CN110210117B - 一种细纱机剩余运行寿命的预测方法及系统 - Google Patents

一种细纱机剩余运行寿命的预测方法及系统 Download PDF

Info

Publication number
CN110210117B
CN110210117B CN201910466214.0A CN201910466214A CN110210117B CN 110210117 B CN110210117 B CN 110210117B CN 201910466214 A CN201910466214 A CN 201910466214A CN 110210117 B CN110210117 B CN 110210117B
Authority
CN
China
Prior art keywords
parameter
parameters
degradation
time
spinning frame
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
Application number
CN201910466214.0A
Other languages
English (en)
Other versions
CN110210117A (zh
Inventor
邵景峰
牛一凡
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.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
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 Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201910466214.0A priority Critical patent/CN110210117B/zh
Publication of CN110210117A publication Critical patent/CN110210117A/zh
Application granted granted Critical
Publication of CN110210117B publication Critical patent/CN110210117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation

Abstract

本发明公开了一种针对细纱机剩余寿命的预测方法，通过分析细纱机实时监控数据提取出影响设备退化的关键参数，接着利用加权主成分分析法构建了细纱机的退化指示量；然后利用构建的退化指示量建立了基于维纳过程的退化模型，并对细纱机的剩余使用寿命实现了预测。本发明实现了对细纱机的寿命预测，为更好对细纱机进行寿命与健康管理提供了新方法。

Description

一种细纱机剩余运行寿命的预测方法及系统
技术领域
本发明涉及机械设备可靠性领域，具体涉及一种细纱机剩余运行寿命的预测方法及系统。
背景技术
细纱机作为纺纱过程中的一个关键大型设备，其性能好坏直接决定着纱线、织物的质量，甚至纺织品的品质，其中罗拉作为细纱机牵伸和加捻机构的重要组成部分对于细纱的品质具有很大的影响。由于整个纺纱过程处于高温、高湿、强电的工作环境之中，使得细纱机易受温度、湿度和电磁的影响，再加之细纱机自身的磨损、震动和疲劳等客观因素，造成罗拉的变形，从而造成细纱机性能退化和失效，进而引发高频率的断纱，严重影响纺纱、织物的品质。为此，对于细纱机罗拉的寿命预测研究，成为纺纱行业实现智能制造的关键。
细纱机在生产过程中，各零部件间的相互作用以及恶劣工作环境的影响，使得细纱机罗拉在某一时刻的退化程度也是随机的，因此采用基于维纳过程的寿命预测模型对细纱机的罗拉退化过程进行研究。针对以上问题，加之实时状态监测技术（ConditioningMonitoring, CM）的应用，基于退化数据的随机过程剩余寿命预测方法得到了广泛的关注。其中维纳过程由于其良好的数学性质获得了广泛的关注和研究。
综合分析前人的研究发现，有关于维纳退化过程的理论研究方面已经取得了很大的进展，但所有的研究中都默认单一参数就可以很好的表征一类设备的退化过程。但对于如细纱机一类的大型复杂机电一体设备，一种退化表征参数并不能全面的表征设备的退化过程。
发明内容
针对以上问题，本发明提出了一种细纱机剩余运行寿命的预测方法及系统，将多种退化表征参数利用主元分析的方法糅合为主元参数，并消除参数间相关性，之后利用主元参数建立了基于维纳过程的退化模型，从而达到对细纱机剩余寿命的预测。
为实现上述目的，本发明采取的技术方案为：
一种细纱机剩余运行寿命的预测方法，该预测方法融合了细纱机的多维运行参数，包括如下步骤：
S1、采集细纱机运行状态的监测数据，记为X；假设共有N维监测参数，且每个参数共采集了m条数据，记采集第一条数据的时刻为0时刻，则
Figure 100002_DEST_PATH_IMAGE001
，其中，
Figure 100002_DEST_PATH_IMAGE002
代表第i个参数的全部监测数据的矩阵且/>
Figure 100002_DEST_PATH_IMAGE003
，/>
Figure 100002_DEST_PATH_IMAGE004
代表在第
Figure 100002_DEST_PATH_IMAGE005
个时间采集到的第i个参数的数据且/>
Figure 100002_DEST_PATH_IMAGE006
；
S2、通过下式计算各运行参数与时间之间的Spearman相关系数，从中选取出可以表征设备退化的退化表征参数；
Figure 100002_DEST_PATH_IMAGE007
（1）
其中，
Figure 100002_DEST_PATH_IMAGE008
代表第i个参数与时间的相关系数，/>
Figure 100002_DEST_PATH_IMAGE009
为第i个参数均值，/>
Figure 100002_DEST_PATH_IMAGE010
为采集第/>
Figure 783880DEST_PATH_IMAGE005
条数据的时刻，/>
Figure 100002_DEST_PATH_IMAGE011
为时间均值；/>
Figure 100002_DEST_PATH_IMAGE012
越接近1时，代表该参数与时间相关性越强，相反，/>
Figure 296901DEST_PATH_IMAGE012
越接近0时，则代表与时间相关性越弱；当/>
Figure 100002_DEST_PATH_IMAGE013
时，代表参数与时间的相关性较强；
假设，共提取出
Figure 100002_DEST_PATH_IMAGE014
个可以表征细纱机退化的表征参数，这/>
Figure 570887DEST_PATH_IMAGE014
个参数随着时间的变化而发生单调变化，这种变化表征着设备性能的退化，故称其为表征参数，记各参数数据的集合为Z，则/>
Figure 100002_DEST_PATH_IMAGE015
，其中/>
Figure 100002_DEST_PATH_IMAGE016
代表第i个参数的全部监测数据的矩阵且/>
Figure 100002_DEST_PATH_IMAGE017
，/>
Figure 100002_DEST_PATH_IMAGE018
代表在第j个时间采集到的第i个参数的数据且/>
Figure 100002_DEST_PATH_IMAGE019
；
S3、对选取出的
Figure 296398DEST_PATH_IMAGE014
个细纱机退化表征参数进行融合，以构建设备的退化指示量，具体步骤为：
S31、由于各表征参数单位的不同或数量级差距过大，在进行融合之前，首先通过下式对Z进行标准化处理，将标准化后的数据记为
Figure 100002_DEST_PATH_IMAGE020
，且/>
Figure 100002_DEST_PATH_IMAGE021
；
Figure 100002_DEST_PATH_IMAGE022
（2）
其中，
Figure 100002_DEST_PATH_IMAGE023
和/>
Figure 100002_DEST_PATH_IMAGE024
分别代表第i个表征参数数据的最大值和最小值;
S32、计算这
Figure 100002_DEST_PATH_IMAGE025
个表征参数之间的相关系数矩阵，得到相关系数矩阵R，/>
Figure 100002_DEST_PATH_IMAGE026
；
Figure 100002_DEST_PATH_IMAGE027
（3）
其中，
Figure 100002_DEST_PATH_IMAGE028
代表各表征参数样本的方差，/>
Figure 100002_DEST_PATH_IMAGE029
代表第/>
Figure 100002_DEST_PATH_IMAGE030
个表征参数和第/>
Figure 100002_DEST_PATH_IMAGE031
个表征参数之间的协方差；
S33、解析矩阵R，得到R的
Figure 100002_DEST_PATH_IMAGE032
个特征值/>
Figure 100002_DEST_PATH_IMAGE033
以及对应的/>
Figure 182183DEST_PATH_IMAGE032
个特征向量，并将特征值按从大到小的顺序进行排列；然后采用式（4）计算各主元的贡献率/>
Figure 100002_DEST_PATH_IMAGE034
，最后，选取/>
Figure 100002_DEST_PATH_IMAGE035
个主元参数，使得/>
Figure 100002_DEST_PATH_IMAGE036
；
Figure 100002_DEST_PATH_IMAGE037
（4）
S34、利用
Figure 100002_DEST_PATH_IMAGE038
求取主元数据，其中/>
Figure 100002_DEST_PATH_IMAGE039
代表得到的共/>
Figure 100002_DEST_PATH_IMAGE040
个主元数据，其中，/>
Figure 100002_DEST_PATH_IMAGE041
代表利用上述方法融合得到的第一主元，同理/>
Figure 100002_DEST_PATH_IMAGE042
代表第i个主元，并依此类推；且/>
Figure 100002_DEST_PATH_IMAGE043
代表第/>
Figure 100002_DEST_PATH_IMAGE044
个主元参数；需要注意的是，只需选取前k个主元数据
Figure 100002_DEST_PATH_IMAGE045
进行后续的分析工作；
S4、若单一主元参数，即
Figure 100002_DEST_PATH_IMAGE046
时，可以很好的体现原始表征参数的统计信息时，即
Figure 100002_DEST_PATH_IMAGE047
时，则可以直接利用该主元参数的值进行退化过程建模；若单一主元参数无法全面体现原始表征参数的统计信息，则需要选取多个主元参数，引入主元参数权值的概念进行主元参数的融合，首先，利用主元参数贡献率的思想计算各主元参数的权值/>
Figure 100002_DEST_PATH_IMAGE048
：
Figure 100002_DEST_PATH_IMAGE049
（5）
其中，
Figure 100002_DEST_PATH_IMAGE050
代表第/>
Figure 100002_DEST_PATH_IMAGE051
个主元参数的权值，然后，利用/>
Figure 100002_DEST_PATH_IMAGE052
得到融合了的主元参数，即退化指示量；
S5、假设多表征参数各自的退化阈值
Figure 100002_DEST_PATH_IMAGE053
，对阈值进行标准化处理，将标准化处理后的阈值记为/>
Figure 100002_DEST_PATH_IMAGE054
，然后利用/>
Figure 100002_DEST_PATH_IMAGE055
求取各主元参数的主元阈值；若选取了多个主元参数/>
Figure 100002_DEST_PATH_IMAGE056
，则还需利用式/>
Figure 100002_DEST_PATH_IMAGE057
计算加权主元阈值；
S6、寿命预测模型的构建
构建基于维纳过程的设备寿命预测模型：
Figure 100002_DEST_PATH_IMAGE058
（6）
其中，
Figure 100002_DEST_PATH_IMAGE059
代表/>
Figure 100002_DEST_PATH_IMAGE060
时刻的主元退化值，/>
Figure 100002_DEST_PATH_IMAGE061
代表初始时刻的退化量，/>
Figure 100002_DEST_PATH_IMAGE062
为标准布朗运动，/>
Figure 100002_DEST_PATH_IMAGE063
代表漂移系数，/>
Figure 100002_DEST_PATH_IMAGE064
为扩散系数，在布朗运动中代表粒子的漂移率；
（2）对模型中的未知参数
Figure 100002_DEST_PATH_IMAGE065
进行极大似然估计
假设对单一设备在随机的
Figure 100002_DEST_PATH_IMAGE066
个时刻进行退化量的测量，且设备的退化量随时间的变化而增大，首先，记/>
Figure 100002_DEST_PATH_IMAGE067
表示初始时刻的退化增量，/>
Figure 100002_DEST_PATH_IMAGE068
为退化量在时刻/>
Figure 100002_DEST_PATH_IMAGE069
到/>
Figure 100002_DEST_PATH_IMAGE070
的退化增量，然后，根据维纳过程的平稳独立增量性可知第/>
Figure 100002_DEST_PATH_IMAGE071
个退化增量/>
Figure 100002_DEST_PATH_IMAGE072
服从均值为/>
Figure 100002_DEST_PATH_IMAGE073
，方差为/>
Figure 100002_DEST_PATH_IMAGE074
的正态分布，即/>
Figure 100002_DEST_PATH_IMAGE075
，故其概率密度函数为：
Figure 100002_DEST_PATH_IMAGE076
（7）
由此可得似然函数为：
Figure 100002_DEST_PATH_IMAGE077
（8）
对式（8）取对数得到对数似然函数为：
Figure 100002_DEST_PATH_IMAGE078
（9）/>
对（9）式中的两参数分别求偏导并令其值为0，可得到参数
Figure 100002_DEST_PATH_IMAGE079
的极大似然估计值/>
Figure 100002_DEST_PATH_IMAGE080
如下：
Figure 100002_DEST_PATH_IMAGE081
（10）
Figure 100002_DEST_PATH_IMAGE082
（11）
S7、进行剩余寿命的推导
基于退化阈值的定义可知，当退化指示量超过加权阈值时，设备失效，所以对设备寿命的预测可转化为求取表征参数首次到达或者超过退化阈值的时间，这个时间被称为首达时间：
Figure 100002_DEST_PATH_IMAGE083
（12）
由式（10）可知寿命T是一个随机变量，其概率密度函数和可靠性函数为
Figure 100002_DEST_PATH_IMAGE084
（13）
Figure 100002_DEST_PATH_IMAGE085
（14）
其中，
Figure 100002_DEST_PATH_IMAGE086
为标准正态分布的累积分布函数；设备剩余寿命的定义为设备在/>
Figure 100002_DEST_PATH_IMAGE087
时刻主元退化量/>
Figure 100002_DEST_PATH_IMAGE088
第一次到达或超过主元阈值/>
Figure 100002_DEST_PATH_IMAGE089
的时间：
Figure 100002_DEST_PATH_IMAGE090
（15）
由维纳过程的马尔可夫性可得：
Figure 100002_DEST_PATH_IMAGE091
（16）
又由布朗运动的独立增量性可知
Figure 100002_DEST_PATH_IMAGE092
仍然服从布朗运动，所以
Figure 100002_DEST_PATH_IMAGE093
，由此式（11）可以写成：
Figure 100002_DEST_PATH_IMAGE094
（17）
令
Figure 100002_DEST_PATH_IMAGE095
，可知/>
Figure 100002_DEST_PATH_IMAGE096
符合/>
Figure 100002_DEST_PATH_IMAGE097
的维纳退化过程，且其退化阈值为/>
Figure 100002_DEST_PATH_IMAGE098
，根据式（7）、（8）可以得到设备在时刻的剩余寿命密度函数为：
Figure 100002_DEST_PATH_IMAGE099
（18）
其中，
Figure 100002_DEST_PATH_IMAGE100
代表在/>
Figure 100002_DEST_PATH_IMAGE101
时刻的剩余寿命，/>
Figure 100002_DEST_PATH_IMAGE102
代表计算得到的主元参数阈值，/>
Figure 100002_DEST_PATH_IMAGE103
代表/>
Figure 253389DEST_PATH_IMAGE101
时刻的主元退化量，/>
Figure 100002_DEST_PATH_IMAGE104
为模型中未知参数，分别代表漂移系数和扩散系数；
S8、利用计算得到的主元数据对基于维纳过程的剩余寿命预测模型中的未知参数进行估计，将估计得到的参数值带入推导得到的可靠性函数和剩余寿命密度函数，即可实现细纱机剩余寿命的估计。
本发明还提供了一种采用上述预测方法实现细纱机剩余运行寿命预测的预测系统。
本发明具有以下有益效果：
1）实现了细纱机退化影响关键因素的提取以及细纱机健康指示量的建立，并基于此，建立了基于维纳过程的设备退化模型，对细纱机寿命与剩余寿命分布进行了推导，从而实现了对细纱机剩余运行寿命的估计;
2）对于更好的对设备进行维修管理，从而有效的规避风险具有重要意义，并对设备使用计划的制定具有指导意义。
附图说明
图1为本发明实施例一种细纱机剩余运行寿命的预测方法的流程图。
图2为本发明实施例中该台细纱机主元参数的退化曲线。
图3为本发明实施例中该台细纱机的寿命密度函数曲线。
图4为本发明实施例中该台细纱机的可靠度函数曲线。
图5为本发明实施例中该台细纱机的剩余寿命密度函数曲线。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进。这些都属于本发明的保护范围。实施例
S1、采集某细纱机的锭速、罗拉隔距、牵伸倍数、胶圈滑溜槽深度、胶圈钳口隔距、罗拉转速、主传动齿轮转速和传动齿轮转速等八个参数的实时数据，从该细纱机刚开始使用到第一次出现故障共采集了500个小时的数据。
S2、通过下式计算各运行参数与时间之间的Spearman相关系数，从中选取出可以表征设备退化的退化表征参数。
Figure 280251DEST_PATH_IMAGE007
（1）
其中，
Figure 871769DEST_PATH_IMAGE008
代表第i个参数与时间的相关系数，/>
Figure 300476DEST_PATH_IMAGE009
为第i个参数均值，/>
Figure 686458DEST_PATH_IMAGE010
为采集第/>
Figure 731775DEST_PATH_IMAGE005
条数据的时刻，/>
Figure 595825DEST_PATH_IMAGE011
为时间均值；/>
Figure 144618DEST_PATH_IMAGE012
越接近1时，代表该参数与时间相关性越强，相反，/>
Figure 967081DEST_PATH_IMAGE012
越接近0时，则代表与时间相关性越弱；当/>
Figure 968535DEST_PATH_IMAGE013
时，代表参数与时间的相关性较强；
共选取出3个可以描绘设备的退化轨迹表征参数，这3个参数随着时间的变化而单向增大，分别为罗拉转速、主传动齿轮转速以及传动齿轮转速。
S3、对选取出的3个细纱机退化表征参数进行融合，以构建设备的退化指示量，具体步骤为：
S31、由于各表征参数单位的不同或数量级差距过大，在进行融合之前，首先通过下式对Z进行标准化处理，将标准化后的数据记为
Figure 901856DEST_PATH_IMAGE020
，且/>
Figure 305155DEST_PATH_IMAGE021
；
Figure 797054DEST_PATH_IMAGE022
（2）
其中，
Figure 285805DEST_PATH_IMAGE023
和/>
Figure 757237DEST_PATH_IMAGE024
分别代表第i个表征参数数据的最大值和最小值;
S32、计算这3个表征参数之间的相关系数矩阵，得到相关系数矩阵R。
S33、解析矩阵R，得到R的3个特征值
Figure 100002_DEST_PATH_IMAGE105
以及对应的3个特征向量
Figure 100002_DEST_PATH_IMAGE106
，并将特征值按从大到小的顺序进行排列；然后采用式（4）计算各主元的贡献率/>
Figure 100002_DEST_PATH_IMAGE107
，结果如表1所示，可知第一主元的贡献率已经达到99.0%，足以表征设备的退化信息，故仅选取第一主元即可；
Figure 100002_DEST_PATH_IMAGE108
（3）
表1 主元贡献率
Figure 100002_DEST_PATH_IMAGE109
利用
Figure 952726DEST_PATH_IMAGE038
求取主元数据，其中/>
Figure 100002_DEST_PATH_IMAGE110
代表得到的共3个主元数据，且
Figure 116991DEST_PATH_IMAGE111
。只需选取第一个主元数据作为该台细纱机的退化表征数据如表2所示，其曲线如图2所示。
表2 主元退化量
T (小时) 0 60 120 180 240 300 360 420 480
0 0.17 0.3 0.57 0.84 1.07 1.47 1.72 2
S4、利用
Figure 100002_DEST_PATH_IMAGE112
求取主元参数的主元阈值，/>
Figure 561879DEST_PATH_IMAGE113
；
S5、利用计算得到的主元数据对基于维纳过程的剩余寿命预测模型中的未知参数进行估计。最后，将估计得到的参数值带入推导得到的寿命密度函数曲线（图3）、可靠性函数曲线（图4）和剩余寿命函数曲线（图5）中。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。

Claims (4)

1.一种细纱机剩余运行寿命的预测方法，其特征在于：包括如下步骤：
S1、采集细纱机运行状态的监测数据，记为
Figure DEST_PATH_IMAGE001
；假设共有N维监测参数，且每个参数共采集了m条数据，记采集第一条数据的时刻为0时刻，则/>
Figure DEST_PATH_IMAGE002
，其中，
Figure DEST_PATH_IMAGE003
代表第i个监测参数的全部监测数据的矩阵且/>
Figure DEST_PATH_IMAGE004
，/>
Figure DEST_PATH_IMAGE005
代表在第/>
Figure DEST_PATH_IMAGE006
个时间采集到的第i个监测参数的数据且/>
Figure DEST_PATH_IMAGE007
；
S2、通过下式计算各运行参数与时间之间的Spearman相关系数，从中选取出可以表征设备退化的退化表征参数；
Figure DEST_PATH_IMAGE008
（1）
其中，
Figure DEST_PATH_IMAGE009
代表第/>
Figure DEST_PATH_IMAGE010
个参数与时间的相关系数，/>
Figure DEST_PATH_IMAGE011
为第/>
Figure 631873DEST_PATH_IMAGE010
个参数均值，/>
Figure DEST_PATH_IMAGE012
为采集第/>
Figure DEST_PATH_IMAGE013
条数据的时刻，/>
Figure DEST_PATH_IMAGE014
为时间均值；/>
Figure DEST_PATH_IMAGE015
越接近1时，代表该参数与时间相关性越强，相反，/>
Figure 969444DEST_PATH_IMAGE015
越接近0时，则代表与时间相关性越弱；当/>
Figure DEST_PATH_IMAGE016
时，代表参数与时间的相关性较强；
假设，共提取出
Figure DEST_PATH_IMAGE017
个可以表征细纱机退化的表征参数，这/>
Figure 520511DEST_PATH_IMAGE017
个参数随着时间的变化而发生单调变化，这种变化表征着设备性能的退化，故称其为表征参数，记各参数数据的集合为
Figure DEST_PATH_IMAGE018
，则/>
Figure DEST_PATH_IMAGE019
，其中/>
Figure DEST_PATH_IMAGE020
代表第i个表征参数的全部监测数据的矩阵且/>
Figure DEST_PATH_IMAGE021
，/>
Figure DEST_PATH_IMAGE022
代表在第j个时间采集到的第i个表征参数的数据且/>
Figure DEST_PATH_IMAGE023
；
S3、对选取出的
Figure DEST_PATH_IMAGE024
个细纱机退化表征参数进行融合，以构建设备的退化指示量，具体步骤为：
S31、由于各表征参数单位的不同或数量级差距过大，在进行融合之前，首先通过下式对
Figure DEST_PATH_IMAGE025
进行标准化处理，将标准化后的数据记为/>
Figure DEST_PATH_IMAGE026
，且/>
Figure DEST_PATH_IMAGE027
；
Figure DEST_PATH_IMAGE028
（2）
其中，
Figure DEST_PATH_IMAGE029
和/>
Figure DEST_PATH_IMAGE030
分别代表第/>
Figure DEST_PATH_IMAGE031
个表征参数数据的最大值和最小值；
S32、计算这
Figure DEST_PATH_IMAGE032
个表征参数之间的相关系数矩阵，得到相关系数矩阵/>
Figure DEST_PATH_IMAGE033
，/>
Figure DEST_PATH_IMAGE034
；
Figure DEST_PATH_IMAGE035
（3）
其中，
Figure DEST_PATH_IMAGE036
代表各表征参数样本的方差，/>
Figure DEST_PATH_IMAGE037
代表第/>
Figure DEST_PATH_IMAGE038
个表征参数和第/>
Figure DEST_PATH_IMAGE039
个表征参数之间的协方差；
S33、解析矩阵
Figure DEST_PATH_IMAGE040
，得到/>
Figure 886552DEST_PATH_IMAGE040
的/>
Figure DEST_PATH_IMAGE041
个特征值/>
Figure DEST_PATH_IMAGE042
以及对应的/>
Figure DEST_PATH_IMAGE043
个特征向量/>
Figure DEST_PATH_IMAGE044
，并将特征值按从大到小的顺序进行排列；然后采用式（4）计算各主元的贡献率/>
Figure DEST_PATH_IMAGE045
，最后，选取/>
Figure DEST_PATH_IMAGE046
个主元参数，使得/>
Figure DEST_PATH_IMAGE047
；
Figure DEST_PATH_IMAGE048
（4）
S34、利用
Figure DEST_PATH_IMAGE049
求取主元数据，其中/>
Figure DEST_PATH_IMAGE050
代表得到的共/>
Figure DEST_PATH_IMAGE051
个主元数据，其中，/>
Figure DEST_PATH_IMAGE052
代表融合得到的第一主元，同理/>
Figure DEST_PATH_IMAGE053
代表第i个主元，并依此类推；且
Figure DEST_PATH_IMAGE054
代表第/>
Figure DEST_PATH_IMAGE055
个主元参数；需要注意的是，只需选取前k个主元数据
Figure DEST_PATH_IMAGE056
进行后续的分析工作；
S4、若单一主元参数，即
Figure DEST_PATH_IMAGE057
时，可以很好的体现原始表征参数的统计信息时，即
Figure DEST_PATH_IMAGE058
时，则可以直接利用该主元参数的值进行退化过程建模；若单一主元参数无法全面体现原始表征参数的统计信息，则需要选取多个主元参数，引入主元参数权值的概念进行主元参数的融合，首先，利用主元参数贡献率的思想计算各主元参数的权值/>
Figure DEST_PATH_IMAGE059
：
Figure DEST_PATH_IMAGE060
（5）
其中，
Figure DEST_PATH_IMAGE061
代表第/>
Figure DEST_PATH_IMAGE062
个主元参数的权值，然后，利用/>
Figure DEST_PATH_IMAGE063
得到融合了的主元参数，即退化指示量；
S5、假设多表征参数各自的退化阈值为
Figure DEST_PATH_IMAGE064
，/>
Figure DEST_PATH_IMAGE065
，对阈值进行标准化处理，将标准化处理后的阈值记为/>
Figure DEST_PATH_IMAGE066
，然后利用/>
Figure DEST_PATH_IMAGE067
求取各主元参数的主元阈值；若选取了多个主元参数/>
Figure DEST_PATH_IMAGE068
，则还需利用式/>
Figure DEST_PATH_IMAGE069
计算加权主元阈值；
S6、寿命预测模型的构建
（1）构建基于维纳过程的设备寿命预测模型：
Figure DEST_PATH_IMAGE070
（6）
其中，
Figure DEST_PATH_IMAGE071
代表 />
Figure DEST_PATH_IMAGE072
时刻的主元退化值，/>
Figure DEST_PATH_IMAGE073
代表初始时刻的退化量，/>
Figure DEST_PATH_IMAGE074
为标准布朗运动，/>
Figure DEST_PATH_IMAGE075
代表漂移系数，/>
Figure DEST_PATH_IMAGE076
为扩散系数，在布朗运动中代表粒子的漂移率；
对模型中的未知参数
Figure DEST_PATH_IMAGE077
进行极大似然估计
假设对单一设备在随机的
Figure DEST_PATH_IMAGE078
个时刻进行退化量的测量，且设备的退化量随时间的变化而增大，首先，记/>
Figure DEST_PATH_IMAGE079
表示初始时刻的退化增量，/>
Figure DEST_PATH_IMAGE080
为退化量在时刻/>
Figure DEST_PATH_IMAGE081
到/>
Figure DEST_PATH_IMAGE082
的退化增量，然后，根据维纳过程的平稳独立增量性可知第/>
Figure DEST_PATH_IMAGE083
个退化增量
Figure DEST_PATH_IMAGE084
服从均值为/>
Figure DEST_PATH_IMAGE085
，方差为/>
Figure DEST_PATH_IMAGE086
的正态分布，即/>
Figure DEST_PATH_IMAGE087
，故其概率密度函数为：/>
Figure DEST_PATH_IMAGE088
（7）
由此可得似然函数为：
Figure DEST_PATH_IMAGE089
（8）
对式（8）取对数得到对数似然函数为：
Figure DEST_PATH_IMAGE090
（9）
对（9）式中的两参数分别求偏导并令其值为0，可得到参数
Figure DEST_PATH_IMAGE091
的极大似然估计值
Figure DEST_PATH_IMAGE092
如下：
Figure DEST_PATH_IMAGE093
（10）
Figure DEST_PATH_IMAGE094
（11）
S7、进行剩余寿命的推导
基于退化阈值的定义可知，当退化指示量超过加权阈值时，设备失效，所以对设备寿命的预测可转化为求取表征参数首次到达或者超过退化阈值的时间，这个时间被称为首达时间：
Figure DEST_PATH_IMAGE095
（12）
由式（10）可知寿命
Figure DEST_PATH_IMAGE096
是一个随机变量，其概率密度函数和可靠性函数为
Figure DEST_PATH_IMAGE097
（13）
Figure DEST_PATH_IMAGE098
（14）
其中，
Figure DEST_PATH_IMAGE099
为标准正态分布的累积分布函数；设备剩余寿命的定义为设备在/>
Figure DEST_PATH_IMAGE100
时刻主元退化量/>
Figure DEST_PATH_IMAGE101
第一次到达或超过主元阈值/>
Figure DEST_PATH_IMAGE102
的时间：
Figure DEST_PATH_IMAGE103
（15）
由维纳过程的马尔可夫性可得：
Figure DEST_PATH_IMAGE104
（16）
又由布朗运动的独立增量性可知
Figure DEST_PATH_IMAGE105
仍然服从布朗运动，所以
Figure DEST_PATH_IMAGE106
，由此式（11）可以写成：
Figure DEST_PATH_IMAGE107
（17）
令
Figure DEST_PATH_IMAGE108
，可知/>
Figure DEST_PATH_IMAGE109
符合 />
Figure DEST_PATH_IMAGE110
的维纳退化过程，且其退化阈值为/>
Figure DEST_PATH_IMAGE111
，根据式（7）、（8）可以得到设备在/>
Figure DEST_PATH_IMAGE112
时刻的剩余寿命密度函数为：
Figure DEST_PATH_IMAGE113
（18）
其中，
Figure DEST_PATH_IMAGE114
代表在/>
Figure DEST_PATH_IMAGE115
时刻的剩余寿命，/>
Figure DEST_PATH_IMAGE116
代表计算得到的主元参数阈值，/>
Figure DEST_PATH_IMAGE117
代表/>
Figure 814798DEST_PATH_IMAGE115
时刻的主元退化量，/>
Figure DEST_PATH_IMAGE118
为模型中未知参数，分别代表漂移系数和扩散系数；
S8、利用计算得到的主元数据对基于维纳过程的剩余寿命预测模型中的未知参数进行估计，将估计得到的参数值带入推导得到的可靠性函数和剩余寿命密度函数，即可实现细纱机剩余寿命的估计。
2.如权利要求1所述的一种细纱机剩余运行寿命的预测方法，其特征在于：所述步骤S2中选择
Figure DEST_PATH_IMAGE119
的参数为退化表征参数。
3.如权利要求1所述的一种细纱机剩余运行寿命的预测方法，其特征在于：所述监测数据至少包括罗拉转速、主转动齿轮转速、传动齿轮转速。
4.一种细纱机剩余运行寿命的预测系统，其特征在于：该预测系统采用如权利要求1-2任一项所述的方法实现剩余运行寿命的预测。
CN201910466214.0A 2019-05-31 2019-05-31 一种细纱机剩余运行寿命的预测方法及系统 Active CN110210117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910466214.0A CN110210117B (zh) 2019-05-31 2019-05-31 一种细纱机剩余运行寿命的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910466214.0A CN110210117B (zh) 2019-05-31 2019-05-31 一种细纱机剩余运行寿命的预测方法及系统

Publications (2)

Publication Number Publication Date
CN110210117A CN110210117A (zh) 2019-09-06
CN110210117B true CN110210117B (zh) 2023-03-31

Family

ID=67789682

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910466214.0A Active CN110210117B (zh) 2019-05-31 2019-05-31 一种细纱机剩余运行寿命的预测方法及系统

Country Status (1)

Country Link
CN (1) CN110210117B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110569623B (zh) * 2019-09-19 2023-03-24 西安工程大学 一种细纱机电机使用寿命预测方法
CN112330027B (zh) * 2020-11-06 2022-02-11 燕山大学 一种基于搜索引擎指数的电力负荷预测方法
CN113361142B (zh) * 2021-07-12 2023-07-28 西安工程大学 一种多元参数退化相依的细纱机可靠性评估方法
CN113435057B (zh) * 2021-07-12 2023-01-13 西安工程大学 一种面向细纱机性能退化的可靠性评估方法
CN115470438B (zh) * 2022-08-24 2023-05-12 青岛海洋生物医药研究院股份有限公司 一种基于可降解微球的工艺参数智能预估降解时间的方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002372507A (ja) * 2001-06-14 2002-12-26 Sumitomo Chem Co Ltd 固定床触媒の寿命予測方法及び寿命予測プログラム
CN101894221A (zh) * 2010-08-02 2010-11-24 北京航空航天大学 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法
CN102042848A (zh) * 2010-11-23 2011-05-04 北京航空航天大学 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法
CN102542155A (zh) * 2011-12-05 2012-07-04 北京航空航天大学 基于加速退化数据的粒子滤波剩余寿命预测方法
CN107238765A (zh) * 2016-12-28 2017-10-10 中国科学院长春光学精密机械与物理研究所 基于加速性能退化参数的led集成驱动电源可靠性分析方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN109061504A (zh) * 2018-08-28 2018-12-21 中北大学 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN109726517A (zh) * 2019-01-31 2019-05-07 西安理工大学 一种基于多变量关联数据的设备剩余寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030061152A1 (en) * 2001-09-26 2003-03-27 De Rabi S. System and method for determining Value-at-Risk using FORM/SORM

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002372507A (ja) * 2001-06-14 2002-12-26 Sumitomo Chem Co Ltd 固定床触媒の寿命予測方法及び寿命予測プログラム
CN101894221A (zh) * 2010-08-02 2010-11-24 北京航空航天大学 基于退化量分布非平稳时序分析的加速退化试验产品寿命预测方法
CN102042848A (zh) * 2010-11-23 2011-05-04 北京航空航天大学 基于多元混合时序分析的多性能参数加速退化试验产品寿命预测方法
CN102542155A (zh) * 2011-12-05 2012-07-04 北京航空航天大学 基于加速退化数据的粒子滤波剩余寿命预测方法
CN107238765A (zh) * 2016-12-28 2017-10-10 中国科学院长春光学精密机械与物理研究所 基于加速性能退化参数的led集成驱动电源可靠性分析方法
CN108535656A (zh) * 2018-03-22 2018-09-14 中北大学 基于pca-narx神经网络的锂离子电池剩余使用寿命预测方法和系统
CN109061504A (zh) * 2018-08-28 2018-12-21 中北大学 同类型不同锂离子电池剩余使用寿命预测方法和系统
CN109726517A (zh) * 2019-01-31 2019-05-07 西安理工大学 一种基于多变量关联数据的设备剩余寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Online prognostics based on multiple dependent degradation processes;Xiaopeng Xi 等;《2017 Prognostics and System Health Management Conference》;20171023;第1-6页 *
数据驱动的机械设备性能退化建模与剩余寿命预测研究;张彬;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20160815(第08期);第C029-9页 *
环境温度对碳纤维/聚醚醚酮复合材料拉伸性能及疲劳寿命的影响;牛一凡 等;《宇航材料工艺》;20160415(第2期);第63-67页 *

Also Published As

Publication number Publication date
CN110210117A (zh) 2019-09-06

Similar Documents

Publication Publication Date Title
CN110210117B (zh) 一种细纱机剩余运行寿命的预测方法及系统
Wu et al. Full-life dynamic identification of wear state based on on-line wear debris image features
US20200104229A1 (en) Proactive information technology infrastructure management
CN111222290A (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN101516099B (zh) 一种传感器网络异常检测方法
CN109816031B (zh) 一种基于数据不均衡度量的变压器状态评估聚类分析方法
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN109615126A (zh) 一种轴承剩余寿命预测方法
CN110249276A (zh) 不良状况要因推定装置及不良状况要因推定方法
CN110569623B (zh) 一种细纱机电机使用寿命预测方法
CN112381258B (zh) 表计运行生命周期预测方法及装置
CN116662861A (zh) 基于数字孪生模型驱动的多域图迁移轴承寿命预测方法
CN108092849A (zh) 业务数据监控方法、装置及系统
CN113505531B (zh) 基于结合传统诊断与机器学习方法且针对往复机械气门间隙异常故障的诊断模型构建方法
CN113361142A (zh) 一种多元参数退化相依的细纱机可靠性评估方法
CN116317103A (zh) 一种配电网电压数据处理方法
Yuan et al. Deep learning approach to multiple features sequence analysis in predictive maintenance
CN113435057B (zh) 一种面向细纱机性能退化的可靠性评估方法
CN112988529A (zh) 一种基于机器学习进行数据库系统性能预测的方法及系统
Prasad et al. Assessing pareto type II software reliability using SPC
CN110989531B (zh) 一种卷烟制丝加工过程的数据质量诊断方法
CN116957361B (zh) 一种基于虚实结合的船舶任务系统健康状态检测方法
Baradaran Kazemzadeh et al. Step change point estimation of the first-order autoregressive autocorrelated simple linear profiles
CN113079043B (zh) 一种基于码本的网络故障诊断方法
CN114826393A (zh) 一种基于深度置信网络的光纤网络链路缺陷数据检测方法

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