CN109948860A - 一种机械系统剩余寿命预测方法及系统 - Google Patents

Abstract

本发明提供一种机械系统剩余寿命预测方法，机械系统包括多个相同型号规格的设备；其特征在于：包括先将待预测机械系统分成建模用设备和待预测设备，并分别对建模用设备和待预测设备进行数据采集，分别形成训练数据和预测数据；通过训练数据建立系统退化模型，得到拟合参数和健康指示量阈值；将预测数据融合为健康指示量时间序列；根据拟合参数和健康指示量阈值，通过健康指示量时间序列预测剩余寿命。本发明的优点在于：该方法根据设备选择传感器类型，在数据融合、退化建模阶段可使用不同算法或模型，具有较强通用性；预测结果较准确，能有效应用于预测性维护，降低维护成本，提高设备可用性。

Description

一种机械系统剩余寿命预测方法及系统

技术领域

本发明涉及寿命预测技术领域，具体来说是关于机械系统寿命的预测技术。

背景技术

为保障机械系统的可靠运行，通常的做法是定期保养，这种做法容易导致过频维护和资源浪费。剩余使用寿命(Remaining Useful Life,RUL)预测是视情维修(ConditionBased Maintenance,CBM)过程的核心问题,已经成为系统故障预测和健康管理(Prognostics and Health Management,PHM)领域的研究热点和挑战。根据剩余寿命预测结果,提前采取纠正措施、系统置换，甚至是计划故障，可以提高系统的可用性和可靠性,降低或避免故障造成的重大损失,同时减少维修保障费用,具有重要的研究和实用价值。

申请号为：CN201610067317.6的专利申请，一种齿轮的实时剩余预测方法，属于机械可靠性技术领域，特征是实施步骤如下：1、利用传感器对动力齿轮退化实时监测；2、对齿轮疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；3、建立可变参数的齿轮退化状态空间模型；4、对齿轮退化过程中的突变状态点进行检测；5、根据监测到的突变点信息修正预测模型，重新进行状态评估；6、根据齿轮状态估计及齿轮故障阈值进行齿轮剩余寿命预测。优点是可有效的预测齿轮退化状态及实时剩余寿命的准确度，为齿轮预防性维修提供依据。

申请号为：CN201610502527.3的专利申请，一种离心泵寿命预测方法是应用离心泵特性曲线作为离心泵失效寿命评估指标，通过在离心泵剩余寿命预测监测点设置相应的传感器，绘制出离心泵运行过程中的特性曲线，并根据特性曲线变化趋势，基于ARMA时间序列离心泵剩余寿命预测方法预测出离心泵剩余寿命。本发明以离心泵特性曲线为寿命评价依据，适用于不同工况下运行的离心泵，依据不同的使用要求，建立相应的失效指标，有效预测离心泵剩余使用寿命，最大限度地提高离心泵的利用效率。

依据上述现有技术，可知现有技术存在以下缺点：

1、针对某种特定机械设备，不是通用方法；

2、采集设备状态的传感器种类少，只有2～3维，不适用于复杂机械系统。

发明内容

本发明要解决的技术问题是之一是缺乏针对不同型号规格机械设备的预测方法，问题之二是缺少针对不同型号规格机械设备的预测系统。

本发明通过以下技术方案来解决上述技术问题之一：

一种机械系统剩余寿命预测方法，机械系统包括多个相同型号规格的设备；包括

先将待预测机械系统分成建模用设备和待预测设备，并分别对建模用设备和待预测设备进行数据采集，分别形成训练数据和预测数据；

通过训练数据建立系统退化模型，得到拟合参数和健康指示量阈值；

将预测数据融合得到健康指示量时间序列；

根据拟合参数和健康指示量阈值，通过健康指示量时间序列预测剩余寿命。

优选的，还包括验证环节，选择与待预测机械系统相同型号规格的测试用设备，已知测试用设备的实际寿命；对测试用设备进行数据采集得到测试数据；利用测试数据验证系统退化模型的精度。

优选的，所述训练数据为对建模用设备其进行全寿命状态检测数据采集的数据。

优选的，在建模前，先对训练数据进行数据融合，具体为：

特征筛选，先对训练数据进行特征筛选，得到重要性排名符合要求的多维数据；

归一化处理，将各维数据统一缩放到[0,1]之间，变化公式如下：

x_scale＝(x-min)/(max-min)，其中，

x_scale为归一化后的训练数据的各维数据；x为训练数据的各维数据；max为训练数据的各维数据中的最大值，min为训练数据中各数据中的最小值；

对归一化处理后的各维数据进行降维，得到多个主成分向量，选取最大主成分作为健康指示量。

优选的，系统退化建模具体为：令h(t)＝H(t,θ)+ε，H代表退化理论模型，θ为模型参数，ε为噪声；使用如下方程表示健康指示量h随时间t变化的趋势：

h(t)＝exp(a×t+b)+c+ε

其中a、b、c是拟合参数；

对训练数据中每个设备的健康指示量使用拟合技术，求解其参数a、b、c、寿命、失效时的健康指示量failure Hi，记FHi＝mean(failure Hi)，作为健康指示量阈值，其中，mean()为失效时健康指示量的均值。

优选的，寿命预测具体为：对所述预测数据进行与训练数据相同的预处理：特征筛选、归一化、降维后，得到健康指示量时间序列h(t)，对参数正常区间的某θ，计算出理论值H(t,θ)，定义损失函数Lose(θ)：

Lose(θ)＝RMSE(h(t),H(t,θ))

RMSE为均方根误差函数；

使用超参数优化算法，寻找最优参数θ^*；

令H(t,θ^*)≧FHi，求解故障时间t'，记t₀为测试数据截止时间，Rul＝t'-t₀即为该设备剩余寿命。

本发明还提供一种机械系统剩余寿命预测系统，应用于上述的方法，包括

数据采集模块，用以对待预测机械系统进行数据采集，形成训练数据和预测数据；

建模模块，用以建立系统退化模型，得到拟合参数和健康指示量阈值；

数据融合模块，训练数据和预测数据分别通过数据融合模块融合得到；

预测模块，根据拟合参数和健康指示量阈值，预测机械系统剩余寿命。

优选的，所建模模块先对所述训练数据进行数据融合，具体为：

特征筛选，先对训练数据进行特征筛选，得到重要性排名符合要求的多维数据；

归一化处理，将各维数据统一缩放到[0,1]之间，变化公式如下：

xscale＝(x-min)/(max-min)

降维，对归一化处理后的各维数据进行降维，得到多个主成分向量，选取最大主成分作为健康指示量。

优选的，然后令h(t)＝H(t,θ)+ε，H代表退化理论模型，θ为模型参数，ε为噪声；使用如下方程表示健康指示量h随时间t变化的趋势：

h(t)＝exp(a×t+b)+c+ε

其中a、b、c是拟合参数；

对训练数据中每个设备的健康指示量使用拟合技术，求解其参数a、b、c、寿命、失效时的健康指示量failure Hi，记FHi＝mean(failure Hi)，作为健康指示量阈值。

优选的，寿命预测具体为：对待预测机械系统采集到的多维状态检测量进行与训练数据相同的预处理：特征筛选、归一化、降维后，得到健康指示量时间序列h(t)，对参数正常区间的某θ，计算出理论值H(t,θ)，定义损失函数Lose(θ)：

Lose(θ)＝RMSE(h(t),H(t,θ))

RMSE为均方根误差函数；

使用超参数优化算法，利用寻找最优参数θ^*；

令H(t,θ^*)≧FHi，求解故障时间t'，记t0为测试数据截至时间，Rul＝t'-t0即为该设备剩余寿命。

本发明的优点在于：

该方法根据设备选择传感器类型，在数据融合、退化建模阶段可使用不同算法或模型，具有较强通用性；

预测结果较准确，能有效应用于预测性维护，降低维护成本，提高设备可用性。

附图说明

图1为本发明实施例1一种机械系统剩余寿命预测方法的流程框图；

图2为本发明实施例1中采用随机森林对C-MAPSS计算出的特征重要性图；

图3为本发明实施例1中对C-MAPSS训练数据中1-10的传感器监测序列依次经过筛选、归一化、降维后的健康指示量曲线图；

图4为本发明实施例2中基于系统退化模型的验证结果图。

具体实施方式

为使对本发明的结构特征及所达成的功效有更进一步的了解与认识，用以较佳的实施例及附图配合详细的说明，说明如下：

概念介绍：

健康指示量

健康指示量(Health index，HI)是表征系统退化程度的量。通过安装在系统中的传感器，可以监测系统运行时一些物理量的变化。对于复杂系统，一般很难测量与系统失效机理直接相关的物理量。因此，需通过对多种状态监测量进行融合，人为建立健康指示量。传感器监测的物理量应与系统退化状态相关。

实施例1

一种机械系统剩余寿命预测方法，该方法针对机械系统包括多个相同型号规格的设备。具体方法为：

先将待预测机械系统分成建模用设备和待预测设备，并分别对建模用设备和待预测设备进行数据采集，分别形成训练数据和预测数据；为建立和评估系统退化模型，训练数据包含建模用设备的全寿命(run-to-failure)状态监测数据，测试数据是待预测设备的部分状态监测数据。

典型的状态监测数据内容如表1：

表1

表中x₁,x₂,…，x_p是传感器监测量的时间序列。

通过训练数据建立系统退化模型，得到拟合参数和健康指示量阈值；具体为

1.对训练数据进行数据融合

由于不是所有的状态监测量都与系统退化过程有关，为了提升数据融合的效果，可进行特征筛选。我们使用随机森林算法，它可以计算每个特征的重要性并排序。例如，随机森林对C-MAPSS(英文全称，中文翻译)计算的特征重要性如图2。

据此可以排除“外涵道压力”等重要性排名靠后的状态监测量。

2.由于各传感器量纲和量级不同，需要对数据进行归一化。使用min-max标准化，将各维数据统一缩放到[0,1]之间，变换公式如下：

x_scale＝(x-min)/(max-min)

其中，x_scale为归一化后的训练数据的各维数据；x为训练数据的各维数据；max为训练数据的各维数据中的最大值，min为训练数据中各位数据中的最小值；

3.接下来，使用降维的方式，对多维数据进行数据融合。主成分分析(PCA)是一种广泛使用的降维方法，它将数据向不同方向进行投影，得到若干主成分向量。本实施例使用最大主成分(方差最大的主成分)作为健康指示量，因为通常认为它包含了更多信息，最能代表原数据。也可根据数据特点使用LDA、KPCA等降维技术。

对C-MAPSS训练数据中，设备编号从1到7的传感器监测序列依次经特征筛选、归一化、降维后，绘制健康指示量曲线图，如图3。

图3中可以看出，不同序列有相同趋势，Health index基本随时间上升，到达某阈值附近后系统失效，因此这里的Health index代表系统退化量。

2.系统退化建模

令h(t)＝H(t,θ)+ε，H代表退化理论模型，θ为模型参数，ε为噪声。系统退化建模领域常用的模型有Arrhenius模型，Coffin-Mason模型和Eyring模型，它们都用指数形式来模拟退化的演变。结合图3，我们使用如下方程表示健康指示量h随时间t变化的趋势：

h(t)＝exp(a×t+b)+c+ε

其中a、b、c是参数，与具体设备的初始磨损状态和使用工况相关。

对C-MAPSS训练数据中每个设备编号的健康指示量序列使用曲线拟合技术，求解其参数a、b、c，寿命，失效时的健康指示量failure Hi，得到如下统计结果：

表2

记FHi＝mean(failure Hi)，作为健康指示量阈值，超出阈值系统发生故障。

除指数模型外，也可以使用ARMA、Wiener、Gamma模型等对健康指示量时间序列建模，同样求解参数θ的正常区间。

基于超参数优化的剩余寿命预测

对预测数据，合理假设其与训练数据服从相同的退化模型，参数也在训练集参数区间内。

预测数据经与训练数据相同的预处理：特征筛选、归一化、降维后，得健康指示量时间序列h(t)。对参数正常区间的某θ，可计算理论值H(t,θ)，定义损失函数Lose(θ)：

Lose(θ)＝RMSE(h(t),H(t,θ))

RMSE为均方根误差函数。

使用超参数优化算法，利用随机搜索或模拟退火寻找最优参数θ^*。

令H(t,θ^*)≧FHi，求解故障时间t'。记t₀为测试数据截至时间，Rul＝t'-t₀即为该设备剩余寿命。

本实施例还提供一种机械系统剩余寿命预测系统，应用于上述的方法，包括：

数据采集模块，用以对待预测机械系统进行数据采集，形成训练数据和预测数据；

建模模块，用以建立系统退化模型，得到拟合参数和健康指示量阈值；

数据融合模块，训练数据和预测数据分别通过数据融合模块融合得到；

预测模块，根据拟合参数和健康指示量阈值，预测机械系统剩余寿命。

实施例2

在实施例1的基础上，还可以加入验证环节。具体为：

从待预测机械系统分出部分设备形成测试用设备，或选择同型号同规格的设备，这些设备的实际寿命已被作业人员掌握。采集测试用设备的全寿命周期状态监测数据，然后按照预测寿命的方法对模型进行验证。如图4所示，在C-MAPSS(商用模块化航空推进系统仿真)数据上，基于系统(指数)退化模型的超参数优化剩余寿命预测的，取得了27.4的均方根误差(RMSE)，预测准确率较高。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (10)

1.一种机械系统剩余寿命预测方法，机械系统包括多个相同型号规格的设备；其特征在于：包括

先将待预测机械系统分成建模用设备和待预测设备，并分别对建模用设备和待预测设备进行数据采集，分别形成训练数据和预测数据；

通过训练数据建立系统退化模型，得到拟合参数和健康指示量阈值；

将预测数据融合得到健康指示量时间序列；

根据拟合参数和健康指示量阈值，通过健康指示量时间序列预测剩余寿命。

2.根据权利要求1所述的机械系统剩余寿命预测方法，其特征在于：还包括验证环节，选择与待预测机械系统相同型号规格的测试用设备，已知测试用设备的实际寿命；对测试用设备进行数据采集得到测试数据；利用测试数据验证系统退化模型的精度。

3.根据权利要求1所述的机械系统剩余寿命预测方法，其特征在于：所述训练数据为对建模用设备其进行全寿命状态检测数据采集的数据。

4.根据权利要求3所述的机械系统剩余寿命预测方法，其特征在于：在建模前，先对训练数据进行数据融合，具体为：

特征筛选，先对训练数据进行特征筛选，得到重要性排名符合要求的多维数据；

归一化处理，将各维数据统一缩放到[0,1]之间，变化公式如下：

x_scale＝(x-min)/(max-min)，其中，

x_scale为归一化后的训练数据的各维数据；x为训练数据的各维数据；max为训练数据的各维数据中的最大值，min为训练数据中各数据中的最小值；

对归一化处理后的各维数据进行降维，得到多个主成分向量，选取最大主成分作为健康指示量。

5.根据权利要求4所述的机械系统剩余寿命预测方法，其特征在于：系统退化建模具体为：令h(t)＝H(t,θ)+ε，H代表退化理论模型，θ为模型参数，ε为噪声；使用如下方程表示健康指示量h随时间t变化的趋势：

h(t)＝exp(a×t+b)+c+ε

其中a、b、c是拟合参数；

对训练数据中每个设备的健康指示量使用拟合技术，求解其参数a、b、c、寿命、失效时的健康指示量failure Hi，记FHi＝mean(failure Hi)，作为健康指示量阈值，其中，mean()为失效时健康指示量的均值。

6.根据权利要求5所述的机械系统剩余寿命预测方法，其特征在于：寿命预测具体为：对所述预测数据进行与训练数据相同的预处理：特征筛选、归一化、降维后，得到健康指示量时间序列h(t)，对参数正常区间的某θ，计算出理论值H(t,θ)，定义损失函数Lose(θ)：

Lose(θ)＝RMSE(h(t),H(t,θ))

RMSE为均方根误差函数；

使用超参数优化算法，寻找最优参数θ^*；

令H(t,θ^*)≧FHi，求解故障时间t'，记t₀为测试数据截止时间，Rul＝t'-t₀即为该设备剩余寿命。

7.一种机械系统剩余寿命预测系统，应用于上述权利要求1至6任一所述的方法，其特征在于：包括

数据采集模块，用以对待预测机械系统进行数据采集，形成训练数据和预测数据；

建模模块，用以建立系统退化模型，得到拟合参数和健康指示量阈值；

数据融合模块，训练数据和预测数据分别通过数据融合模块融合得到；

预测模块，根据拟合参数和健康指示量阈值，预测机械系统剩余寿命。

8.根据权利要求7所述的机械系统剩余寿命预测系统，其特征在于：所建模模块先对所述训练数据进行数据融合，具体为：

特征筛选，先对训练数据进行特征筛选，得到重要性排名符合要求的多维数据；

归一化处理，将各维数据统一缩放到[0,1]之间，变化公式如下：

xscale＝(x-min)/(max-min)

降维，对归一化处理后的各维数据进行降维，得到多个主成分向量，选取最大主成分作为健康指示量。

9.根据权利要求8所述的机械系统剩余寿命预测系统，其特征在于：然后令h(t)＝H(t,θ)+ε，H代表退化理论模型，θ为模型参数，ε为噪声；使用如下方程表示健康指示量h随时间t变化的趋势：

h(t)＝exp(a×t+b)+c+ε

其中a、b、c是拟合参数；

对训练数据中每个设备的健康指示量使用拟合技术，求解其参数a、b、c、寿命、失效时的健康指示量failure Hi，记FHi＝mean(failure Hi)，作为健康指示量阈值。

10.根据权利要求9所述的机械系统剩余寿命预测系统，其特征在于：寿命预测具体为：对待预测机械系统采集到的多维状态检测量进行与训练数据相同的预处理：特征筛选、归一化、降维后，得到健康指示量时间序列h(t)，对参数正常区间的某θ，计算出理论值H(t,θ)，定义损失函数Lose(θ)：

Lose(θ)＝RMSE(h(t),H(t,θ))

RMSE为均方根误差函数；

使用超参数优化算法，利用寻找最优参数θ^*；

令H(t,θ^*)≧FHi，求解故障时间t'，记t0为测试数据截至时间，Rul＝t'-t0即为该设备剩余寿命。