CN110866325A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110866325A CN110866325A CN201910959050.5A CN201910959050A CN110866325A CN 110866325 A CN110866325 A CN 110866325A CN 201910959050 A CN201910959050 A CN 201910959050A CN 110866325 A CN110866325 A CN 110866325A
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- data
- parameter
- degradation
- 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.)
- Granted
Links
Images
Abstract
本发明公开了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,包括如下步骤:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数;收集监测得到的关键参数退化数据;使用收集所得数据对退化模型的参数进行估计;根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型;依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。本发明相较于传统方法降低了试验的经济成本、缩短了研究周期,并且能够更丰富、动态地反映环境对设备的影响,从而提高了考虑不完美维护实际情况下的设备剩余寿命预测的准确度。
Description
技术领域
本发明涉及高可靠长寿命设备剩余寿命预测技术,具体涉及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。
背景技术
随着我国科学技术水平的迅猛发展和工业水平的快速提高,在一些对可靠性和安全 性要求较高的领域,存在着大量高可靠长寿命的设备。而这类设备具有生产成本高、生产数量少以及故障机理复杂等特点,如何对其剩余寿命(Remaining Useful Life,RUL)进行预测成为可靠性领域的一个热点问题。传统的可靠性分析方法是以设备的失效时间为研究对象,这样做不仅会带来高昂的经济成本,而且在时间上也会造成不必要的浪费。 此外,传统方法仅利用失效时间进行分析,设备退化过程中的大量有用信息被忽略。由 于高成本长寿命设备的退化失效与其性能退化密切相关,所以最后的预测结果的准确性 无法得到保证,预测精度较低。
发明内容
发明目的:为了克服现有技术中存在的不足,提供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,充分考虑了实际监测数据只是隐含退化状态的外部表现,利用了关键参数退化数据间接地对设备性能和退化状态进行分析,在缩短了预测周期的同时降低了预测成本,并且能够得到更加准确的预测结果。
技术方案:为实现上述目的,本发明提供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,包括如下步骤:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数 (关键参数为与设备性能密切相关的参数);
S2:收集监测得到的关键参数退化数据(退化数据根据不同设备选取不同的采集装 置进行收集);
S3:使用收集所得数据对退化模型的参数进行估计;
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模 型;
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。
进一步的,所述步骤S2具体为:采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对 应的测量数据为{Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共 有N(tm)次维护活动,第n个设备第j次维护效果为yn,j。
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
其中,Tm是第m次监测时设备已运行时间,N(Tm)代表第m次监测前设备的总 维修次数;
S3.3:参数Φ={γ2,θ,σB}的极大似然估计采用多维搜索方法计算求解,具 体通过对式(4)求最大值得到:
其中,Ω=[min{ti,tj}]1≤i,j≤M是时间信息矩阵。
进一步的,所述步骤S4具体为:
S4.1:根据公式(5)计算得到参数Xh(t):
S4.2:根据公式(6)计算得到参数Xc(t):
Xc(t)=Xh(t)-ε (6)
其中,ε表示噪声误差,这里假设任意时刻t下的噪声误差都是独立的,且分布相同,则有ε~N(0,γ2);
S4.3:设备在ω失效阈值下的剩余寿命概率密度函数为:
进一步的,所述步骤S5具体为:
S5.1:测量得到设备的新状态测量数据为{Xn'(tm)=x'n,m,n=1,...,N;m=1,...,M},第 n个设备在总运行时间tm内共有N'(tm)次维护活动,第n个设备第j次维护效果为y'n,j, 将这组数据代入剩余寿命概率密度函数,可得相应的剩余寿命概率密度函数f'(l);
有益效果:本发明与现有技术相比,具备如下优点:
1、充分考虑了实际监测数据只是隐含退化状态的外部表现,利用了关键参数退化数据间接地对设备性能和退化状态进行分析,在缩短了预测周期的同时降低了预测成 本。
2、在首达时间的概念下,利用卡尔曼滤波算法对剩余寿命概率密度函数进行推导, 根据极大似然估计原理利用设备的退化数据和维修数据对模型的参数进行估计,从而得 到更加准确的预测结果。
附图说明
图1为本发明方法的流程图;
图2为陀螺仪漂移数据轨迹图;
图3为M1方法下不同时刻陀螺仪RUL的PDF图;
图4为M2方法下不同时刻陀螺仪RUL的PDF图;
图5为不同时刻方法M1和M2的MSER变化图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本 发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本实施例中将惯性导航系统的陀螺仪作为目标设备,利用本发明提供的一种基于间 接监测数据的设备剩余寿命不完美维护预测方法进行剩余寿命预测,如图1所示,去具体的步骤如下:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数 (关键参数为与设备性能密切相关的参数)。
S2:收集监测得到的关键参数退化数据(退化数据根据不同设备选取不同的采集装 置进行收集):
采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对应的测量数据为 {Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N(tm)次维护 活动,第n个设备第j次维护效果为yn,j°
S3:使用收集所得数据对退化模型的参数进行估计:
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
其中,Tm是第m次监测时设备已运行时间,N(Tm)代表第m次监测前设备的总 维修次数;
S3.3:参数Φ={γ2,θ,σB}的极大似然估计采用多维搜索方法计算求解,具 体通过对式(4)求最大值得到:
其中,Ω=[min{ti,tj}]1<i,j≤M是时间信息矩阵。
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模 型:
S4.1:根据公式(5)计算得到参数Xh(t):
S4.2:根据公式(6)计算得到参数Xc(t):
Xc(t)=Xh(t)-ε (6)
其中,ε表示噪声误差,这里假设任意时刻t下的噪声误差都是独立的,且分布相同,则有ε~N(0,γ2);
S4.3:设备在ω失效阈值下的剩余寿命概率密度函数为:
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测:
S5.1:测量得到设备的新状态测量数据为{Xn'(tm)=x'n,m,n=1,...,N;m=1,...,M},第 n个设备在总运行时间tm内共有N'(tm)次维护活动,第n个设备第j次维护效果为y'n,j, 将这组数据代入剩余寿命概率密度函数,可得相应的剩余寿命概率密度函数f'(l);
本实施例中惯性导航系统的陀螺仪在使用的过程中,其漂移系数不断地随服役时间 的积累而增大。由于陀螺仪的漂移数据会受到噪声、扰动以及非理性测量仪器等造成测量过程不确定性的情况,导致获得的数据是真实退化数据经干扰后的结果。在服役过程中,陀螺仪的漂移系数超出预先设定的阈值后,补偿电路会通过调整电流以补偿漂移系数。广义上来看,由于补偿电路不能使功能恢复到服役前的状态,因此这种维护是一种 不完美维护。当维护不能带来较高的经济效益时,将会更换陀螺仪,所以对漂移系数进 行调整的次数是有限的。
为了验证本发明所提出的基于间接监测数据的设备剩余寿命不完美维护预测方法 的准确性,本实施例中选用两组型号相同的陀螺仪在服役过程中的漂移数据来对比本发 明所提出的方法(记为M2)与不考虑噪声误差的方法(记为M1)的有效性。漂移数据 如图2所示,陀螺仪1共有113个漂移数据,当服役时间为282.5h时陀螺仪1开始失 效;陀螺仪2共有115个漂移数据,当服役时间为277.5h时陀螺仪2开始失效。考虑 到实际的工程价值和经济效益,一般只对陀螺仪的漂移系数进行3次调整。
选择时刻集(235,240,245,250,255,260,265)作为剩余寿命的估计时刻, 分别采用M1和M2方法对陀螺仪1的剩余寿命进行估计,根据计算两种 方法预测陀螺仪的RUL期望。同时,做出两种方法在各估计时刻的RUL的PDF曲线,将 各时刻预测的RUL的期望值和真实值进行比较,具体如图3和图4所示。
比较图3和图4可以看出:随着通电时间的增加,两种方法估计得到的陀螺仪生于寿命概率密度曲线越来越高,说明估计的RUL准确度越来越高,估计的RUL期望值与真 实值的误差也越来越小。同时,方法M1估计的RUL期望值与实际值的偏差比方法M2要 略大一些,说明对于一些间接监测的设备,在对其进行RUL预测时有必要考虑噪声误差, 采用基于间接监测数据的方法对其剩余寿命进行建模预测。
本实施例中使用均方误差对两种方法的剩余寿命预测有效性进行衡量:
图5展示了两种方法在(235,240,245,250,255,260,265)七个时刻的均方 误差计算结果。从图5中可以看出,基于间接监测数据考虑不完美维护的情况下估计得 到陀螺仪剩余寿命的均方误差在通电时间超过240h时均在5以下,充分说明M2方法对 陀螺仪RUL进行预测的有效性。对比方法M1和M2的MSER可以发现,在对陀螺仪进行 RUL预测时,综合考虑噪声、扰动等引起测量不确定性的影响因素有助于提高预测精度。 综合图2到图4可以看出,基于间接监测数据的设备剩余寿命不完美维护预测方法在实 际预测中效果明显。
Claims (5)
1.一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,其特征在于:包括如下步骤:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数;
S2:收集监测得到的关键参数退化数据;
S3:使用收集所得数据对退化模型的参数进行估计;
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型;
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。
2.根据权利要求1所述的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,其特征在于:所述步骤S2具体为:采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对应的测量数据为{Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N(tn)次维护活动,第n个设备第j次维护效果为yn,j。
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
其中,Tm是第m次监测时设备已运行时间,N(Tm)代表第m次监测前设备的总维修次数;
其中,Ω=[min{ti,tj}]1≤i,j≤M是时间信息矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959050.5A CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959050.5A CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866325A true CN110866325A (zh) | 2020-03-06 |
CN110866325B CN110866325B (zh) | 2022-03-25 |
Family
ID=69652531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959050.5A Active CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866325B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686584A (zh) * | 2019-10-18 | 2020-01-14 | 江麓机电集团有限公司 | 锥形孔深度检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020146162A1 (en) * | 2001-04-10 | 2002-10-10 | Mitsubishi Heavy Industries, Ltd. | Lifetime evaluating system of mechanical element and method for the same |
JP4710325B2 (ja) * | 2005-01-17 | 2011-06-29 | トヨタ自動車株式会社 | 移動体の価格設定システムおよび価格設定方法 |
CN102411339A (zh) * | 2011-11-30 | 2012-04-11 | 华中科技大学 | 一种数控装备性能可靠性评估方法 |
CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
-
2019
- 2019-10-10 CN CN201910959050.5A patent/CN110866325B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020146162A1 (en) * | 2001-04-10 | 2002-10-10 | Mitsubishi Heavy Industries, Ltd. | Lifetime evaluating system of mechanical element and method for the same |
JP4710325B2 (ja) * | 2005-01-17 | 2011-06-29 | トヨタ自動車株式会社 | 移動体の価格設定システムおよび価格設定方法 |
CN102411339A (zh) * | 2011-11-30 | 2012-04-11 | 华中科技大学 | 一种数控装备性能可靠性评估方法 |
CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
XIAODONG HOU 等: "A Key Lifetime Parameters Extraction Method for T/ R Module Based on Association Rule", 《2018 INTERNATIONAL CONFERENCE ON SENSING,DIAGNOSTICS, PROGNOSTICS, AND CONTROL (SDPC)》 * |
梁泽明 等: "多参数相似性信息融合的剩余寿命预测", 《计算机集成制造系统》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686584A (zh) * | 2019-10-18 | 2020-01-14 | 江麓机电集团有限公司 | 锥形孔深度检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110866325B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
TWI539298B (zh) | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 | |
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 | |
TWI521360B (zh) | 量測抽樣方法與其電腦程式產品 | |
WO2016155241A1 (zh) | 基于Kalman滤波器的容量预测方法、系统和计算机设备 | |
CN106169124B (zh) | 系统级产品可靠性综合评估置信推断方法 | |
CN111680870B (zh) | 目标运动轨迹质量综合评估方法 | |
CN107798210B (zh) | 一种多模型滑坡位移预测方法及其系统 | |
CN112949026B (zh) | 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法 | |
CN114415488B (zh) | 一种原子钟钟差数据异常检测及修正方法和系统 | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及系统 | |
CN105259398B (zh) | 一种基于总方差的光纤电流互感器随机误差特性分析方法 | |
CN110866325B (zh) | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 | |
CN110083518B (zh) | 一种基于AdaBoost-Elman的虚拟机软件老化预测方法 | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
CN108268025B (zh) | 随机扰动下网络化控制系统弹性测评方法 | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 | |
CN114970341B (zh) | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 | |
CN116502119A (zh) | 一种结构健康监测系统的传感器故障检测方法和装置 | |
CN108282360B (zh) | 一种长短期预测融合的故障检测方法 | |
CN113887990A (zh) | 电气设备维修决策优化方法 |
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 |