CN109992875B - 一种切换设备剩余寿命的确定方法及系统 - Google Patents
一种切换设备剩余寿命的确定方法及系统 Download PDFInfo
- Publication number
- CN109992875B CN109992875B CN201910242382.1A CN201910242382A CN109992875B CN 109992875 B CN109992875 B CN 109992875B CN 201910242382 A CN201910242382 A CN 201910242382A CN 109992875 B CN109992875 B CN 109992875B
- Authority
- CN
- China
- Prior art keywords
- degradation
- equipment
- time
- state
- switching
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种切换设备剩余寿命的确定方法及系统。将设备退化过程表示为随机过程,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;在时刻t所述设备的运行状态的集合,所述设备在时刻t的运行状态;根据所述设备在时刻t的运行状态建立状态切换过程的模型和所述设备运行过程的参数;根据所述设备退化过程建立退化过程模型;根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。通过随机过程的数据建立状态切换过程的模型和所述设备运行过程的参数,提高了设备的剩余使用寿命的计算结果的精确度。
Description
技术领域
本发明涉及切换设备领域,特别是涉及一种切换设备剩余寿命的确定方法及系统。
背景技术
针对工程实际中的很多设备,由于运行过程是在各个状态之间相互切换下进行的,运行过程具有非连续性,传统的基于连续运行设备的寿命确定方法不能准确地预测出运行设备的剩余使用寿命,无法确保运行设备稳妥可靠地运行,对于贮存-工作状态切换下的非连续运行设备,由于两种运行状态下设备载荷、环境条件方面的显著差异,设备在两种状态下的退化特征也不同,且运行状态的切换规律和各状态持续时间都是随机的。
设备的退化影响因素较多,运行过程中的随机性很强,难以准确或者经济地通过机理分析建立设备的退化模型。但是随着设备的运行,能够获得充足的表征设备性能的退化数据,设备的退化过程受到设备自身时变随机性、样本间差异性和测量误差的多重不确定性因素的影响,为在剩余使用寿命中影响。
发明内容
本发明的目的是提供一种能够提高切换设备剩余使用寿命计算的精度的切换设备剩余寿命的确定方法及系统。
为实现上述目的,本发明提供了如下方案:
一种切换设备剩余寿命的确定方法,所述确定方法包括:
将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;
根据所述设备退化过程建立退化过程模型;
根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
可选的,所述根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数具体包括:
设备在工作状态下的状态持续时间的期望为1/γ;
根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ。
可选的,所述根据所述设备退化过程建立退化过程模型具体包括:
采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
可选的,在所述根据所述设备退化过程建立退化过程模型后还包括:
采用EM算法结合贝叶斯更新规则进行退化参数的估计,具体步骤为:
令设备到当前时刻tk采样得到的拟退化数据为
采用贝叶斯更新规则获得:
两边求期望获得:
参数矢量Θ的第q步迭代估计结果为
可选的,所述根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命具体包括:
结合设备运行过程中的监测信息,采用贝叶斯更新规则对设备运行参数实时更新,得到运行参数的后验分布fκ(κ|Xk,Ck);
采用随机系数回归模型描述设备性能退化过程;
得到tk时刻的剩余使用寿命的累计分布函数的表达式:
为了实现上述目的,本发明还提供了如下方案:
一种切换设备剩余寿命的确定系统,所述确定系统包括:
退化过程建立模块,用于将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
运行状态集合确定模块,用于确定在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
切换过程模型建立模块,用于根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;
退化过程模型建立模块,用于根据所述设备退化过程建立退化过程模型;
剩余使用寿命确定模块,用于根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
可选的,所述切换过程模型建立模块具体包括:
联合概率分布计算单元,用于根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
设备运行过程参数计算单元,用于根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ。
可选的,所述退化过程模型建立模块具体包括:
退化过程描述单元,用于采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻监测单元,用于截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供了一种切换设备剩余寿命的确定方法及系统。将设备退化过程进行数据化处理,通过随机过程的数据建立状态切换过程的模型和所述设备运行过程的参数,根据所述设备退化过程建立退化过程模型,根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命,提高了设备的剩余使用寿命的计算结果的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的切换设备剩余寿命的确定方法的流程图;
图2为本发明提供的切换设备剩余寿命的确定系统的组成框图;
图3为本发明提供的在第18个监测点预测的剩余贮存寿命的累积分布函数;
图4为本发明提供的在第72个监测点预测的剩余贮存寿命的累积分布函数。
具体实施方式
下面将结合本发明实施例中的附图,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。
本发明的目的是提供一种能够提高切换设备剩余使用寿命计算的精度的切换设备剩余寿命的确定方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,一种切换设备剩余寿命的确定方法,所述确定方法包括:
步骤100:将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
步骤200:在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
步骤300:根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;
步骤400:根据所述设备退化过程建立退化过程模型;
步骤500:根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
所述步骤300:根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数具体包括:
设备在工作状态下的状态持续时间的期望为1/γ;
根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ。
所述步骤400:根据所述设备退化过程建立退化过程模型具体包括:
采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
在所述根据所述设备退化过程建立退化过程模型后还包括:
采用EM算法结合贝叶斯更新规则进行退化参数的估计,具体步骤为:
令设备到当前时刻tk采样得到的拟退化数据为
采用贝叶斯更新规则获得:
两边求期望获得:
参数矢量Θ的第q步迭代估计结果为
所述根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命具体包括:
结合设备运行过程中的监测信息,采用贝叶斯更新规则对设备运行参数实时更新,得到运行参数的后验分布fκ(κ|Xk,Ck);
采用随机系数回归模型描述设备性能退化过程;
得到tk时刻的剩余使用寿命的累计分布函数的表达式:
为了实现上述目的,本发明还提供了如下方案:
如图2所示,一种切换设备剩余寿命的确定系统,所述确定系统包括:
退化过程建立模块1,用于将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
运行状态集合确定模块2,用于确定在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
切换过程模型建立模块3,用于根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;
退化过程模型建立模块4,用于根据所述设备退化过程建立退化过程模型;
剩余使用寿命确定模块5,用于根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
所述切换过程模型建立模块3具体包括:
联合概率分布计算单元,用于根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
设备运行过程参数计算单元,用于根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ。
所述退化过程模型建立模块4具体包括:
退化过程描述单元,用于采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻监测单元,用于截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
通过状态监测得到了该型号陀螺仪从2004年1月到2008年4月的漂移数据,获取漂移系数退化轨迹。根据对该陀螺仪的测试记录,还可得到该陀螺仪在此期间的具体运行状态切换信息,具体如表4.1所示。
表4.1 2004年1月至2008年4月间陀螺仪的运行信息
基于记录得到的该陀螺仪的运行信息,采用本发明步骤3中的参数估计方法可得到状态切换模型参数的先验估计值;基于监测得到的漂移系数退化数据,采用本发明步骤4中参数估计方法可得到退化模型参数的先验估计值。具体地,参数值见表4.2。
表4.2模型参数的先验估计值
为验证本发明所提方法的有效性,这里选择在第18个监测点和第72个监测点处求解该陀螺仪RUL的CDF,具体如图3和图4所示。
已知这类陀螺仪的贮存寿命约为37200小时。从图4可以看出,本发明所提方法能够进行状态切换影响下的设备RUL预测,并且预测的精度随着退化监测数据的累积而提高。为进一步说明本章所提方法的可行性和有效性,这里给出该陀螺仪在几个有代表性的状态监测点处的剩余贮存寿命的预测值,并采用实际值与预测值之间的相对误差(RelativeError,RE)作为衡量预测精度的指标,令Lk为时刻tk的实际RUL,为该时刻的预测RUL,则相对误差由得出,RE越小,说明预测精度越高。预测结果见表4.3。
表4.3几个典型监测点的剩余贮存寿命预测值及相对误差
根据表4.3可以更加直观地看出,本发明所提方法能够对设备的RUL进行较为准确的预测,并且预测精度随着退化监测数据的增多而提高。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (3)
1.一种切换设备剩余寿命的确定方法,其特征在于,所述确定方法包括:
将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;具体包括:
设备在工作状态下的状态持续时间的期望为1/γ;
在时间区间(tk,l+tk)内的状态切换时刻的集合为{τ0,k,τ1,k,τ2,k...,τNk(l),k},切换次数总数为Nk(l);
根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
fk(τ0,k,τ1,k,τ2,k...,τNk(l),k,Nk(l)|κ);
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ;
根据所述设备退化过程建立退化过程模型;具体包括:
采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由根据设备到t时刻的监测信息得到μX(t)和的计算公式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
采用EM算法结合贝叶斯更新规则进行退化参数的估计,具体步骤为:
令设备到当前时刻tk采样得到的拟退化数据为
采用贝叶斯更新规则获得:
两边求期望获得:
参数矢量Θ的第q步迭代估计结果为
根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
2.根据权利要求1所述的一种切换设备剩余寿命的确定方法,其特征在于,所述根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命具体包括:
结合设备运行过程中的监测信息,采用贝叶斯更新规则对设备运行参数实时更新,得到运行参数的后验分布fκ(κ|Xk,Ck);
采用随机系数回归模型描述设备性能退化过程;
得到tk时刻的剩余使用寿命的累计分布函数的表达式:
3.一种切换设备剩余寿命的确定系统,其特征在于,所述确定系统包括:
退化过程建立模块,用于将设备退化过程表示为随机过程{X(t),t≥0},其中,X(t)为所述设备在时刻t的退化量,所述退化量为所述设备在运行过程中,所述退化量用于表示所述设备性能发生退化的参数;
运行状态集合确定模块,用于确定在时刻t所述设备的运行状态的集合ψ={1,2},其中,状态“1”为所述设备处于工作状态,状态“2”为所述设备处于贮存状态,所述设备在时刻t的运行状态v(t);
切换过程模型建立模块,用于根据所述设备在时刻t的运行状态v(t)建立状态切换过程的模型和所述设备运行过程的参数;具体包括:
联合概率分布计算单元,用于根据切换模型参数κ计算状态切换时间和切换次数的联合概率分布
将时间区间(tk,l+tk)内的运行信息集合为
Fk(L)={τj,k,Nk(l):τj,k∈(tk,tk+l],j=0,1,...,Nk(l)};
设备运行过程参数计算单元,用于根据所述运行信息集合采用贝叶斯计算所述设备运行过程的参数κ;
退化过程模型建立模块,用于根据所述设备退化过程建立退化过程模型;具体包括:
退化过程描述单元,用于采用线性随机系数回归模型来描述线性随机退化设备的退化过程为:
其中,随机系数θ为同类产品退化的共性特征;随机系数λ为设备退化速率,由于ν(t)为分段常值函数,则λ(ν(t))也为分段常值函数,即具体的分段点即为状态切换时刻{τj,0},并且有τj,0∈F0(t);ε为随机误差,描述设备退化的波动性,且满足ε~N(0,σ2);
截止时刻监测单元,用于截止时刻tk监测获得退化数据为Xk=[x0,x1,x2...,xk]T,将时刻tk开始的相邻两次状态切换τj-1,k和τj,k之间的退化率表示为λj-1,k,j=1,2,...,n(t);由初始时刻t0=0开始到时刻t得到的设备运行状态切换时间和切换次数的集合为{τj,0,n(t):j=0,1,2,...,n(t)},在给定随机系数θ的前提下,任意两次状态切换时间间隔[τj-1,0,τj,0),j=1,2,...,n(t)内有:
由于θ、ε、λ之间相互独立且状态切换时间已知,故
在时刻t0=0估计的寿命T的累积分布函数为:
其中Φ(·)为标准正态分布的累积分布函数,μX(t)、σX(t)由根据设备到t时刻的监测信息得到μX(t)和的计算公式得到,π为切换模型和退化模型的参数集合,具体包括κ、θ、λ1、λ2和σ2,根据设备的退化监测数据和相应的运行信息估计得到;为简化符号,令其中
在得到初始时刻的寿命T的累积分布函数后,同理,对于当前时刻tk的剩余使用寿命的累积分布函数的求解,令时间区间(tk,l+tk)内的运行信息集合为Fk(L),tk时刻的拟退化量为Y(tk),那么,对于tk之后的任一将来时刻tk+l可得到:
其中,τ0,k=tk;
获得tk时刻估计的剩余使用寿命的累计分布函数为:
还包括退化参数估计模块,用于采用EM算法结合贝叶斯更新规则进行退化参数的估计,具体步骤为:
令设备到当前时刻tk采样得到的拟退化数据为
采用贝叶斯更新规则获得:
两边求期望获得:
参数矢量Θ的第q步迭代估计结果为
剩余使用寿命确定模块,用于根据所述退化过程模型、状态切换过程的模型和所述设备运行过程的参数确定所述设备的剩余使用寿命。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242382.1A CN109992875B (zh) | 2019-03-28 | 2019-03-28 | 一种切换设备剩余寿命的确定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910242382.1A CN109992875B (zh) | 2019-03-28 | 2019-03-28 | 一种切换设备剩余寿命的确定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109992875A CN109992875A (zh) | 2019-07-09 |
CN109992875B true CN109992875B (zh) | 2020-11-17 |
Family
ID=67130775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910242382.1A Active CN109992875B (zh) | 2019-03-28 | 2019-03-28 | 一种切换设备剩余寿命的确定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109992875B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113516299A (zh) * | 2021-05-31 | 2021-10-19 | 震兑工业智能科技有限公司 | 一种船舶故障状态预测方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874634A (zh) * | 2017-04-11 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488881B (zh) * | 2013-09-06 | 2017-05-17 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
US9581086B2 (en) * | 2013-12-20 | 2017-02-28 | General Electric Company | Turbine operational flexibility |
WO2015153621A1 (en) * | 2014-04-03 | 2015-10-08 | Schlumberger Canada Limited | State estimation and run life prediction for pumping system |
CN107766628B (zh) * | 2017-09-29 | 2019-11-08 | 北京航空航天大学 | 一种基于寿命信息融合的动态退化可靠性评估方法 |
CN108629073B (zh) * | 2018-03-14 | 2019-05-03 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
-
2019
- 2019-03-28 CN CN201910242382.1A patent/CN109992875B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874634A (zh) * | 2017-04-11 | 2017-06-20 | 中国人民解放军海军航空工程学院 | 基于逆高斯退化模型的剩余寿命贝叶斯预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109992875A (zh) | 2019-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
Man et al. | Prediction of hard failures with stochastic degradation signals using Wiener process and proportional hazards model | |
Ye et al. | A Bayesian approach to condition monitoring with imperfect inspections | |
CN109829137B (zh) | 一种周期应力下非线性退化设备的寿命预测方法及系统 | |
US20150025872A1 (en) | System, method, and apparatus for modeling project reliability | |
CN110197288A (zh) | 故障影响下设备的剩余使用寿命预测方法 | |
Qin et al. | Adaptive and robust prediction for the remaining useful life of electrolytic capacitors | |
KR102038703B1 (ko) | 동적 전이 앙상블 모형을 통한 실시간 다변량 시계열 예측방법 및 그 시스템 | |
CN104636874B (zh) | 检测业务异常的方法及设备 | |
CN111460692A (zh) | 考虑退化速率相互影响的设备剩余寿命预测方法及系统 | |
CN110907911A (zh) | 基于Sage-Husa卡尔曼滤波的车辆目标跟踪算法 | |
Whittaker et al. | A Markov chain model for predicting the reliability of multi-build software | |
Alippi et al. | On-line reconstruction of missing data in sensor/actuator networks by exploiting temporal and spatial redundancy | |
CN109992875B (zh) | 一种切换设备剩余寿命的确定方法及系统 | |
CN111523727A (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN115979310A (zh) | 一种惯导系统性能退化评估方法、系统、电子设备及介质 | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN115879372A (zh) | 基于退化模型动态校准的设备剩余寿命预测方法及系统 | |
EP3745313A1 (en) | A predictive maintenance system for equipment with sparse sensor measurements | |
CN111259338B (zh) | 元器件失效率修正方法、装置、计算机设备及存储介质 | |
Stikkel | Dynamic model for the system testing process | |
CN110866325A (zh) | 一种基于间接监测数据的设备剩余寿命不完美维护预测方法 | |
CN113642158B (zh) | 基于Box-Cox变换的非线性设备剩余寿命预测方法 | |
Arora et al. | Software reliability prediction using neural network | |
Wolff et al. | Robust Stability of Gaussian Process Based Moving Horizon Estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |