CN109406180A - 受健康管理行为影响下的旋转机械的剩余寿命预测方法 - Google Patents

受健康管理行为影响下的旋转机械的剩余寿命预测方法 Download PDF

Info

Publication number
CN109406180A
CN109406180A CN201811130631.XA CN201811130631A CN109406180A CN 109406180 A CN109406180 A CN 109406180A CN 201811130631 A CN201811130631 A CN 201811130631A CN 109406180 A CN109406180 A CN 109406180A
Authority
CN
China
Prior art keywords
health control
useful life
predicting residual
random
residual useful
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201811130631.XA
Other languages
English (en)
Inventor
孙国玺
司小胜
张清华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN201811130631.XA priority Critical patent/CN109406180A/zh
Publication of CN109406180A publication Critical patent/CN109406180A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，具体包括如下内容：健康管理行为到达过程的数学化描述及健康管理行为影响下的随机退化建模；求解上述随机过程的首达时间概率分布及预测的剩余寿命分布；模型未知参数估计及剩余寿命预测结果的更新；根据健康管理行为影响，旋转机械的随机退化过程可通过如下随机过程刻画：其中

Description

受健康管理行为影响下的旋转机械的剩余寿命预测方法
技术领域
本发明涉及机械设备寿命运算领域，特别涉及一种受健康管理行为影响下的旋转机械的剩余寿命预测方法。
背景技术
随着石化产业规模的大规模发展，石化行业大机组中的旋转机械设备，日益趋向大型化、精密化、高速化和自动化方向发展，其组成和结构越来越复杂。这些发展一方面提高了生产效率、降低了生产成本，另一方面对机械的设计、制造、安装、使用、维修和可靠运行提出了更高、更严格的要求。一个微小的故障，可能会造成设备的性能发生退化、劣化甚至失效，影响到整个系统运行的稳定性和安全性，严重地还会造成一些灾难性事故。
剩余寿命是指设备从当前时刻到失效时刻的有效时间间隔。对于剩余寿命预测方法的研究，国内外学者近十年给予了广泛的关注。
在实际中，出于安全性方面的考虑，都会定期或不定期的对关键设备进行保养、小修、大修等健康管理行为，这些行为势必会提升设备的性能，进而对其退化过程产生一定的影响，对于石化装备中的旋转机械更是如此，适时的健康管理行为必不可少。在预测剩余寿命时应考虑其健康管理行为(如校正、润滑、小修等)的影响，因为这些行为会使设备的剩余寿命有相应的改变。现有基于退化建模的剩余寿命预测研究均未考虑维修活动的影响，而只是考虑设备在一个更新周期内的退化数据，并在此假定下实现了激光发生器和惯性平台的剩余寿命预测。可见，现有的退化建模和剩余寿命预测问题均建立在设备退化过程为渐进的、緩变的和不受健康管理行为影响的情况下，且一般假定设备被维护后，其性能退化将重新开始。鉴于此，研究受健康管理行为影响的旋转机械退化建模及剩余寿命预测问题具有重要的理论意义和实际应用价值。
因此，发明一种受健康管理行为影响下的旋转机械的剩余寿命预测方法来解决上述问题很有必要。
发明内容
本发明的目的在于提供一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，通过综合运用设备运行过程中的性能监测数据和运行信息，通过健康管理行为影响下设备的性能退化建模及剩余寿命预测方法，定量地揭示健康管理行为对剩余寿命预测结果的影响，具有研究问题层面的创新性，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，,具体包括如下内容：健康管理行为到达过程的数学化描述及健康管理行为影响下的随机退化建模；求解上述随机过程的首达时间概率分布及预测的剩余寿命分布；模型未知参数估计及剩余寿命预测结果的更新；
根据健康管理行为影响，旋转机械的随机退化过程可通过如下随机过程刻画：
其中为复合Poisson过程，刻画外界健康管理行为到达的频率，{Λk，k≥1}为独立同分布的随机变量，刻画每次健康管理行为对设备退化状态的随机影响；
对于以上随机退化过程，退化模型中未知参数的估计包括两部分：复合Poisson过程的参数，表示为Ξ1；其他参数，表示为Ξ2；假定观测得到的健康管理行为到达时间的数据为和维修强度数据为基于此，可通过极大似估计的方法得出参数Ξ2的估计可通过期望最大化算法给出，此时，完全数据似然函数为：
L(Ξ|Y1:M,Z1:M,N(t))＝log{p(Y1:M,Z1:M|Ξ,N(t))})。
优选的，对受健康管理行为影响的随机退化过程，本项目拟采取如下思路求解首达时间的分布fT(t)：首先基于X(t)的无穷小生产函数，利用随机微积分和鞅论的相关性质，求取首达时间分布的Laplace变换，进而通过Laplace逆变换的方法得到首达时间的分布，对于Laplace逆变换的计算，可通过Gaver-Stehfest算法实现。
优选的，根据求解得到的fT(t)，在获取检测数据Xk后通过构造自组织状态空间模型，利用Bayesian滤波方法得到可以通过监测数据更新的剩余寿命预测的概率分布
本发明的技术效果和优点：
1、本发明在首达时间的意义下得到了剩余寿命分布的显示解，克服了传统剩余寿命预测方法的强马氏性假设约束，在时变退化率下的退化建模方面特进行了尝试，提出了一类基于扩散过程的随机退化建模方法；
2、本发明综合运用设备运行过程中的性能监测数据和运行信息，通过健康管理行为影响下设备的性能退化建模及剩余寿命预测方法，定量地揭示健康管理行为对剩余寿命预测结果的影响，具有研究问题层面的创新性；
3、本发明从石化装备旋转机械的这些实际特征出发，开展旋转机械剩余寿命预测方法的验证研究，具有工程应用层面的创新性。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
本发明以实现旋转机械剩余寿命预测为最终目的，首先通过状态监测手段获取旋转机械在实际运行中的状态监测数据(如机壳表面振动及轴振动的监测数据)，并提取能反映其健康状态性能退化数据(如振动幅值数据),建立性能退化模型；基于此模型，求解退化过程的首达时间分布，然后利用首达时间分布预测剩余寿命分布；
在上述所示的实施例中，还采用建立考虑健康管理行为影响下的随机退化模型，并估计退化模型的未知参数以及维修强度过程中的参数，推导随机退化过程的首达时间分布，基于此求解预测的剩余寿命概率分布，进行石化装备旋转机械剩余寿命预测的实验研究。
在首达时间的意义下得到了剩余寿命分布的显示解，克服了传统剩余寿命预测方法的强马氏性假设约束，在时变退化率下的退化建模方面特进行了尝试，提出了一类基于扩散过程的随机退化建模方法，从石化装备旋转机械的这些实际特征出发，开展旋转机械剩余寿命预测方法的验证研究，具有工程应用层面的创新性。
实施例2
与实施例1不同的是：
根据健康管理行为影响，旋转机械的随机退化过程可通过如下随机过程刻画：
其中为复合Poisson过程，刻画外界健康管理行为到达的频率，{Λk，k≥1}为独立同分布的随机变量，刻画每次健康管理行为对设备退化状态的随机影响；
对于以上随机退化过程，退化模型中未知参数的估计包括两部分：复合Poisson过程的参数，表示为Ξ1；其他参数，表示为Ξ2；假定观测得到的健康管理行为到达时间的数据为和维修强度数据为基于此，可通过极大似估计的方法得出参数Ξ2的估计可通过期望最大化算法给出，此时，完全数据似然函数为：
L(Ξ|Y1:M,Z1:M,N(t))＝log{p(Y1:M,Z1:M|Ξ,N(t))})
对受健康管理行为影响的随机退化过程，本项目拟采取如下思路求解首达时间的分布fT(t)：首先基于X(t)的无穷小生产函数，利用随机微积分和鞅论的相关性质，求取首达时间分布的Laplace变换，进而通过Laplace逆变换的方法得到首达时间的分布，对于Laplace逆变换的计算，可通过Gaver-Stehfest算法实现。
根据求解得到的fT(t)，在获取检测数据Xk后通过构造自组织状态空间模型，利用Bayesian滤波方法得到可以通过监测数据更新的剩余寿命预测的概率分布
综合运用设备运行过程中的性能监测数据和运行信息，通过健康管理行为影响下设备的性能退化建模及剩余寿命预测方法，定量地揭示健康管理行为对剩余寿命预测结果的影响，具有研究问题层面的创新性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，其特征在于,具体包括如下内容：健康管理行为到达过程的数学化描述及健康管理行为影响下的随机退化建模；求解上述随机过程的首达时间概率分布及预测的剩余寿命分布；模型未知参数估计及剩余寿命预测结果的更新；
根据健康管理行为影响，旋转机械的随机退化过程可通过如下随机过程刻画：
其中为复合Poisson过程，刻画外界健康管理行为到达的频率，{Λk，k≥1}为独立同分布的随机变量，刻画每次健康管理行为对设备退化状态的随机影响；
对于以上随机退化过程，退化模型中未知参数的估计包括两部分：复合Poisson过程的参数，表示为Ξ1；其他参数，表示为Ξ2；假定观测得到的健康管理行为到达时间的数据为和维修强度数据为基于此，可通过极大似估计的方法得出参数Ξ2的估计可通过期望最大化算法给出，此时，完全数据似然函数为：
L(Ξ|Y1:M,Z1:M,N(t))＝log{p(Y1:M,Z1:M|Ξ,N(t))}) 。
2.根据权利要求1所述的一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，其特征在于：对受健康管理行为影响的随机退化过程，本项目拟采取如下思路求解首达时间的分布fT(t)：首先基于X(t)的无穷小生产函数，利用随机微积分和鞅论的相关性质，求取首达时间分布的Laplace变换，进而通过Laplace逆变换的方法得到首达时间的分布，对于Laplace逆变换的计算，可通过Gaver-Stehfest算法实现。
3.根据权利要求2所述的一种受健康管理行为影响下的旋转机械的剩余寿命预测方法，其特征在于：根据求解得到的fT(t)，在获取检测数据Xk后通过构造自组织状态空间模型，利用Bayesian滤波方法得到可以通过监测数据更新的剩余寿命预测的概率分布
CN201811130631.XA 2018-09-27 2018-09-27 受健康管理行为影响下的旋转机械的剩余寿命预测方法 Pending CN109406180A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811130631.XA CN109406180A (zh) 2018-09-27 2018-09-27 受健康管理行为影响下的旋转机械的剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811130631.XA CN109406180A (zh) 2018-09-27 2018-09-27 受健康管理行为影响下的旋转机械的剩余寿命预测方法

Publications (1)

Publication Number Publication Date
CN109406180A true CN109406180A (zh) 2019-03-01

Family

ID=65466466

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811130631.XA Pending CN109406180A (zh) 2018-09-27 2018-09-27 受健康管理行为影响下的旋转机械的剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN109406180A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851980A (zh) * 2019-11-11 2020-02-28 中国人民解放军火箭军工程大学 一种设备剩余寿命预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110851980A (zh) * 2019-11-11 2020-02-28 中国人民解放军火箭军工程大学 一种设备剩余寿命预测方法及系统

Similar Documents

Publication Publication Date Title
CN108549951B (zh) 一种基于关键器件的船用电气设备寿命预测方法及装置
Aydin et al. Using LSTM networks to predict engine condition on large scale data processing framework
Teng et al. DNN‐based approach for fault detection in a direct drive wind turbine<? show [AQ ID= Q1]?>
Wilkinson et al. Comparison of methods for wind turbine condition monitoring with SCADA data
CN104573845B (zh) 信息系统设备状态检修辅助决策方法
Tsui et al. Prognostics and health management: A review on data driven approaches
CN109977624A (zh) 基于深度神经网络的光伏电站缓变故障监测方法
CN103617110A (zh) 服务器设备状态检修系统
CN112162543B (zh) 一种基于数字孪生的叶片转子试验台预测性维修方法及系统
CN114911206A (zh) 一种基于物联网的选煤厂智能化预测维护系统
CN105527112B (zh) 一种基于使用与维修影响的旋转机械设备健康状态综合评估方法
Wang et al. A de-ambiguous condition monitoring scheme for wind turbines using least squares generative adversarial networks
CN111817880A (zh) 一种油气田生产设备健康管理系统以及实现方法
CN113705095B (zh) 一种循环水泵数字孪生建模方法
CN110160783A (zh) 一种基于数字孪生技术的提花机滑动轴承监测系统及方法
WO2022216522A2 (en) Predictive maintenance of industrial equipment
CN104238546B (zh) 基于混杂神经网络的直流主设备故障诊断方法
CN102252843A (zh) 一种滚动轴承性能变异的评估方法
US20200380391A1 (en) Methods and systems for predicting electromechanical device failure
Geng et al. Opportunistic maintenance for multi-component systems considering structural dependence and economic dependence
CN107656156A (zh) 一种基于云平台的设备故障诊断及运行状态评估方法与系统
CN115453356B (zh) 一种动力设备运行状态监测分析方法、系统、终端及介质
CN111382494A (zh) 用于检测工业机器的感知数据中的异常的系统及方法
CN117172744A (zh) 一种智能水厂用水处理设备维护预测方法
CN109406180A (zh) 受健康管理行为影响下的旋转机械的剩余寿命预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190301