CN112016240B - 一种相似证据非完全降解设备剩余稳定使用寿命预测方法 - Google Patents

Abstract

本发明提供一种相似证据非完全降解设备剩余稳定使用寿命预测方法，该方法能对设备剩余稳定使用寿命进行预测，无需设备从开始使用到当前状态的所有数据，只需设备当前数据即可预测设备未来稳定使用寿命。本发明提出了结合证据相关性分析法，通过设备参数相关性分析计算得到相关参数类型、相关系数及其权重函数，本发明提出了表示设备使用稳定性的稳定因子概念，利用马尔科夫预测链对表示设备使用稳定性的稳定因子进行预测，通过设备证据构建反向传播神经网络得到设备使用寿命稳定性的稳定因子变化曲线，利用神经网络分析当前及未来时刻设备稳定因子的稳定性，从而得出未来非完全降解设备剩余稳定使用寿命。

Description

一种相似证据非完全降解设备剩余稳定使用寿命预测方法

技术领域

本发明属于设备检测技术领域，涉及一种设备剩余稳定使用寿命检测的方法。

背景技术

随着现代工业技术的快速发展，现代机械设备也逐步实现自动化、智能化、复杂化以及精密化，同时机械设备损坏造成的设备故障带来经济上的损失不可小觑。现代机械设备的可靠性和安全性随着工业技术的发展变得逐步稳定，现如今研究与实践表明，机械设备的大部分故障停运其原因多为性能退化失效，因此，对于机械设备的剩余使用寿命的预测显得尤为重要。就目前为止，国内外先后已经提出了各种数据驱动方法来预测非完全降解设备的剩余使用寿命，即设备从当前到停止完成其设计功能之前的时间。但是目前的数据驱动方法依赖于设备在现场工作期间的数据收集，将收集到的数据拟合聚类分析，将设备的整个使用寿命分为若干个阶段，并通过与设备实时数据做相似性分析，粗略判断设备目前处于某个阶段，进而预测设备的剩余使用寿命。随着一些人工智能算法的推广使用，目前，基于人工神经网络的非线性回归方法对设备的剩余使用寿命预测也是十分有效的，但是该方法需要调整大量的参数，由于神经网络实例训练的稀缺性导致设备退化曲线模型存在一定的偏差。

此外，基于相似性的方法已经成功应用到设备故障预测中，这些方法通过模糊算法构建局部模糊模型，通过这些模型得到设备剩余使用寿命回归预测曲线，来预测未来设备的剩余使用寿命，但是这种预测方法能够预测未来使用时间可能过长，数据不具有特殊性，无法较为准确的估计未来设备使用寿命。此外，一些模型估计预测较为保守，得到的预测使用寿命较短，对未来经济规划造成额外的费用。

本发明提出一种相似证据非完全降解设备剩余稳定使用寿命预测方法，本发明利用证据相似性分析法，通过设备参数相关性分析计算得到相关参数类型、相关系数及其权重函数，本发明提出了表示设备使用稳定性的稳定因子概念，通过设备证据构建反向传播神经网络得到设备使用寿命稳定性的稳定因子变化曲线，将实施参数数据与权重系数相结合，利用马尔科夫预测链完成设备稳定因子的预测，利用神经网络分析当前及未来时刻设备稳定因子的稳定性，从而得出未来非完全降解设备剩余稳定使用寿命。

发明内容

本发明提出一种相似证据非完全降解设备剩余稳定使用寿命预测方法。该方法与目前常见的设备剩余使用寿命预测不同。目前常见的设备剩余使用寿命预测一般通过模糊算法将设备证据聚类分析，将设备的使用寿命分为若干阶段，并将当前设备的实时数据对比分析得出当前设备所处设备使用寿命阶段，进而预测出设备剩余使用寿命，这种预测方法准确性较差，预测结果过于理想化。本发明用于预测非完全降解的设备剩余稳定使用寿命，即为预测在未来若干年内设备是能够稳定投入运行的，预测结果相比较常用预测信息更为精确，当设备在完成上述预测稳定使用年限后，再根据当前设备实时数据进行预测又可预测出设备后续剩余稳定使用寿命。

在进行设备剩余稳定使用寿命预测时，本发明使用了一种基于证据相关性的指标筛选算法来对设备使用寿命相关参数进行筛选。在设备数据量较大且比较复杂的情况下，通过证据相关性分析筛选预测设备剩余稳定使用寿命的参数。其中，相关性分析法能够以数据的方式反映变量之间的关系程度，计算公式如下公式(1)所示：

式中，λ为设备剩余稳定使用寿命相关系数，当|λ|＝0呈完全不相关，0＜|λ|＜0.3呈低相关，0.3＜|λ|＜0.5呈不显著相关，0.5＜|λ|＜0.8呈显著相关，0.8＜|λ|＜1呈高相关，|λ|＝1呈完全相关；n为数据类型数量；

分别为变量x_i,y_i的平均值；如下公式(2)所示：

在通过上述计算方法得到设备剩余稳定使用寿命相关系数，并且筛选出呈高相关及以上的特征量，在处理证据中的繁杂数据时，可以对应不同设备快速遴选出相应设备剩余稳定使用寿命特征量。在预测过程中，呈高相关及以上的数据特征量将赋予较高权重函数，在赋予权重函数的过程中，如下公式所示：

式中，ω_i为权重值；n为样本数据个数；λ_i为设备剩余稳定使用寿命相关系数，相关性越高的样本数据，其权重值越高。

通过相关性分析方法得到的设备剩余稳定使用寿命参数类型以及参数权重函数，本发明利用马尔科夫链来预测未来设备剩余稳定使用寿命函数的稳定因子。通过马尔科夫链预测未来年限内的稳定因子的变化趋势，将稳定因子带入已经通过证据训练好的反向传播神经网络中去，就可以得到设备剩余稳定使用寿命。

马尔科夫预测链能够较好的表现系统变量的当前状态以及未来变化趋势，可以预测在未来特定时间段内系统变量可能出现的情况，同时，马尔科夫预测链能够通过权重函数的表现形式将多类数据预测以单一因子的形式表现出来，能够更加清楚以及直接的看到多个变量引起的系统变化趋势。

假设系统Z在t_i时刻处于状态i_n，则在t_i+1时刻的系统所处状态与t_i时刻前的状态没有关系，这种预测方式符合该发明通过某一时刻当前状态值预测未来设备能够稳定使用的寿命，则如下公式(4)所示：

P{Y_n+1＝i_n+1|Y₀＝i₀,…Y_n＝i_n}＝P{Y_n+1＝i_n+1|Y_n＝i_n} (4)

式中，Y_n为马尔科夫预测链；P为概率函数，则处于t_i+m时刻的系统且处于状态j的概率函数为如下公式所示：

/>

在对参数数据进行预测的时候，可将实际的参数序列按照要求分为若干状态为X₁,X₂,…,X_n，则m步的状态转移概率为如下公式(6)所示：

式中，

为系统参数序列从状态X_i经过m步转移到了状态X_j的个数，则

则定义状态转移矩阵为如下所示：

在马尔科夫预测链中，若使用一步状态转移矩阵，前一时刻的参数数据位于状态X₃，则R⁽¹⁾矩阵的第三行被采用，如果利用多个时刻的参数数据进行预测时，则经过l步的转移到待预测时刻时，如果其数据状态处于X₃，则采用R^(l)的第三行。状态区间的划分需要利用参数数据序列的平均数和标准差，则需要利用之前求得的参数类型及数据，则下一时刻的残差修正预测如下公式(8)所示：

式中，ω_i为相关参数的权重；v_i为相关参数的状态中心；因此，通过马尔科夫链预测，可以得到相关参数的稳定因子预测，即如下公式(9)所示：

式中，K⁽⁰⁾(t_i+1)为原始稳定因子，即

其中，s_i为相关参数数据，K表示系统当前所处状态的稳定性能参数即稳定因子。

在得到当前所处状态下以及未来时刻的稳定性能参数因子后，本发明提出了采用反向传播神经网络学习方法，对证据进行大数据学习与训练，通过对设备数据的分析处理和学习，得到设备剩余稳定使用寿命相关的稳定因子函数曲线，通过对当前设备的性能以及未来时刻的稳定性参数因子带入神经系统进行预测，能够分析出未来几年内，设备的稳定因子是处于健康的状态，进而通过函数预测运算就可以得出设备的剩余稳定使用寿命。

设备稳定使用寿命预测工作可以通过分析设备在生命周期内的各种因素相互作用的非线性关系来完成。本发明提出三层的反向传播神经网络，其中，本发明通过相关性关系分析已经将与设备使用寿命呈高相关的参数类型筛选出来，所以，将此类数据作为输入层的神经元，输入层数据与输出层数据应当进行归一化处理，在中间的隐含层的训练工作可以通过权重函数的方式对输入数据进行处理，输出层应当输出设备稳定使用寿命稳定因子的拟合函数，即K值为因变量，输出相应设备稳定使用寿命。

附图说明

图1是本发明方法的稳定因子求解流程图。

图2是本发明方法的反向传播神经网络结构图。

图3是本发明方法的非完全降解设备剩余稳定使用寿命预测流程图。

具体实施方式

本发明提出的一种相似证据非完全降解设备剩余稳定使用寿命预测方法，结合附图详细说明如下：

图1是本发明方法的稳定因子求解流程图。如图1流程图所示，本发明在得到需要预测剩余稳定使用寿命的设备证据后，利用证据相关性分析法对设备数据进行相关性计算分析，得到与设备剩余稳定使用寿命呈较高相关性的数据类型以及相关系数λ。在得到相关系数之后，对相关数据进行权重函数的计算得到对应权重函数ω。马尔科夫链预测能够较好的表现系统变量的当前状态以及未来变化趋势，可以预测在未来特定时间段内系统变量可能出现的情况，同时，马尔科夫链能够通过权重函数的表现形式将多类数据预测以单一因子的形式表现出来，因此，如图1所示，在相关性较高的参数类型提取特征值，通过计算状态转移概率构建状态转移矩阵。在得到状态转移矩阵后利用马尔可夫残差预测链通过权重函数和相关特征值进行数据拟合，得到未来时刻稳定因子K的变化函数，用稳定因子来表示设备在未来时刻稳定性的表征量。

图2是本发明方法的反向传播神经网络结构图。本发明通过反向传播神经网络的构建完成系统对设备证据的学习分析，将设备剩余稳定使用寿命相关参数样本数据作为输入，在对输入层与输出层的数据做归一化处理后，就可以在输出层完成对设备稳定使用寿命稳定因子函数预测，得到设备完全降解过程中的稳定因子变化曲线。通过将非完全降解的设备稳定因子通过预测带入神经网络进行分析，如果设备在未来时刻稳定因子达到阈值便停止预测，进而得到设备稳定剩余使用寿命。其中，反向传播神经网络的训练过程如下所示：

建立输入样本数据集ν，将

作为输入层神经网络元胞；

作为输出层神经网络元胞；/>

作为隐含层神经网络元胞；ω_iz为从输入层到隐含层权重函数；ω_zj为从隐含层到输出层权重函数；假设反向传播神经元胞的状态函数为/>

则隐含层元胞输入为如下公式(10)所示：

隐含层的输出函数如下公式(11)所示：

输出层元胞输入为如下公式(12)所示：

/>

输出层元胞输出为如下公式(12)所示：

将输入样本数据集ν的输出设置为

则误差函数为如下公式(14)所示：

根据上述公式采用最速下降法对权重函数进行校正，如下公式(15)(16)所示：

图3是本发明方法的非完全降解设备剩余稳定使用寿命预测流程图。本发明提出了一种相似证据非完全降解设备剩余稳定使用寿命预测方法，如图3所示，本发明能对设备剩余稳定使用寿命进行预测，无需设备从开始使用到当前状态的所有数据，只需当前设备数据即可预测设备未来稳定使用寿命。本发明提出了利用证据相关性分析法，得出设备剩余稳定使用寿命相关系数以及权重函数，通过马尔科夫预测链对未来时刻的稳定因子进行预测，利用设备证据构建反向传播神经网络得出设备使用寿命稳定性的稳定因子变化函数，将当前预测出的设备稳定因子带入神经网络进行分析，如果当前稳定因子符合设备数据分析中得到的稳定性要求，则继续预测，直到设备稳定因子超出稳定性要求阈值，则停止预测，并通过数据拟合得出该稳定因子对应的设备剩余稳定使用寿命。

Claims (2)

1.一种相似证据非完全降解设备剩余稳定使用寿命预测方法，其特征在于，能对设备剩余稳定使用寿命进行预测，无需设备从开始使用到当前状态的所有数据，只需设备当前数据能预测设备未来剩余稳定使用寿命，该方法在使用过程中的步骤为：

(1)利用证据相关性分析法将与设备稳定使用寿命呈高相关性的参数类型从设备证据中筛选出来，并通过相关系数得出权重函数；

(2)利用马尔科夫预测链对表示设备使用稳定性的稳定因子进行预测；

假设系统Z在t_i时刻处于状态i_n，则在t_i+1时刻的系统所处状态与t_i时刻前的状态没有关系，这种预测方式符合通过某一时刻当前状态值预测未来设备能够稳定使用的寿命，则如下公式所示：

P{Y_n+1＝i_n+1|Y₀＝i₀,…Y_n＝i_n}＝P{Y_n+1＝i_n+1|Y_n＝i_n}

式中，Y_n为马尔科夫预测链；P为概率函数，则处于t_i+m时刻的系统且处于状态j的概率函数为：

在对参数数据进行预测的时候，将实际的参数序列按照要求分为若干状态，为X₁,X₂,…,X_n，则m步的状态转移概率为：

式中，

为系统参数序列从状态X_i经过m步转移到状态X_j的个数，则/>

定义状态转移矩阵为如下所示：

在马尔科夫预测链中，若使用一步状态转移矩阵，前一时刻的参数数据位于状态X₃，则R⁽¹⁾矩阵的第三行被采用；如果利用多个时刻的参数数据进行预测时，则经过l步的转移到待预测时刻时，如果其数据状态处于X₃，则采用R^(l)的第三行；状态区间的划分利用参数数据序列的平均数和标准差，则利用之前求得的参数类型及数据，则下一时刻的残差修正预测如下公式所示：

式中，ω_i为相关参数的权重；v_i为相关参数的状态中心；因此，通过马尔科夫链预测，得到相关参数的稳定因子预测，即如下公式所示：

式中，K⁽⁰⁾(t_i+1)为原始稳定因子，即

其中，s_i为相关参数数据，K表示系统当前所处状态的稳定性能参数即稳定因子；n为样本数据个数；λ_i为设备剩余稳定使用寿命相关系数；

(3)利用设备证据构建反向传播神经网络得出设备使用寿命稳定性的稳定因子变化函数，将当前预测出的设备稳定因子带入神经网络进行分析，如果当前稳定因子符合设备数据分析中得到的稳定性要求，则继续预测，直到设备稳定因子超出稳定性要求阈值，则停止预测；

(4)通过数据拟合得出该稳定因子对应的设备剩余稳定使用寿命。

2.如权利要求1所述的相似证据非完全降解设备剩余稳定使用寿命预测方法，其特征在于，所述步骤(2)提出表示设备使用稳定性的稳定因子，利用马尔科夫预测链对表示设备使用稳定性的稳定因子进行预测；所述步骤(3)提出利用设备证据构建反向传播神经网络，通过神经网络学习训练得出设备使用寿命稳定性的稳定因子变化函数，将当前预测出的设备稳定因子带入神经网络进行分析，如果当前稳定因子符合设备数据分析中得到的稳定性要求，则继续预测，直到设备稳定因子超出稳定性要求阈值，则停止预测；所述步骤(4)通过数据拟合得出该稳定因子对应的设备剩余稳定使用寿命，且无需设备从开始使用到当前状态的所有数据，只需当前设备数据就能够完成对非完全降解设备剩余稳定使用寿命的预测。

Images