的预测事例数据曲线如图6所示，其中，寿命消耗曲线表示M2模型的全部预测事例的寿命消耗值连成的曲线，预测剩余寿命曲线表示M2模型的全部预测事例的剩余寿命预测值连成的曲线，伪寿命曲线表示M2模型的全部预测事例的伪寿命值连成的曲线。

(3)M3模型的预测事例数据

M3模型的输入节点为5个，因此从表7中的第4个采样数据开始进行预测，共得到97个预测事例，这些预测事例数据如表7所示。其中，首个预测事例的寿命消耗值为4分钟。

表7M3模型的预测事例数据

M3模型的预测事例数据曲线如图7所示，其中，寿命消耗曲线表示M3模型的全部预测事例的寿命消耗值连成的曲线，预测剩余寿命曲线表示M3模型的全部预测事例的剩余寿命预测值连成的曲线，伪寿命曲线表示M3模型的全部预测事例的伪寿命值连成的曲线。

步骤三：伪寿命波动系数计算

三个模型的伪寿命预测系数统计数据如表8所示。

表8伪寿命波动系数统计表

步骤四：排序和优选

(1)排序

根据各预测模型的伪寿命波动系数的计算结果，对所有的预测模型按照伪寿命波动系数值从小到大的顺序进行排序为：M1、M2、M3。

(2)优选

选取M1为预测方案的优选模型。

Claims (2)

1.一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，其特征在于，包括以下几个步骤：

步骤一：确定待评价的预测模型组；

确定待评价的预测模型组，模型组的集合形式描述如下：

M＝{m_i|i＝1～k}    (1)

其中，m_i是模型组的第i个模型，k代表模型组中的模型数量；确定每个预测模型的类型，并根据类型确定相应的模型参数；

步骤二：确定各模型预测事例数据；

具体步骤如下：

(1)从预测模型组中选择一个预测模型；

(2)统计该预测模型的所有预测事例；

统计出该预测模型的所有预测事例，并按预测的前后次序排序；

(3)统计所有预测事例的寿命消耗值；

a.确定首个预测事例的寿命消耗值；

确定首个预测事例的寿命消耗值的方法如下：

①若已知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值为该累积工作时间值；

②若未知对象产品在首个预测事例之前的累积工作时间，则寿命消耗值取零值；

b.确定其余预测事例的寿命消耗值；

统计产品从首个预测事例到其余各预测事例的累积工作时间，将该时间与首个预测事例的寿命消耗值相加，得到其余各预测事例的寿命消耗值；

(4)统计所有预测事例的剩余寿命预测值；

(5)统计所有预测事例的伪寿命值；

根据公式(2)，计算出所有预测事例的伪寿命值：

w_ij＝c_ij+p_ij    (2)

其中：w_ij代表第i个预测模型的第j个预测事例的伪寿命值，c_ij代表第i个预测模型的第j个预测事例的寿命消耗值，p_ij代表第i个预测模型的第j个预测事例的剩余寿命预测值；

(6)对其余的预测模型，重复步骤(2)～(5)，得到全部预测模型的预测事例数据；

步骤三：计算伪寿命波动系数；

具体步骤如下：

1)选择一个预测模型；

2)确定该模型的伪寿命极大值；

对该模型的所有伪寿命值进行对比，找出极大值；

3)确定该模型的伪寿命极小值；

对该模型的所有伪寿命值进行对比，找出极小值；

4)计算该模型的伪寿命极差值；

根据公式(3)，计算出该模型的伪寿命极差值：

a_i＝w_imax-w_imin    (3)

其中：a_i代表伪寿命极差值，w_imax代表伪寿命极大值，w_imin代表伪寿命极小值，

5)计算该模型的伪寿命均值；

根据公式(4)，计算出该模型的伪寿命均值：

${\stackrel{\‾}{w}}_i=\frac{1}{q}\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}---\left(4\right)$

其中：

代表第i个预测模型的伪寿命均值，q为第i个预测模型的预测事例个数；

6)计算该模型的伪寿命波动系数；

根据公式(5)，计算出该模型的伪寿命波动系数：

${\mathrm{\γ}}_{\mathrm{WPi}}=a_i/{\stackrel{\‾}{w}}_i---\left(5\right)$

其中：γ_WPi代表第i个预测模型的伪寿命波动系数；

7)重复步骤2)～6)，直到得到所有预测模型的伪寿命波动系数；

步骤四：排序和优选；

(1)排序

根据各预测模型的伪寿命波动系数的值，对所有的预测模型按照伪寿命波动系数值从小到大的顺序进行排序；

(2)优选

选取对应的伪寿命波动系数值最小的预测模型为选用的模型。

2.根据权利要求1所述的一种基于伪寿命跟踪的产品剩余寿命预测准确性评价方法，其特征在于，所述步骤二中(2)中的预测事例为：将实时采样得到的产品寿命特征参数数据输入预测模型，利用预测模型得到产品的剩余寿命预测值。

Images