CN102402727A - 工程机械的部件剩余寿命预测系统及方法 - Google Patents

Abstract

本发明涉及工程机械的部件剩余寿命预测系统及方法，该系统包括可靠性分析模块、数据预处理模块以及剩余寿命预测模块。可靠性分析模块包括剩余寿命范围获取模块及当前评估对象确定模块，分别用于获取部件的剩余寿命范围以及确定该部件是否作为当前评估对象。数据预处理模块接收实时采集的作为当前评估对象的部件的特征参数信息、提取特征参数信息中的特征参数值、并对提取的特征参数值进行预处理以构建样本数据集。剩余寿命预测模块利用神经网络预测模型根据样本数据集获取预测的特征参数值、并利用预测的特征参数值参照部件处于故障状态的特征参数值获取部件的剩余寿命。本发明可较精确地预测部件的剩余寿命，作为对工程机械进行维护的依据。

Description

工程机械的部件剩余寿命预测系统及方法

技术领域

本发明涉及工程机械故障预测与维持技术领域，尤其涉及工程机械的部件剩余寿命预测系统及方法。

背景技术

当前工程机械的部件的剩余寿命预测采用的是单一的可靠性分析技术，缺乏实时性的信息以及寿命动态性的考虑，预测精度低，难以有效实现预警作用及降低维护费用，从而影响故障控制效果。

发明内容

因此，本发明提供工程机械的部件剩余寿命预测系统及方法，可较精确地预测部件的剩余寿命，以有效实现预警作用及降低维护费用，从而提升故障控制效果。

具体地，本发明实施例提出的一种工程机械的部件剩余寿命预测系统，包括可靠性分析模块、数据预处理模块以及剩余寿命预测模块。其中，可靠性分析模块包括剩余寿命范围获取模块以及当前评估对象确定模块，而剩余寿命范围获取模块利用动态可靠性分析模型获取部件的剩余寿命范围，当前评估对象确定模块将剩余寿命范围的下限值小于预设的阈值的部件确定为当前评估对象。数据预处理模块接收实时采集的作为当前评估对象的部件的特征参数信息、提取特征参数信息中的特征参数值、并对提取的特征参数值进行预处理以构建样本数据集。剩余寿命预测模块利用神经网络预测模型根据样本数据集获取预测的特征参数值、并利用预测的特征参数值参照作为当前评估对象的部件处于故障状态的特征参数值以获取部件的剩余寿命。

在本发明实施例中，上述部件剩余寿命预测系统还可包括通讯接口，连接数据预处理模块，以使得数据预处理模块通过此通讯接口以远程通讯方式接收特征参数信息。

在本发明实施例中，上述部件剩余寿命预测系统还可包括数据采集模块，实时采集作为当前评估对象的部件的特征参数信息供数据预处理模块接收。

在本发明实施例中，上述神经网络预测模型例如为径向基函数(RadicalBasis Function，RBF)神经网络模型或反向传播(Back Propagation，BP)神经网络模型。

在本发明实施例中，上述部件剩余寿命预测系统还可包括数据库，连接可靠性分析模块与剩余寿命预测模块，以储存利用动态可靠性分析模型进行动态可靠性分析所需数据、部件处于故障状态的特征参数值、以及剩余寿命预测模块输出的部件的剩余寿命。

此外，本发明实施例还提出一种工程机械的部件剩余寿命预测方法，包括以下步骤：利用动态可靠性分析模型对部件进行动态可靠性分析以获取部件的剩余寿命范围，并将剩余寿命范围的下限值小于预设的阈值的部件确定为当前评估对象；实时采集作为当前评估对象的部件的特征参数信息；提取特征参数信息中的特征参数值并进行预处理以构建样本数据集；以及利用神经网络预测模型对样本数据集进行回归拟合与趋势预测获取预测的特征参数值，并利用预测的特征参数值参照作为当前评估对象的部件处于故障状态的特征参数值获取此部件的剩余寿命。

在本发明实施例中，上述利用动态可靠性分析模型对部件进行动态可靠性分析以获取部件的剩余寿命范围的步骤可包括：引入随机过程和极值分布原理计算并建立部件的可靠度和失效率随使用时间变化的动态过程曲线，以确定部件的寿命周期范围；以及根据部件的当前已用工时与所确定的寿命周期范围，获取此剩余寿命范围。

在本发明实施例中，利用神经网络预测模型对样本数据集进行回归拟合与趋势预测获取预测的特征参数值是通过径向基函数神经网络算法或反向传播神经网络算法实现。

在本发明实施例中，在利用动态可靠性分析模型对部件进行动态可靠性分析以获取部件的剩余寿命范围，并将剩余寿命范围的下限值小于预设的阈值的部件确定为当前评估对象之前还可包括步骤：依据重要度、易损性及性能衰退过程易检性选取该部件。此外，上述部件剩余寿命预测方法还可包括步骤：将获取的部件的剩余寿命作为对包含该部件的工程机械进行维护的依据。

本发明上述实施例通过利用神经网络预测模型结合动态可靠性分析模型来获取工程机械的部件的剩余寿命，能准确预测出部件的剩余寿命，借此可确保寿命即将到期的部件得到及时更换，实现工程机械的预维护，确保了设备的安全运行。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

图1是相关于本发明实施例的一种工程机械的部件剩余寿命预测系统的架构示意图。

图2是相关于本发明实施例的一种工程机械的部件剩余寿命预测方法的步骤流程图。

具体实施方式

为更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的工程机械的部件剩余寿命预测系统及方法其具体实施方式、方法、步骤及功效，详细说明如后。

有关本发明的前述及其他技术内容、特点及功效，在以下配合参考图式的较佳实施例详细说明中将可清楚的呈现。通过具体实施方式的说明，当可对本发明为达成预定目的所采取的技术手段及功效得以更加深入且具体的了解，然而所附图式仅是提供参考与说明之用，并非用来对本发明加以限制。

通常，工程机械的部件故障并非突然发生，而是经历一段时间的性能衰退过程，在其性能衰退期间一般都有一些特定的征兆，如果能尽早发现这些征兆，故障会减少或避免。由此可见，经由对部件进行实时特征的提取以发现这些征兆，则可实现对工程机械的预维护，借此降低维护费用、提升故障控制效果。

因此，本发明下述实施例提出的工程机械的部件剩余寿命预测系统及方法主要是结合实时参数信息与部件自身可靠度来实时预测部件的剩余寿命，以获取准确预测的部件剩余寿命，因而可确保寿命即将到期的部件得到及时更换，实现工程机械的预维护，确保了设备的安全运行。

请参照图1，其示出一种工程机械的部件剩余寿命预测系统的架构示意图。如图1所示，部件剩余寿命预测系统10适于对各种不同的部件例如100a，110b进行剩余寿命预测，其包括：数据采集模块11、通讯接口13、数据预处理模块15、数据库16、可靠性分析模块17以及剩余寿命预测模块19。

本实施例中，部件100a，100b例如分别为液压泵、轴承等其中之一。而部件的选取则可将重要度、易损性、性能衰退过程易检性作为选取用于剩余寿命预测的部件的指标。重要度依据部件对整个工程机械的功能正常工作的影响程度确定，易损性依据部件故障记录中发生故障频率确定，性能衰退过程易检性依据是否有输出参数衡量部件性能、输出参数衡量部件性能的完整性或外观观测判别部件的可行性等来确定。重要度、易损性、性能衰退过程易检性等级可通过设计人员、维护人员打分确定，并将部件重要度、易损性、性能衰退过程易检性的得分以一定的权重组合得到一个综合分F_i，

F_i＝w_i1·f_i1+w_i2·f_i2+w_i3·f_i3

式中w_i1、w_i2、w_i3分别为第i部件的重要度、易损性、性能衰退过程易检性的权重且(w_i1+w_i2+w_i3＝1)，f_i1、f_i2、f_i3分别为第i部件的重要度、易损性、性能衰退过程易检性的评估值。

综合分较高且性能衰退过程易检性高的部件选定为用于剩余寿命预测的部件，如工程机械例如挖掘机或旋挖钻机液压系统中的液压泵等。

数据采集模块11用于实时采集部件例如100a，110b的特征参数信息。在此需要说明的是，数据采集模块11可为工程机械本身带有的功能模块，或者为实现部件剩余寿命预测而额外增设的功能模块。

数据预处理模块15通过通讯接口13以有线或无线方式连接数据采集模块11，从而可以以远程通讯方式来接收现场实时采集的特征参数信息，并提取特征参数信息中的特征参数值以及对提取的特征参数值进行预处理以构建后续剩余寿命预测模块19所需的样本数据集。从图1中还可以得知：通讯接口13从数据采集模块11以无线或有线方式获取的实时特征参数信息还可储存至数据库16，数据预处理模块15产出的特征参数值也可储存至数据库16；当然，是否需要储存至数据库16则可视实际需要而定。

可靠性分析模块17连接数据库16，以从数据库16获取对部件例如100a，100b进行动态可靠性分析所需数据例如部件100a，100b的失效率、可靠度及相对应的已用工时等。具体地，可靠性分析模块17例如包括剩余寿命范围获取模块171以及当前评估对象确定模块173。剩余寿命范围获取模块171可根据从数据库16中取得的相应数据利用动态可靠性分析模型来引入随机过程和极值分布原理计算并建立各部件100a，100b的可靠度和失效率随使用时间变化的动态过程曲线以确定各部件100a，100b的寿命周期范围，并将确定的寿命周期范围减去对应的部件100a，100b当前已用工时即可获取各部件100a，100b的剩余寿命范围。在此，剩余寿命范围可理解为距离部件100a，100b进入其整个生命周期(例如依序包括正常阶段、性能衰退阶段以及失效阶段)的失效阶段的时间范围。此外，当前评估对象确定模块173会根据获取的各部件100a，100b的剩余寿命范围来确定是否将部件100a，100b其中之一或多个作为当前评估对象，并将当前评估对象告知剩余寿命预测模块19。具体地，当某部件的剩余寿命范围的下限值小于某一设定的阈值，则确定该部件为当前评估对象；例如，当某部件的剩余寿命范围[a，b]的下限值a小于预设的阈值LIM，则确定该部件为当前评估对象。此处的阈值可由技术人员视实际情况预先设定。本实施例中，动态可靠性分析模型例如是基于随机Petri网的动态可靠性分析模型。

剩余寿命预测模块19连接数据预处理模块15、数据库16及可靠性分析模块17，其获知当前评估对象后，从数据预处理模块15或数据库16取得作为当前评估对象的部件的实时特征参数值构成的样本数据集作为神经网络预测模型的输入，借由神经网络预测模型对样本数据集中的特征参数值进行回归拟合与趋势预测得出作为当前评估对象的预测的特征参数值，并根据预测的特征参数值参照当前评估对象处于故障状态的特征参数值得出当前评估对象的剩余寿命作为输出。该输出的剩余寿命可储存至数据库16及/或送至人机界面进行显示。本实施例中，神经网络预测模型例如为径向基函数(Radical Basis Function，简称RBF)神经网络模型或反向传播(BackPropagation，简称BP)神经网络模型。

以工程机械中的轴承为例，选取振动信号作为其特征参数，数据预处理模块15按一定的时间间隔连续提取振动值，对振动值进行数据预处理如归一化(如公式(1)所示)，将这些归一化后的振动值构建成数据样本集，输入神经网络预测模型19，获取其预测的振动值，并以其处于故障状态的振动值为参照，获取其剩余寿命。

$a_k^{\′}=\frac{a_k}{\underset{i=1}{\overset{n}{\max }}\left(a_i\right)}\·\·\·\left(1\right)$

公式(1)中a_k(k＝1，2，…，n)为时序振动值数据，a′_k(k＝1，2，…，n)为时序振动值数据归一化值。

由上可知，执行于本发明实施例提出的部件剩余寿命预测系统10的部件剩余寿命预测方法可归纳为如图2所示的步骤S11-S17。

步骤S11：选取用于剩余寿命预测的部件。在此，可如上所述，将重要度、易损性、性能衰退过程易检性作为选取用于剩余寿命预测的部件的指标。重要度、易损性、性能衰退过程易检性等级可通过设计人员、维护人员打分确定，并将部件重要度、易损性、性能衰退过程易检性的得分以一定的权重组合得到一个综合分。综合分较高且性能衰退过程易检性高的部件选定为用于剩余寿命预测的部件，如工程机械例如挖掘机或旋挖钻机液压系统中的液压泵等。

步骤S13：采用动态可靠性分析来获取部件的剩余寿命范围以确定当前评估对象。具体地，研究选取部件的动态可靠性，利用动态可靠性分析模型(例如基于随机Petri网的动态可靠性分析模型)引入随机过程和极值分布原理计算并建立其可靠度和失效率随使用时间变化的动态过程曲线，确定其寿命周期范围。然后，依据部件的当前已用工时与所确定的寿命周期范围，获取部件的剩余寿命范围。在此，判断部件的剩余寿命范围的下限值是否小于预设的阈值，如果小于预设的阈值，则确定该部件为当前评估对象。

步骤S15：利用实时采集的部件的特征参数信息构建样本数据集。具体地，可由数据预处理模块11以远程通讯方式来获取数据采集模块11实时采集的特征参数信息、并提取该特征参数信息中的特征参数值以及对提取的特征参数值进行预处理(例如归一化)以构建样本数据集。

步骤S17：预测部件的剩余寿命。具体地，可由剩余寿命预测模块19利用RBF神经网络算法或BP神经网络算法对样本数据集进行回归拟合与趋势预测以获取预测的特征参数值、并利用预测的特征参数值参照作为当前评估对象的部件处于故障状态的特征参数值获取该部件的剩余寿命。

进一步地，所获取的部件的剩余寿命可作为对包含该部件的工程机械进行维护的依据，以有效实现预警作用及降低维护费用，从而提升故障控制效果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种工程机械的部件剩余寿命预测系统，其特征在于，包括：

可靠性分析模块，包括剩余寿命范围获取模块以及当前评估对象确定模块，该剩余寿命范围获取模块利用动态可靠性分析模型获取部件的剩余寿命范围，该当前评估对象确定模块将该剩余寿命范围的下限值小于预设的阈值的该部件确定为当前评估对象；

数据预处理模块，接收实时采集的作为当前评估对象的该部件的特征参数信息、提取该特征参数信息中的特征参数值、并对提取的特征参数值进行预处理以构建样本数据集；以及

剩余寿命预测模块，利用神经网络预测模型根据该样本数据集获取预测的特征参数值、并利用该预测的特征参数值参照作为当前评估对象的该部件处于故障状态的特征参数值以获取该部件的剩余寿命。

2.如权利要求1所述的工程机械的部件剩余寿命预测系统，其特征在于，更包括：

通讯接口，连接该数据预处理模块，以使得该数据预处理模块通过该通讯接口以远程通讯方式接收该特征参数信息。

3.如权利要求1所述的工程机械的部件剩余寿命预测系统，其特征在于，更包括:

数据采集模块，实时采集作为当前评估对象的该部件的该特征参数信息以供该数据预处理模块接收。

4.如权利要求1所述的工程机械的部件剩余寿命预测系统，其特征在于，该神经网络预测模型为径向基函数神经网络模型或反向传播神经网络模型。

5.如权利要求1所述的工程机械的部件剩余寿命预测系统，其特征在于，更包括：

数据库，连接该可靠性分析模块与该剩余寿命预测模块，以储存利用该动态可靠性分析模型进行动态可靠性分析所需数据、该部件处于故障状态的特征参数值、以及该剩余寿命预测模块输出的该部件的剩余寿命。

6.一种工程机械的部件剩余寿命预测方法，其特征在于，包括以下步骤：

利用动态可靠性分析模型对部件进行动态可靠性分析以获取该部件的剩余寿命范围，并将该剩余寿命范围的下限值小于预设的阈值的该部件确定为当前评估对象； 

实时采集作为当前评估对象的该部件的特征参数信息；

提取该特征参数信息中的特征参数值并进行预处理以构建样本数据集；以及

    利用神经网络预测模型对该样本数据集进行回归拟合与趋势预测获取预测的特征参数值，并利用该预测的特征参数值参照作为当前评估对象的该部件处于故障状态的特征参数值获取该部件的剩余寿命。

7.如权利要求6所述的工程机械的部件剩余寿命预测方法，其特征在于，利用动态可靠性分析模型对部件进行动态可靠性分析以获取该部件的剩余寿命范围的步骤包括：

引入随机过程和极值分布原理计算并建立该部件的可靠度和失效率随使用时间变化的动态过程曲线，以确定该部件的寿命周期范围；以及

根据该部件的当前已用工时与所确定的寿命周期范围，获取该剩余寿命范围。

8.如权利要求6所述的工程机械的部件剩余寿命预测方法，其特征在于，利用神经网络预测模型对该样本数据集进行回归拟合与趋势预测获取预测的特征参数值是通过径向基函数神经网络或反向传播神经网络算法实现。

9.如权利要求6所述的工程机械的部件剩余寿命预测方法，其特征在于，在利用动态可靠性分析模型对部件进行动态可靠性分析以获取该部件的剩余寿命范围，并将该剩余寿命范围的下限值小于预设的阈值的该部件确定为当前评估对象之前还包括步骤：

依据重要度、易损性及性能衰退过程易检性选取该部件。

10.如权利要求9所述的工程机械的部件剩余寿命预测方法，其特征在于，还包括步骤：

将所获取的该部件的剩余寿命作为对该工程机械进行维护的依据。

Images