CN107403242A - 基于改进无味粒子滤波的设备剩余寿命预测方法 - Google Patents

Abstract

本发明涉及机电设备寿命预测领域，公开了一种基于改进无味粒子滤波的设备剩余寿命预测方法，解决传统设备剩余寿命预测方法中无味粒子滤波存在的粒子多样性缺失问题，提高设备寿命预测的精度。本发明通过利用无味卡尔曼滤波来作为粒子滤波的建议密度分布函数，来减少粒子退化，并采用线性优化重采样算法对粒子滤波的重采样部分进行优化；针对线性优化重采样的步长系数K的选取，本发明通过创建调节因子K_b，并利用模糊推理系统自适应的确定步长系数K的值，最后实现对设备剩余有效寿命预测。本发明适用于机电设备的剩余有效寿命预测。

Description

基于改进无味粒子滤波的设备剩余寿命预测方法

技术领域

本发明涉及机电设备寿命预测领域，尤其涉及基于改进无味粒子滤波的设备剩余寿命预测方法。

背景技术

随着现代科技工业技术的迅速发展和功能需求的不断提高，大量机电设备的复杂性、综合性和智能化水平不断提高，同时，设备的可靠性和安全运行也变得越来越重要。机电设备在运行过程中有着不可避免的性能退化。当设备的性能退化到设备不足以完成其功能时，会导致设备停机甚至故障，带来巨大的经济损失甚至人员伤亡。准确的预测设备的剩余有效寿命能够提供正确有效的维修策略，从而在避免这些严重安全的事故和经济损失方面起到重要作用。因此，对于设备剩余有效寿命的预测已经成为系统故障预测和健康管理领域的研究热点了。锂电池作为许多机电设备的电源，其能否提供设备所需功率对于机电设备的安全运行有着重大影响。因此，对锂电池的剩余寿命预测也十分必要。

目前对于设备的剩余有效寿命预测的方法主要分为三类：一类是基于模型的方法，像退化机理模型、裂纹物理模型、等效电路模型以及经验退化模型等，这类方法主要是研究机电设备的退化机理以及失效机制；一类是基于数据驱动的方法，如自回归模型、神经网络、高斯过程回归、粒子滤波、支持向量机、最小二乘向量机以及相关向量机等，这类方法主要是直接从监测数据中挖掘机电设备的健康状态；第三类方法则是融合型方法，如粒子滤波算法与基于机理的退化模型融合的方法。粒子滤波因为其能较好的解决非线性、非高斯系统的状态估计问题被广泛研究。但是对于粒子滤波算法，存在这粒子退化和粒子多样性缺失的问题，导致在用粒子滤波算法预测机电设备剩余有效寿命时，预测精度会不够高。无味粒子滤波将无味卡尔曼滤波作为粒子滤波的建议分布，来产生重要性密度函数，比较有效的克服了粒子退化的问题，但是由于重采样产生的粒子多样性缺失的问题仍然没有得到好的解决方法。

发明内容

本发明要解决的技术问题是：提供一种基于改进无味粒子滤波的设备剩余寿命预测方法，解决传统设备剩余寿命预测方法中无味粒子滤波存在的粒子多样性缺失问题，提高设备寿命预测的精度。

为解决上述问题，本发明采用的技术方案是：设备剩余有效寿命预测方法，包括以下步骤：

步骤1：选取训练数据，并基于退化模型对训练数据进行曲线拟合；

步骤2：通过拟合曲线得到预测数据的初始值；

步骤3：用无味卡尔曼滤波产生粒子滤波的重要密度函数；

步骤4：以拟合曲线的导数值与导数平均值的比值作为模糊推理系统的调节因子，通过模糊推理系统来自适应确定重采样的步长系数K的值；

步骤5：基于所确定的步长系数K，根据线性优化重采样方法对粒子进行重采样，并判断是否达到预设的迭代次数，若是，则输出粒子滤波的预测模型，并进入步骤6，否则返回步骤3；

步骤6：用粒子滤波产生的预测模型对锂电池的剩余有效寿命进行预测。

进一步的，线性优化重采样方法的公式为：

x_n＝x_s+LK(x_a-x_s)

其中，x_n是通过本方法产生的新采样点，x_s为被重复选取的采样点，x_α为被抛弃的点，K为步长系数，L为合适步长。

进一步的，步骤1选取美国航空航天局卓越故障预测中心提供的Battery DataSet试验数据作为训练数据。

进一步的，步骤1进行曲线拟合的退化模型为：

Q＝a·exp(b·k)+c·exp(d·k)

其中，Q是锂电池电容量；a、b、c和d是模型参数；k是循环次数。

进一步的，步长系数K的模糊推理规则为：

IF K_b∈equal then K∈equal

IF K_b∈more then K∈more

IF K_b∈less then K∈less

其中，对于调节因子K_b，定义模糊子集equal是指接近1，more是指大于1，less是指小于1；对于步长系数K，定义模糊子集equal是指接近0.4，more是指大于0.4；less是指小于0.4。

进一步的，对模糊推理系统采用的去模糊化的方法为重心法。

进一步的，步骤5中，进行重采样的具体步骤包括：

将粒子分为复制组和抛弃组；

在抛弃组中选取权重大于阈值的粒子与复制组中的粒子进行上述的线性优化，产生新的粒子，阈值的计算公式为：

其中N_s为粒子总数；n_j为粒子被重复选取的次数；m为状态的维数。

本发明的有益效果是：本发明通过利用无味卡尔曼滤波来作为粒子滤波的建议密度分布函数，来减少粒子退化，并采用线性优化重采样算法对粒子滤波的重采样部分进行优化；针对线性优化重采样的步长系数K的选取，本发明通过创建调节因子K_b，并利用模糊推理系统自适应的确定步长系数K的值，最后实现对锂电池的剩余有效寿命预测。

附图说明

图1是本发明的流程图；

图2是四组电池数据的拟合曲线图形；

图3是调节因子K_b的隶属度函数图形；

图4是步长系数K的隶属度函数图形；

图5是在40Cycle时三种方法的预测结果对比图形；

图6是在40Cycle时三种方法的预测相对误差对比图形；

图7是在70Cycle时三种方法的预测结果对比图形；

图8是在70Cycle时三种方法的预测相对误差对比图形。

具体实施方式

本发明的基于改进无味粒子滤波的设备剩余寿命预测方法，如图1所示，包括以下步骤：

步骤1：选取训练数据，并基于退化模型对训练数据进行曲线拟合；

步骤2：通过拟合曲线得到预测数据的初始值；

步骤3：用无味卡尔曼滤波产生粒子滤波的重要密度函数；

步骤4：以拟合曲线的导数值与导数平均值的比值作为模糊推理系统的调节因子，用模糊推理系统来自适应确定重采样的步长系数K的值；

步骤5：基于所确定的步长系数K，根据线性优化重采样方法对粒子进行重采样，并判断是否达到预设的迭代次数，若是，则输出粒子滤波的预测模型，并进入步骤6，否则返回步骤3；

步骤6：用粒子滤波产生的预测模型实现对锂电池的剩余有效寿命预测。

本发明通过利用无味卡尔曼滤波来作为粒子滤波的建议密度分布函数，来减少粒子退化，并采用线性优化重采样算法对粒子滤波的重采样部分进行优化；针对线性优化重采样的步长系数K的选取，本发明通过创建调节因子K_b，并利用模糊推理系统自适应的确定步长系数K的值，最后实现对设备剩余有效寿命预测。

实施例

实施例以锂离子电池为例，提供了一种基于改进无味粒子滤波的设备剩余寿命预测方法，具体步骤如下：

步骤1：选取训练数据，并基于退化模型对训练数据进行曲线拟合。

该步骤利用经验退化模型，将美国航空航天局卓越故障预测中心提供的BatteryData Set试验数据作为训练数据，本例将5号、6号和7号电池数据作为训练数据，18号电池数据用来做寿命预测，采用matlab工具箱对5号、6号、7号、18号电池数据进行曲线拟合，得到的结果如图2所示，经验退化模型为：

Q＝a·exp(b·k)+c·exp(d·k)

Q是锂电池电容量；a、b、c和d是模型参数；k是循环次数。此处的经验退化模型属于现有模型，因此不再详细描述。

步骤2：通过训练数据的拟合曲线得到预测数据的初始值。

该步骤将步骤1得到的训练数据的拟合曲线的参数值求平均得到预测数据的初始值。

步骤3：用无味卡尔曼滤波产生粒子滤波的重要密度函数。

基本粒子滤波的假设前提是重要性重采样能够从一个合理的后验分布中采样得到一组样本点集合，而这组样本点集合能很好的与真实状态重合。当这个假设不能满足的时候，粒子滤波算法的效果就要下降，剩余寿命预测的精度就会下降。一个最优建议密度分布能够引导重采样做正确的采样分布。因此，选择一个好的建议密度分布函数可以提高粒子滤波的效果。标准粒子滤波是采用先验分布来作为建议密度分布函数，这种方法是简单的，但当先验分布与后验分布的重合度很小的时候，粒子滤波的效果会不好。因此，实施例用无味卡尔曼滤波来作为粒子滤波的建议分布。具体是在采样阶段，用无味卡尔曼滤波为每个粒子计算其均值和协方差，然后利用该均值和协方差来指导采样。因为用无味卡尔曼滤波计算均值和协方差时，利用了最新的观测信息，所以更接近后验分布。用无味卡尔曼滤波计算均值和方差的过程如下：

(1)计算高斯点集合；

(2)对高斯点集做一步预测；

融入新的观察，并更新；

其中为选取的粒子；α和β为无味变换的参数；W_i ^(m)和W_i ^(c)分别为一阶统计特性和二阶统计特性的权系数；x_k|k-1、P_k|k-1和z_k|k-1分别是状态量，方差和量测值的一步预测；K_k为滤波增益；和分别为无味卡尔曼滤波最后的到的均值和方差。无味卡尔曼滤波是现有技术，不在详述。

步骤4：以拟合曲线的导数值与导数平均值的比值作为模糊推理系统的调节因子，通过模糊推理系统来自适应确定重采样的步长系数K的值。

对于标准的粒子滤波，为了减少粒子退化的问题，采取了重采样的方法，避免了粒子的权重集中到少数粒子上，但是传统的重采样方法都会带来一个新的问题，那就是样本枯竭，采样结果包含许多重复点，粒子的多样性缺失。为此实施例采用一种线性优化重采样的方法去避免粒子多样性的缺失。线性优化重采样的原理如下：

x_n＝x_s+LK(x_a-x_s)

其中x_n是通过本方法产生的新采样点；x_s为被重复选取的采样点；x_α为被抛弃的采样点；K为步长系数；L为合适步长。步长系数K可以用来确定线性优化重采样对被抛弃的采样点x_α的利用程度。通过选择适当的K值，总是可以使重采样后的概率分布和重采样之前的概率分布更加近似。一般情况下，当电池的退化趋势比较快时，需要减小K值，以减少小权重粒子带来的错误信息的干扰；当电池的退化趋势比较慢时，需要增加K值以保留更多的粒子以增加新信息。曲线的导数大小可以判定曲线退化趋势的快慢。因此，对已知数据的拟合曲线进行求导，导数的值可由下式计算得：

对导数取平均值：

其中T为预测更新所用循环次数。

这里引入一个新的值K_b，称为调节因子，让步长系数K随着K_b变化而变化。其中K_b的计算公式如下：

通过上述公式可知，调节因子拟合曲线的导数值与导数平均值的比值等于拟合曲线的导数值与导数平均值的比值，本发明采用模糊推理系统来通过调节因子K_b的变化，自适应的确定步长系数K的大小，步长系数K的模糊推理规则如下：

IF K_b∈equal then K∈equal

IF K_b∈more then K∈more

IF K_b∈less then K∈less

本例中，对于调节因子K_b，定义模糊子集equal是指接近1，more是指大于1，less是指小于1；对于步长系数K，定义模糊子集equal是指接近0.4，more是指大于0.4，less是指小于0.4。因此，当电池退化趋势较快时，K_b>1，则K>0.4；当电池退化趋势较慢时，K_b<1，则K<0.4；当电池退化趋势适中时，K_b≈1，则K≈0.4，得到调节因子K_b和步长系数K的隶属度函数如图3和4所示。对该模糊推理系统采用的去模糊化的方法为重心法。

步骤5：基于所确定的步长系数K，根据线性优化重采样方法对粒子进行重采样，并判断是否达到预设的迭代次数，若是，则输出粒子滤波的预测模型，并进入步骤6，否则返回步骤3。

本步骤利用传统的重采样方法将粒子分为复制组和抛弃组，在抛弃组中选取权重大于阈值的粒子与复制组中的粒子进行上述的线性优化，产生新的粒子，其中阈值的计算公式为：

其中N_s为粒子总数；n_j为粒子被重复选取的次数；m为状态的维数。

步骤6：用粒子滤波产生的预测模型实现对锂电池的剩余有效寿命预测，计算预测值与真实值之间的相对误差，并与其他两种粒子滤波算法(PF和UPF)的结果进行对比，以验证本发明的优越性。

本步骤通过上述改进的粒子滤波产生最后的预测模型对锂电池的剩余有效寿命预测，例如计算当锂电池电容量达到失效阈值时，锂电池的剩余充放电循环次数。具体计算公式如下：

为锂电池的初始电容量；和为最后的预测模型的参数；为剩余充放电循环次数。

另外，我们还可利用标准粒子滤波和无味粒子滤波来获得预测模型，并计算预测值与真实值之间的相对误差，比较本发明、标准粒子滤波和无味粒子滤波三种算法得到的结果，以验证本发明的优越性。在40Cycle时三种方法的预测结果对比图形如图5所示，经计算，在40Cycle时三种方法的预测相对误差对比图形如图6所示；在70Cycle时三种方法的预测结果对比图形如图7所示，经计算，在70Cycle时三种方法的预测相对误差对比图形如图8所示；从图6和图8可以看出，本发明(U-LOCK-PF)明显优于标准粒子滤波(PF)和无味粒子滤波(UPF)。

需要指出的是，上面所述只是说明本发明的一些原理，由于对相同技术领域的普通技术人员来说是很容易在此基础上进行若干修改和改动的。因此，本说明书并非是要将本发明局限在所示和所述的具体结构和适用范围内，故凡是所有可能被利用的相应修改以及等同物，均属于本发明所申请的专利范围。

Claims (7)

1.基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，包括以下步骤：

步骤1：选取训练数据，并基于退化模型对训练数据进行曲线拟合；

步骤2：通过拟合曲线得到预测数据的初始值；

步骤3：用无味卡尔曼滤波产生粒子滤波的重要密度函数；

步骤4：以拟合曲线的导数值与导数平均值的比值作为模糊推理系统的调节因子，通过模糊推理系统来自适应确定重采样的步长系数K的值；

步骤5：基于所确定的步长系数K，根据线性优化重采样方法对粒子进行重采样，并判断是否达到预设的迭代次数，若是，则输出粒子滤波的预测模型，并进入步骤6，否则返回步骤3；

步骤6：用粒子滤波产生的预测模型对锂电池的剩余有效寿命进行预测。

2.如权利要求1所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，线性优化重采样方法的公式为：

x_n＝x_s+LK(x_a-x_s)

其中，x_n是通过本方法产生的新采样点，x_s为被重复选取的采样点，x_α为被抛弃的点，K为步长系数，L为合适步长。

3.如权利要求1所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，步骤1选取美国航空航天局卓越故障预测中心提供的Battery Data Set试验数据作为训练数据。

4.如权利要求3所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，步骤1进行曲线拟合的退化模型为：

Q＝a·exp(b·k)+c·exp(d·k)

其中，Q是锂电池电容量；a、b、c和d是模型参数；k是循环次数。

5.如权利要求4所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，步长系数K的模糊推理规则为：

IF K_b∈equal then K∈equal

IF K_b∈more then K∈more

IF K_b∈less then K∈less

其中，对于调节因子K_b，定义模糊子集equal是指接近1，more是指大于1，less是指小于1；对于步长系数K，定义模糊子集equal是指接近0.4，more是指大于0.4；less是指小于0.4。

6.如权利要求5所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，对模糊推理系统采用的去模糊化的方法为重心法。

7.如权利要求1所述的基于改进无味粒子滤波的设备剩余寿命预测方法，其特征在于，步骤5中，进行重采样的具体步骤包括：

将粒子分为复制组和抛弃组；

在抛弃组中选取权重大于阈值的粒子与复制组中的粒子进行上述的线性优化，产生新的粒子，阈值的计算公式为：

<mrow> <msub> <mi>&amp;omega;</mi> <mrow> <mi>t</mi> <mi>h</mi> </mrow> </msub> <mo>=</mo> <mfrac> <mi>K</mi> <mrow> <msub> <mi>N</mi> <mi>s</mi> </msub> <msup> <msub> <mi>n</mi> <mi>j</mi> </msub> <mrow> <mn>1</mn> <mo>/</mo> <mi>m</mi> </mrow> </msup> </mrow> </mfrac> </mrow>

其中N_s为粒子总数；n_j为粒子被重复选取的次数；m为状态的维数。