CN110781592B - 一种设备剩余寿命的预测方法及系统 - Google Patents

一种设备剩余寿命的预测方法及系统 Download PDF

Info

Publication number
CN110781592B
CN110781592B CN201911021572.7A CN201911021572A CN110781592B CN 110781592 B CN110781592 B CN 110781592B CN 201911021572 A CN201911021572 A CN 201911021572A CN 110781592 B CN110781592 B CN 110781592B
Authority
CN
China
Prior art keywords
predicted
health factor
equipment
data
remaining life
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
CN201911021572.7A
Other languages
English (en)
Other versions
CN110781592A (zh
Inventor
胡昌华
裴洪
司小胜
李天梅
张建勋
庞哲楠
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.)
Rocket Force University of Engineering of PLA
Original Assignee
Rocket Force University of Engineering of PLA
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 Rocket Force University of Engineering of PLA filed Critical Rocket Force University of Engineering of PLA
Priority to CN201911021572.7A priority Critical patent/CN110781592B/zh
Publication of CN110781592A publication Critical patent/CN110781592A/zh
Application granted granted Critical
Publication of CN110781592B publication Critical patent/CN110781592B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种设备剩余寿命的预测方法及系统。该方法包括：获取待预测设备的历史运行数据；采用历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络；获得待预测设备的当前运行数据；采用训练好的深度置信网络对当前运行数据进行特征提取，得到特征集合；对特征集合进行局部线性嵌入操作，得到健康因子；基于扩散过程，获得健康因子与时间的关系模型；根据健康因子与时间的关系模型，对待预测设备的剩余寿命进行预测；根据待预测设备的剩余寿命，确定待预测设备的剩余寿命的概率密度分布。本发明在适用于海量数据分析的基础上，可以实现对剩余寿命的量化预测。

Description

一种设备剩余寿命的预测方法及系统
技术领域
本发明涉及工程可靠性分析技术领域，特别是涉及一种设备剩余寿命的预测方法及系统。
背景技术
随着物联网技术的日益进步，工程设备逐渐变得复杂化、自动化与智能化，同时对设备的安全性和可靠性提出了更加苛刻的要求。剩余寿命预测作为预测与健康管理的重要组成部分，主要利用设备寿命周期内的状态监测信息和其他历史信息，分析确定出设备正常运行的时长，为维修决策提供了可靠的技术支撑。
剩余寿命预测在学术领域取得了大量理论研究成果。现有RUL预测方法可分为基于失效机理的方法、数据驱动的方法以及融合的方法。由于工程设备的复杂程度不断提升，失效机理的方法难以推广；数据驱动的方法能够从寿命数据或状态监测数据提取出与寿命和可靠性相关的信息，有效节省了时间并且降低了开支，现已成为当前剩余寿命预测领域的主流方法。融合的方法由于算法本身的复杂性，在现有研究中也较为匮乏。
数据驱动的方法分为统计数据驱动的方法与基于机器学习的方法。较为典型的统计数据驱动的方法有基于Wiener过程的方法，基于Gamma过程的方法与基于Markov过程的方法。统计数据驱动的方法中的模型参数具有实际的物理意义，同时预测结果能够反映剩余寿命的不确定性。传统的基于机器学习方法主要包括基于支持向量机的方法与基于神经网络的方法。基于支持向量机的方法与基于神经网络的方法均属于浅层机器学习算法，对专家先验知识与信号处理技术的依赖性较强。
随着大数据时代的到来，工程设备获取的监测数据呈现出海量化、非线性、高维化等特征，统计数据驱动的方法与传统的基于机器学习方法均面临难以自动处理海量监测数据的难题。为解决这类问题，Hinton提出了深度学习理论用于学习海量数据中的隐含特征。一方面，确保数据训练过程不依赖特征的选择，实现了数据的深层次表示；另一方面，有效避免了采用传统BP算法陷入局部最优的问题。基于此，学术界掀起了深度学习的研究浪潮。与此同时，深度学习已成功应用于图像识别、语音识别、故障诊断、寿命预测等实际工程领域。作为深度学习理论的重要组成，深度置信网络(DBN)以其非凡的优势在寿命预测领域得到了广泛研究。然而基于DBN的方法仅能得到剩余寿命的预测值，无法对剩余寿命进行量化，无法应用于维修决策与备件订购的理论中。
发明内容
本发明的目的是提供一种设备剩余寿命的预测方法及系统，在适用于海量数据分析的基础上，实现对剩余寿命的量化预测。
为实现上述目的，本发明提供了如下方案：
一种设备剩余寿命的预测方法，包括：
获取待预测设备的历史运行数据；所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据；
采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络；
获得所述待预测设备的当前运行数据；
采用训练好的所述深度置信网络对所述当前运行数据进行特征提取，得到特征集合；
对所述特征集合进行局部线性嵌入操作，得到健康因子；
基于扩散过程，获得所述健康因子与时间的关系模型；
根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测；
根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布。
可选的，所述采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络，具体包括：
将所述历史运行数据输入所述深度置信网络，采用逐层向前对比散度算法对网络参数进行估计，得到训练好的深度置信网络；所述网络参数包括所述深度置信网络中受限玻尔兹曼机的可视单元的偏置、隐含单元的偏置以及可视单元与隐含单元之间的连接矩阵。
可选的，所述对所述特征集合进行局部线性嵌入操作，得到健康因子，具体包括：
获取所述特征集合中每个特征的趋势值；
将趋势值低于设定值的特征剔除，得到更新后的特征集合；
对所述更新后的特征集合进行局部线性嵌入操作，得到所述健康因子。
可选的，所述健康因子与时间的关系模型为：
Figure BDA0002247384840000031
其中，Z(0)为初始时刻的健康因子，Z(t)为t时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
可选的，所述根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测，具体包括：
利用公式Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w)对所述待预测设备的剩余寿命进行预测；其中，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，lk为Lk的具体实现值。
可选的，所述根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布，具体包括：
利用如下公式确定所述待预测设备的剩余寿命的概率密度分布：
Figure BDA0002247384840000032
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，B(t)表示布朗运动，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
本发明还提供一种设备剩余寿命的预测系统，包括：
历史运行数据获取模块，用于获取待预测设备的历史运行数据；所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据；
训练模块，用于采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络；
当前运行数据获取模块，用于获得所述待预测设备的当前运行数据；
特征提取模块，用于采用训练好的所述深度置信网络对所述当前运行数据进行特征提取，得到特征集合；
健康因子获取模块，用于对所述特征集合进行局部线性嵌入操作，得到健康因子；
健康因子与时间的关系模型获取模块，用于基于扩散过程，获得所述健康因子与时间的关系模型；
剩余寿命预测模块，用于根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测；
剩余寿命概率密度分布确定模型，用于根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布。
可选的，所述健康因子获取模块具体包括：
趋势值获取单元，用于获取所述特征集合中每个特征的趋势值；
更新单元，用于将趋势值低于设定值的特征剔除，得到更新后的特征集合；
局部线性嵌入单元，用于对所述更新后的特征集合进行局部线性嵌入操作，得到所述健康因子。
可选的，所述健康因子与时间的关系模型为：
Figure BDA0002247384840000041
其中，Z(0)为初始时刻的健康因子，Z(t)为t时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
可选的，所述剩余寿命预测模块利用公式Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w)对所述待预测设备的剩余寿命进行预测；
所述剩余寿命概率密度分布确定模型利用如下公式确定所述待预测设备的剩余寿命的概率密度分布：
Figure BDA0002247384840000051
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，B(t)表示布朗运动，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
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：
本发明首先利用深度置信网络提取内部深度特征，根据趋势性指标筛选出趋势性较高的特征，利用局部线性嵌入得到能够真实反映设备状态信息的健康因子，进而基于扩散过程构建出健康因子的模型，在首达时间的意义下求解剩余寿命的分布和期望，实现了设备的剩余寿命预测。本发明有效解决了基于机器学习方法无法提供预测不确定性的难题，有效结合了基于机器学习方法和基于随机过程方法的两者优势，提高了剩余寿命预测精度，为备件订购与维护安排提供了必要的理论基础。当利用本发明确定出设备剩余寿命预测信息后，不仅能够降低运行过程中失效风险，而且能够为设备替换的决策提供技术支持，保证了任务完成效率。
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为本发明设备剩余寿命的预测方法的流程示意图；
图2为本发明设备剩余寿命的预测方法中受限玻尔兹曼机的结构示意图；
图3为本发明设备剩余寿命的预测系统的结构示意图；
图4为本发明具体实施案例中振动信号图；
图5为本发明具体实施案例中提取的特征图；
图6为本发明具体实施案例中健康因子示意图；
图7为本发明具体实施案例中健康因子五步预测值示意图；
图8为本发明具体实施案例中剩余寿命示意图；
图9为本发明具体实施案例中剩余寿命均值误差变化图；
图10为本发明具体实施案例中剩余寿命预测结果对比图。
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。
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。
图1为本发明设备剩余寿命的预测方法的流程示意图。如图1所示，所述预测方法包括以下步骤：
步骤100：获取待预测设备的历史运行数据。所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据等，可根据具体工程设备的测试方案确定。
步骤200：采用历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络。深度置信网络是由多个受限玻尔兹曼机堆叠而成的网络。受限玻尔兹曼机为一个具有两层网络结构的神经结构，主要由可视单元与隐含单元组成，满足层内无连接、层间全连接的要求，如图2所示，图2为本发明设备剩余寿命的预测方法中受限玻尔兹曼机的结构示意图。其中，
Figure BDA0002247384840000071
为可视单元的值，
Figure BDA0002247384840000072
为隐含单元的值，
Figure BDA0002247384840000073
为可视单元的偏置，
Figure BDA0002247384840000074
为隐含单元的偏置，W为可视单元与隐含单元之间连接矩阵，nv表示可视单元神经元的个数，nh表示隐含单元神经元的个数。
该受限玻尔兹曼机的能量函数E(v,h)可描述为：
E(v,h)＝-aTv-bTh-hTWv (1)
进而，可见单元与隐含单元间的联合概率密度可表示为：
Figure BDA0002247384840000075
其中，
Figure BDA0002247384840000076
基于联合概率分布与边缘分布的关系，则边缘概率分布P(v)可表示为：
Figure BDA0002247384840000077
根据式(3)，可写出对数似然函数，极大化对数似然函数即可得到参数估计值θ＝(a,b,W)，即
Figure BDA0002247384840000078
通过求取偏导，得到：
Figure BDA0002247384840000079
其中，<·>P表示关于分布P的数学期望，“data”代表分布P(h|v)，“model”代表分布P(v,h)。由于分布P(v,h)无法直接得到，需要采用较大步数的Gibbs采样才能得到近似值。
为此，本发明采用基于对比散度算法，通过此算法参数更新结果为：
Figure BDA0002247384840000081
其中，ε代表学习率，“recon”表示重构后的模型分布。参数更新的过程中，需要对输入vi和输出hj进行重构，利用重构结果对参数进行更新。
本发明采用逐层向前对比散度算法对网络参数进行估计，得到训练好的深度置信网络。网络参数包括所述深度置信网络中受限玻尔兹曼机的可视单元的偏置、隐含单元的偏置以及可视单元与隐含单元之间的连接矩阵。当受限玻尔兹曼机的隐含层神经元小于输入层神经元时，有效降低了海量数据的维数。
步骤300：获得待预测设备的当前运行数据。
步骤400：采用训练好的深度置信网络对当前运行数据进行特征提取，得到特征集合。
步骤500：对特征集合进行局部线性嵌入操作，得到健康因子。具体的，首先获取所述特征集合中每个特征的趋势值。假定提取的特征集合中某一特征为Y＝{Y(t1),Y(t2),…,Y(tm)}，对应的时间向量为T＝{t1,t2,…,tm}，则该特征的趋势值为：
Figure BDA0002247384840000082
其中，m为样本个数，
Figure BDA0002247384840000083
为特征Y序列的均值，
Figure BDA0002247384840000084
为时间向量序列的均值。
然后，将趋势值低于设定值的特征剔除，保留趋势值高的特征，得到更新后的特征集合。最后，对更新后的特征集合进行局部线性嵌入操作，得到健康因子。
局部线性嵌入的主要思想是采用数据的局部线性逼近全局线性，在局部线性的假设下，一个点可通过局部邻域的点重构出来。局部线性嵌入操作为降维的过程。令局部线性嵌入操作前的特征集为X＝{x1,x2,…,xm}，其中，xi(1≤i≤m)∈RD，D为更新后的特征集合的位数，局部线性嵌入操作后的特征集合为Z＝{z1,z2,…,zm}，zi(1≤i≤m)∈Rd，d为局部线性嵌入操作后的特征的维数。为计算相应的重构矩阵V，对于每个xi，可最小化如下的损失函数，即：
Figure BDA0002247384840000091
满足：
Figure BDA0002247384840000092
其中，K为邻域点的个数。根据重构矩阵V，最小化如下函数Φ(Z)，即可得到Z的最优解，即：
Figure BDA0002247384840000093
满足：
Figure BDA0002247384840000094
该最优化问题可转化为求解矩阵M＝(I-VT)(I-V)的特征值问题，Z*为矩阵M最小d个非零特征值所对应的特征向量。本发明中d＝1，即通过局部线性嵌入将多维特征融合为一维健康因子，用字母Z＝{z1,z2,…,zm}表示。
步骤600：基于扩散过程，获得健康因子与时间的关系模型。扩散过程是布朗运动所驱动的带非线性漂移的随机过程，能够描述非线性随机退化过程。因此，健康因子与时间的关系模型可表示为：
Figure BDA0002247384840000095
其中，Z(0)为初始时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
公式(12)所定义的模型中参数可利用获取的健康因子基于采用极大似然方法进行估计，为极大化似然函数，可采用多维搜索与智能优化算法进行求解。
步骤700：根据健康因子与时间的关系模型，对待预测设备的剩余寿命进行预测。基于首达时间的概念，在给定失效阈值的情形下，设备在tk时刻的剩余寿命Lk表示为：
Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w) (13)
其中，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻健康因子，lk为Lk的具体实现值。
步骤800：根据待预测设备的剩余寿命，确定待预测设备的剩余寿命的概率密度分布。所述待预测设备的剩余寿命的概率密度分布为：
Figure BDA0002247384840000101
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，B(t)表示布朗运动，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
对应于图1所示的预测方法，本发明还提供一种设备剩余寿命的预测系统。图3为本发明设备剩余寿命的预测系统的结构示意图。如图3所示，所述预测系统包括以下结构：
历史运行数据获取模块301，用于获取待预测设备的历史运行数据；所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据。
训练模块302，用于采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络。
当前运行数据获取模块303，用于获得所述待预测设备的当前运行数据。
特征提取模块304，用于采用训练好的所述深度置信网络对所述当前运行数据进行特征提取，得到特征集合。
健康因子获取模块305，用于对所述特征集合进行局部线性嵌入操作，得到健康因子。
健康因子与时间的关系模型获取模块306，用于基于扩散过程，获得所述健康因子与时间的关系模型。
剩余寿命预测模块307，用于根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测。
剩余寿命概率密度分布确定模型308，用于根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布。
作为另一实施例，本发明的设备剩余寿命的预测系统中，所述健康因子获取模块305具体包括：
趋势值获取单元，用于获取所述特征集合中每个特征的趋势值；
更新单元，用于将趋势值低于设定值的特征剔除，得到更新后的特征集合；
局部线性嵌入模块，用于对所述更新后的特征集合进行局部线性嵌入操作，得到所述健康因子。
作为另一实施例，本发明的设备剩余寿命的预测系统中，所述健康因子与时间的关系模型为：
Figure BDA0002247384840000111
其中，Z(0)为初始时刻的健康因子，Z(t)为t时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
作为另一实施例，本发明的设备剩余寿命的预测系统中，所述剩余寿命预测模块307利用公式Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w)对所述待预测设备的剩余寿命进行预测。
所述剩余寿命概率密度分布确定模型308利用如下公式确定所述待预测设备的剩余寿命的概率密度分布：
Figure BDA0002247384840000112
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，B(t)表示布朗运动，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
下面提供一个具体实施案例，来进一步说明本发明的方案。
本实施案例主要采用2012年PHM挑战赛中轴承振动数据对模型的有效性和优越性进行验证。该试验台主要包含旋转部分，加载部分以及测量部分。测量部分为安装在轴承外圈上的两个垂直放置的加速度计以及温度传感器。由于加速度计测量的振动信号能够直接反映轴承的健康状态，重点对加速度计的振动信号进行分析和处理。每次采样频率为25.6kHz，每次采样持续时间为0.1s，同时每间隔10s进行一次采样。
本实施案例以轴承1_3为研究对象，其振动信号如图4所示，图4为本发明具体实施案例中振动信号图，图中包含了2375个数据样本，每个样本有2560个振动数据。轴承的失效的定义为正向振动幅值超出20g，即轴承在2326个采样时刻发生失效。
从实验台轴承1_3振动信号提取出16个时域特征与13个频域特征，将29个特征进行降维处理，输入具有2层受限玻尔兹曼机结构的深度置信网络(结构29-11-6)，可提取出6个深层次特征，如图5所示，图5为本发明具体实施案例中提取的特征图。
特征筛选后，经过局部线性嵌入可以得到一维健康因子，如图6所示，图6为本发明具体实施案例中健康因子示意图。从图6能够看出，健康因子在运行初期比较平稳，基本无明显的变化趋势，当健康因子的波动超过三倍标准差时，认为健康因子开始以一定趋势变化，此时采用扩散过程对健康因子进行建模和预测，同时基于所建模型对剩余寿命进行预测，并定量评估剩余寿命结果的准确性。
图7为本发明具体实施案例中健康因子五步预测值示意图，图中给出了2000-2350个循环时健康因子五步预测值，五步预测值能够很好的跟踪健康因子的变化趋势，因而所提方法的有效性得到了很好的验证。
根据估计出的参数，选取2280、2290、2300、2310、2310和2320这五个循环时刻进行分析，根据上述推导可确定出五个时刻的剩余寿命分布，图8为本发明具体实施案例中剩余寿命示意图。图8中描绘了剩余寿命的概率密度曲线和相应的预测期望值。图8中可看出，由于获得的健康因子信息越来越多，密度曲线越来越高，说明剩余寿命预测的不确定性逐渐变小，同时预测期望值越来越接近真实值，即精度越来越高。
为了定量刻画剩余寿命预测结果的不确定性，这里采用均方误差指标，具体表示形式为：
Figure BDA0002247384840000131
其中，
Figure BDA0002247384840000132
为预测时刻tj的真实剩余寿命，f(lj)为预测时刻tj的剩余寿命概率密度函数。基于上述得到的剩余寿命概率密度函数，可进一步推导出轴承在五个时刻的剩余寿命预测结果的均方误差。图9为本发明具体实施案例中剩余寿命均值误差变化图。根据图9可以看出，随着时间的推移，剩余寿命预测结果的均方误差逐渐降低，意味着预测结果更加准确，在2320个循环时，剩余寿命预测结果的均方误差为5.39，预测结果已满足实际精度要求。
为了进一步说明本文所提方法的优越性，以编号为1_3的轴承振动信号均方根特征为输入，分别选择深度置信网络(DBN)和堆栈自编码器(SAE)的方法，采用滑动窗口的形式对轴承的剩余寿命进行预测。所提方法、基于DBN与基于SAE的方法预测结果如图10所示，图10为本发明具体实施案例中剩余寿命预测结果对比图。图10能够看出，三种方法在2280个循环时进行预测时效果均不是很理想，这是由于轴承退化的后期健康因子急剧变化，根据前期的趋势难以把握未来的健康因子与剩余寿命。随着获取的健康因子逐渐增多，能够得到更多的有效信息，三种方法的预测效果得到了改善，同时精度也进一步提高。另外，需要说明的是，DBN和SAE两种方法在预测后期均高估了轴承的剩余寿命，这在实际工程中是很危险的，因为在未到达预测时刻前轴承已发生失效，根据工程经验，这类失效将会引发重大的工程事故。因而所提方法能够充分利用海量数据中的有效信息，不仅适用于海量信息分析，同时给出了剩余寿命预测的分布，解决了基于机器学习无法刻画预测不确定性的难题，有效提高了剩余寿命预测精度，为维修决策奠定了坚实的理论基础。
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 (9)

1.一种设备剩余寿命的预测方法，其特征在于，包括：
获取待预测设备的历史运行数据；所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据；
采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络；
获得所述待预测设备的当前运行数据；
采用训练好的所述深度置信网络对所述当前运行数据进行特征提取，得到特征集合；
对所述特征集合进行局部线性嵌入操作，得到健康因子；
基于扩散过程，获得所述健康因子与时间的关系模型；所述扩散过程是布朗运动所驱动的带非线性漂移的随机过程，用于描述非线性随机退化过程；
根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测；
根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布；利用如下公式确定所述待预测设备的剩余寿命的概率密度分布：
Figure FDA0002783769080000011
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
2.根据权利要求1所述的设备剩余寿命的预测方法，其特征在于，所述采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络，具体包括：
将所述历史运行数据输入所述深度置信网络，采用逐层向前对比散度算法对网络参数进行估计，得到训练好的深度置信网络；所述网络参数包括所述深度置信网络中受限玻尔兹曼机的可视单元的偏置、隐含单元的偏置以及可视单元与隐含单元之间的连接矩阵。
3.根据权利要求1所述的设备剩余寿命的预测方法，其特征在于，所述对所述特征集合进行局部线性嵌入操作，得到健康因子，具体包括：
获取所述特征集合中每个特征的趋势值；
将趋势值低于设定值的特征剔除，得到更新后的特征集合；
对所述更新后的特征集合进行局部线性嵌入操作，得到所述健康因子。
4.根据权利要求1所述的设备剩余寿命的预测方法，其特征在于，所述健康因子与时间的关系模型为：
Figure FDA0002783769080000021
其中，Z(0)为初始时刻的健康因子，Z(t)为t时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
5.根据权利要求1所述的设备剩余寿命的预测方法，其特征在于，所述根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测，具体包括：
利用公式Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w)对所述待预测设备的剩余寿命进行预测；其中，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，lk为Lk的具体实现值。
6.一种设备剩余寿命的预测系统，其特征在于，包括：
历史运行数据获取模块，用于获取待预测设备的历史运行数据；所述历史运行数据包括振动数据、力矩数据、转速数据、温度数据和压力数据；
训练模块，用于采用所述历史运行数据对深度置信网络进行训练，得到训练好的深度置信网络；
当前运行数据获取模块，用于获得所述待预测设备的当前运行数据；
特征提取模块，用于采用训练好的所述深度置信网络对所述当前运行数据进行特征提取，得到特征集合；
健康因子获取模块，用于对所述特征集合进行局部线性嵌入操作，得到健康因子；
健康因子与时间的关系模型获取模块，用于基于扩散过程，获得所述健康因子与时间的关系模型；所述扩散过程是布朗运动所驱动的带非线性漂移的随机过程，用于描述非线性随机退化过程；
剩余寿命预测模块，用于根据所述健康因子与时间的关系模型，对所述待预测设备的剩余寿命进行预测；
剩余寿命概率密度分布确定模型，用于根据所述待预测设备的剩余寿命，确定所述待预测设备的剩余寿命的概率密度分布；所述剩余寿命概率密度分布确定模型利用如下公式确定所述待预测设备的剩余寿命的概率密度分布：
Figure FDA0002783769080000031
其中，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数参数，σB为扩散系数，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，f(lk)为待预测设备的剩余寿命的概率密度分布函数，μ(tk+lk,θ)为tk+lk时刻的非线性漂移系数，lk为Lk的具体实现值。
7.根据权利要求6所述的设备剩余寿命的预测系统，其特征在于，所述健康因子获取模块具体包括：
趋势值获取单元，用于获取所述特征集合中每个特征的趋势值；
更新单元，用于将趋势值低于设定值的特征剔除，得到更新后的特征集合；
局部线性嵌入单元，用于对所述更新后的特征集合进行局部线性嵌入操作，得到所述健康因子。
8.根据权利要求6所述的设备剩余寿命的预测系统，其特征在于，所述健康因子与时间的关系模型为：
Figure FDA0002783769080000032
其中，Z(0)为初始时刻的健康因子，Z(t)为t时刻的健康因子，μ(τ,θ)为非线性漂移系数，τ为积分变量，θ为非线性漂移系数中的参数，σB为扩散系数，B(t)表示布朗运动。
9.根据权利要求6所述的设备剩余寿命的预测系统，其特征在于，所述剩余寿命预测模块利用公式Lk＝inf(lk:Z(tk+lk)≥w|Z(tk)＜w)对所述待预测设备的剩余寿命进行预测；其中，inf为下确界因子，w为失效阈值，Z(tk)为tk时刻的健康因子，Lk为待预测设备在tk时刻的剩余寿命，lk为Lk的具体实现值。
CN201911021572.7A 2019-10-25 2019-10-25 一种设备剩余寿命的预测方法及系统 Active CN110781592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911021572.7A CN110781592B (zh) 2019-10-25 2019-10-25 一种设备剩余寿命的预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911021572.7A CN110781592B (zh) 2019-10-25 2019-10-25 一种设备剩余寿命的预测方法及系统

Publications (2)

Publication Number Publication Date
CN110781592A CN110781592A (zh) 2020-02-11
CN110781592B true CN110781592B (zh) 2020-12-22

Family

ID=69387626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911021572.7A Active CN110781592B (zh) 2019-10-25 2019-10-25 一种设备剩余寿命的预测方法及系统

Country Status (1)

Country Link
CN (1) CN110781592B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111325403B (zh) * 2020-02-26 2023-07-11 长安大学 一种公路隧道机电设备剩余寿命预测方法
CN111581880A (zh) * 2020-05-06 2020-08-25 北京工业大学 基于apso-dbn的滚动轴承剩余寿命预测方法
CN112417701B (zh) * 2020-12-01 2024-01-23 江苏南高智能装备创新中心有限公司 数控机床剩余寿命预测方法、装置和网络侧服务端
CN112765726A (zh) * 2020-12-31 2021-05-07 东软睿驰汽车技术（沈阳）有限公司 一种寿命预测方法及装置
CN113051809A (zh) * 2021-03-12 2021-06-29 中国人民解放军海军工程大学 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法
CN113269400B (zh) * 2021-04-25 2022-12-06 贵州电网有限责任公司 一种基于历史运维信息的低压配电网设备状态评估方法
CN113076701B (zh) * 2021-06-07 2021-09-07 湖南博匠信息科技有限公司 基于健康信息的终端设备寿命预测方法及系统
CN113344295B (zh) * 2021-06-29 2023-02-14 华南理工大学 基于工业大数据的设备剩余寿命预测方法、系统及介质
CN113779882B (zh) * 2021-09-10 2024-05-17 中国石油大学(北京) 设备剩余使用寿命的预测方法、装置、设备及存储介质
CN113743541B (zh) * 2021-11-04 2022-02-08 华中科技大学 一种基于退化模式预测船用动力系统轴承剩余寿命的方法
CN114239932A (zh) * 2021-12-01 2022-03-25 深圳供电局有限公司 一种变压器寿命预测方法、装置、计算机设备和存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829983A (zh) * 2018-06-21 2018-11-16 四川大学 基于多隐藏状态分数布朗运动的设备剩余寿命预测方法
CN109359781A (zh) * 2018-11-20 2019-02-19 佛山科学技术学院 一种智能制造系统余寿的预测方法及装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015017798A2 (en) * 2013-08-02 2015-02-05 CRIXlabs, Inc. Method and system for predicting spatial and temporal distributions of therapeutic substance carriers
EP3234870A1 (en) * 2014-12-19 2017-10-25 United Technologies Corporation Sensor data fusion for prognostics and health monitoring
CN106908736B (zh) * 2017-03-17 2019-02-22 哈尔滨工业大学 锂电池剩余寿命预测方法
CN107145645B (zh) * 2017-04-19 2020-11-24 浙江大学 带不确定冲击的非平稳退化过程剩余寿命预测方法
CN110222426A (zh) * 2019-06-06 2019-09-10 南京航空航天大学 非连续工作模式下航空蓄电池剩余寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108829983A (zh) * 2018-06-21 2018-11-16 四川大学 基于多隐藏状态分数布朗运动的设备剩余寿命预测方法
CN109359781A (zh) * 2018-11-20 2019-02-19 佛山科学技术学院 一种智能制造系统余寿的预测方法及装置

Also Published As

Publication number Publication date
CN110781592A (zh) 2020-02-11

Similar Documents

Publication Publication Date Title
CN110781592B (zh) 一种设备剩余寿命的预测方法及系统
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
CN111914883B (zh) 一种基于深度融合网络的主轴轴承状态评估方法及装置
Xia et al. Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm
CN111695598B (zh) 一种基于生成对抗网络的监测数据异常诊断方法
WO2019080367A1 (zh) 一种机械设备健康状态评估方法
CN110941928A (zh) 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法
CN114297036B (zh) 数据处理方法、装置、电子设备及可读存储介质
Pan et al. A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection
CN109271705B (zh) 一种基于深度学习的机器预测性维护方法
CN111523081A (zh) 一种基于增强门控循环神经网络的航空发动机故障诊断方法
CN111581880A (zh) 基于apso-dbn的滚动轴承剩余寿命预测方法
CN114048688A (zh) 一种风力发电机轴承寿命预测方法
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
CN112347571A (zh) 考虑模型和数据不确定性的滚动轴承剩余寿命预测方法
CN112504682A (zh) 基于粒子群优化算法的底盘发动机故障诊断方法及系统
CN111709577B (zh) 基于长程相关性gan-lstm的rul预测方法
Shajihan et al. CNN based data anomaly detection using multi-channel imagery for structural health monitoring
Zheng et al. Tool wear condition monitoring in milling process based on data fusion enhanced long short-term memory network under different cutting conditions
Tang et al. Prediction of bearing performance degradation with bottleneck feature based on LSTM network
Hu et al. A hybrid model for predicting the degradation trend of hydropower units based on deep learning
CN114861349A (zh) 一种基于模型迁移和维纳过程的滚动轴承rul预测方法
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
CN113469013B (zh) 一种基于迁移学习和时间序列的电机故障预测方法及系统
CN117056865B (zh) 一种基于特征融合的机泵设备运行故障诊断方法及装置

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