CN112036051A - 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 - Google Patents
磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112036051A CN112036051A CN202011224667.1A CN202011224667A CN112036051A CN 112036051 A CN112036051 A CN 112036051A CN 202011224667 A CN202011224667 A CN 202011224667A CN 112036051 A CN112036051 A CN 112036051A
- Authority
- CN
- China
- Prior art keywords
- target
- suspension system
- magnetic suspension
- predicting
- service 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.)
- Granted
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本申请公开了一种磁悬浮系统剩余使用寿命预测方法、装置、设备及介质,该方法包括:从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;计算特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;基于层次聚类法对特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;利用目标特征计算得到目标磁悬浮系统对应的健康指标阈值;利用预先构建的指数衰减模型确定出适合对目标磁悬浮系统启动寿命预测的初始时间;基于指数衰减模型并利用健康指标阈值和初始时间预测目标磁悬浮系统的剩余使用寿命。本申请利用健康指标阈值和指数衰减模型进行寿命预测,提高了对磁悬浮系统寿命预测的精确度。
Description
技术领域
本发明涉及磁悬浮系统应用领域,特别涉及一种磁悬浮系统剩余使用寿命预测方法、装置、设备及介质。
背景技术
当前,磁悬浮系统作为新兴应用技术,交通领域是其发展的重要方向之一,但也因此一旦出现事故就会带来不可避免的损失,所以如何准确实现磁悬浮系统的剩余使用寿命(即Remaining Useful Life,RUL)预测是目前广泛关注的问题。
现有技术中,可以通过建立物理模型对磁悬浮系统的剩余使用寿命进行预测,但是由于复杂系统通常由许多部分组成并且具有复杂的结构,导致其物理失效过程变得复杂且难以捕获,因此通常难以为复杂系统建立精确的物理模型,进而降低了剩余使用寿命预测的精确度。另外,现有技术中可以通过数据驱动法进行剩余使用寿命的预测,但这种方式需要在剩余使用寿命预测之前先预测退化指标的发展,导致了寻找合适的投影模型的负担,降低了剩余使用寿命预测的精确度。
发明内容
有鉴于此,本发明的目的在于提供一种磁悬浮系统剩余使用寿命预测方法、装置、设备及介质,提高了磁悬浮系统剩余使用寿命预测的精确度。其具体方案如下:
第一方面,本申请公开了一种磁悬浮系统剩余使用寿命预测方法,包括:
从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;
计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;
基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;
利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值;
利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
可选的,所述从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,包括:
从所述悬浮间隙信号的时域分量中提取均方根值、峰度、偏度、峰峰值、峰值指标、波形指标、脉冲指标、裕度指标、平均值、标准差和平方和中的任意一项或任意几项,并从所述悬浮间隙信号的频域分量中提取频谱峰度。
可选的,所述基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征,包括:
利用基于最短距离的层次聚类法并根据所述特征集中的特征的单调性将所述特征集中的特征进行聚类,得到两类特征;
从所述两类特征中选择出单调性最明显的一类特征作为所述目标特征。
可选的,所述利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值,包括:
对所述目标特征进行标准化处理得到相应的标准化特征值;
利用主成分分析法对所述目标特征进行处理得到所述目标特征对应的贡献度;
基于预设特征融合规则并利用所述标准化特征值和所述目标特征对应的贡献度计算得到所述目标磁悬浮系统对应的融合后特征值;
利用所述融合后特征值计算得到所述目标磁悬浮系统对应的健康指标阈值。
可选的,所述利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间,包括:
基于时间为自变量的指数函数构建所述指数衰减模型;
对所述指数衰减模型进行对数化处理得到线性预测函数;
基于T检验法并利用历史数据和所述线性预测函数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
其中,所述指数衰减模型的表达式为:
可选的,所述基于T检验法并利用历史数据和所述线性预测函数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间,包括:
利用历史数据计算出不同时刻所述线性预测函数的目标参数;其中,所述目标参数包括斜率、截距和斜率方差;
基于T检验法并利用所述目标参数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。
可选的,所述基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命,包括:
在所述初始时间后,基于所述指数衰减模型和所述健康指标阈值预测所述目标磁悬浮系统在目标时间点对应的剩余使用寿命,得到目标预测寿命;
以所述目标预测寿命为中心构建预测向量;
基于所述预测向量计算得到相应的累积分布函数,并对所述累积分布函数对应的概率密度函数进行标准化处理,得到标准化概率密度函数;
将所述标准化概率密度函数的期望值作为所述磁悬浮系统的剩余使用寿命。
第二方面,本申请公开了一种磁悬浮系统剩余使用寿命预测装置,包括:
特征获取模块,用于从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;
特征单调性确定模块,用于计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;
目标特征确定模块,用于基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;
健康指标阈值确定模块,用于利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值;
初始时间确定模块,用于利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
预测模块,用于基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
第三方面,本申请公开了一种电子设备,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如前述的磁悬浮系统剩余使用寿命预测方法。
第四方面,本申请公开了一种计算机可读存储介质,用于存储计算机程序;其中计算机程序被处理器执行时实现如前述的磁悬浮系统剩余使用寿命预测方法。
由上可见,本申请通过从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集,并计算特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性,然后基于层次聚类法对特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征,进而利用目标特征计算得到目标磁悬浮系统对应的健康指标阈值,再利用预先构建的指数衰减模型确定出适合对目标磁悬浮系统启动寿命预测的初始时间,最后基于指数衰减模型并利用健康指标阈值和初始时间预测目标磁悬浮系统的剩余使用寿命。可见,本申请通过特征的单调性筛选出目标特征,由此根据筛选后的目标特征可以得到精确的磁悬浮系统健康指标阈值,并根据预先构建的指数衰减模型确定出适合对目标磁悬浮系统启动寿命预测的初始时间,并在上述初始时间后基于指数衰减模型并利用健康指标阈值预测目标磁悬浮系统的剩余使用寿命,由于上述健康指标阈值是根据筛选后的目标特征计算得到的,并且本申请在适合对目标磁悬浮系统启动寿命预测的初始时间后对磁悬浮系统的剩余使用寿命进行预测,提高了磁悬浮系统的剩余使用寿命预测的精确度。
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,下面将对实施例或现有技术描述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的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请提供的一种磁悬浮系统剩余使用寿命预测方法流程图;
图2为本申请提供的一种磁悬浮系统剩余使用寿命预测方法流程图;
图3为本申请提供的一种装置结构示意图;
图4为本申请提供的一种电子设备结构图。
具体实施方式
现有技术中,通过建立物理模型的方式对磁悬浮系统的剩余使用寿命进行预测,由于无法为复杂系统建立精确的物理模型,降低了磁悬浮系统的剩余使用寿命预测的精确度。为了克服上述问题,本申请提出一种磁悬浮系统剩余使用寿命的混合预测方法,可以提高对磁悬浮系统剩余使用寿命预测的精确度。
本发明实施例公开了一种磁悬浮系统剩余使用寿命预测方法,参见图1所示,该方法可以包括以下步骤:
步骤S11:从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集。
本实施例中,首先从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,以得到相应的特征集,其中,上述悬浮间隙信号为通过间隙传感器采集的针对上述目标磁悬浮系统悬浮间隙的信号;具体的,可以从所述悬浮间隙信号的时域分量中提取均方根值、峰度、偏度、峰峰值、峰值指标、波形指标、脉冲指标、裕度指标、平均值、标准差以及平方和中的任意一项或任意几项,并从所述悬浮间隙信号的频域分量中提取频谱峰度,以得到上述特征集。
步骤S12:计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性。
本实施例中,在获取到上述特征集后,可以通过计算上述特征集中每个特征对应的斯皮尔曼(即Spearman)等级相关系数,确定出每个特征的单调性;具体的,可以通过计算所述特征集中每个特征和相应的参考曲线之间的斯皮尔曼等级相关系数,并将得到的斯皮尔曼等级相关系数用作量化的特征的单调性,从而确定每个特征的单调性;其中,所述参考曲线为与特征对应的时间点向量;其中,斯皮尔曼等级相关系数的表达式为:
步骤S13:基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征。
本实施例中,通过层次聚类法对上述特征集中的特征的单调性进行聚类,然后根据聚类结果筛选出目标特征。具体的,可以利用基于最短距离的层次聚类法并根据所述特征集中的特征的单调性将所述特征集中的特征进行聚类,得到两类特征;从所述两类特征中选择出单调性最明显的一类特征作为所述目标特征。可以理解的是,基于最短距离的层次聚类法,可以将特征集中的特征根据特征的单调性分为两类,然后选择上述两类特征中单调性最明显的一类特征作为上述目标特征。
步骤S14:利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值。
本实施例中,在得到上述目标特征后,可以基于上述目标特征计算得到上述目标磁悬浮系统对应的健康指标阈值。可以理解的是,在得到上述目标特征后,可以通过对上述目标特征进行特征融合,得到融合后的特征值,然后根据融合后的特征值计算得到与上述目标磁悬浮系统对应的上述健康指标阈值;可以理解的是,上述健康指标阈值可以反映上述目标磁悬浮系统是否处于故障状态。
步骤S15:利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。
本实施例中,可以通过预先构建的指数衰减模型确定出适合对上述目标磁悬浮系统启动寿命预测的初始时间;可以理解的是,当确定出适合对目标磁悬浮系统启动寿命预测的初始时间,即检测当前时间点是否适合对目标磁悬浮系统启动寿命预测,然后在上述初始时间之后的时间点可以对上述目标磁悬浮系统进行寿命预测;可以理解的是,在上述初始时间之前,可以认为上述目标磁悬浮系统处于未退化状态,在上述初始时间之前对目标磁悬浮系统进行剩余寿命预测的精确度不高。
步骤S16:基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
本实施例中,在得到上述健康指标阈值和上述初始时间后,可以基于上述指数衰减模型并根据确定的健康指标阈值和初始时间预测上述目标磁悬浮系统的剩余使用寿命。可以理解的是,在确定上述初始时间后,可以在上述初始时间之后的时间段内,基于上述指数衰减模型和上述健康指标阈值预测上述目标磁悬浮系统的剩余使用寿命。
由上可见,本实施例中通过特征的单调性筛选出目标特征,由此根据筛选后的目标特征可以得到精确的磁悬浮系统健康指标阈值,并根据预先构建的指数衰减模型确定出适合对目标磁悬浮系统启动寿命预测的初始时间,并在上述初始时间后基于指数衰减模型并利用健康指标阈值和初始时间预测目标磁悬浮系统的剩余使用寿命,由于上述健康指标阈值是根据筛选后的目标特征计算得到的,并且本实施例在适合对目标磁悬浮系统启动寿命预测的初始时间后对磁悬浮系统的剩余使用寿命进行预测,提高了磁悬浮系统的剩余使用寿命预测的精确度。
本发明实施例公开了一种具体的磁悬浮系统剩余使用寿命预测方法,参见图2所示,该方法可以包括以下步骤:
步骤S21:从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集。
步骤S22:计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性。
步骤S23:基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征。
步骤S24:对所述目标特征进行标准化处理得到相应的标准化特征值;利用主成分分析法对所述目标特征进行处理得到所述目标特征对应的贡献度。
本实施例中,在筛选出上述目标特征后,通过对上述目标特征进行标准化处理可以得到相应的标准化特征值,其中,进行上述标准化处理的标准化特征方程的表达式为:
进一步的,利用主成分分析法(即Principal Components Analysis,PCA)对上述目标特征进行处理以得到每个特征的贡献度,所有特征的贡献度总和为1,并将最大贡献度作为主成分。可以理解的是,可以先通过对目标特征进行标准化处理,然后基于主成分分析法并利用相应的标准化特征值计算得到每个特征的贡献度,进而得到主成分。
步骤S25:基于预设特征融合规则并利用所述标准化特征值和所述目标特征对应的贡献度计算得到所述目标磁悬浮系统对应的融合后特征值;利用所述融合后特征值计算得到所述目标磁悬浮系统对应的健康指标阈值。
本实施例中,在得到上述标准化特征值和上述主成分后,可以基于预设的特征融合规则计算得到上述目标磁悬浮系统对应的融合后特征值,其中,预设的特征融合规则的表达式为:
进一步的,可以利用上述融合后特征值得到上述目标磁悬浮系统对应的健康指标(即Health Indicator,HI),进而得到相应的健康指标阈值;其中,上述健康指标的计算公式为:
其中,为的第一个值,并且本实施例中,将的最后一个值作为上述目标磁悬浮系统的健康指标阈值(即)。由此一来,通过对筛选后得到的目标特征进行特征融合,并基于融合后特征值可以计算得到更加精确的健康指标阈值,进而提高后续进行剩余使用寿命预测的精确度。
步骤S26:基于时间为自变量的指数函数构建所述指数衰减模型;对所述指数衰减模型进行对数化处理得到线性预测函数。
本实施例中,通过基于时间为自变量的指数函数构建指数衰减模型,其中,指数衰减模型的表达式为:
其中,为时间函数的健康指标,表示截距项,并且=-1,和为用于确定模型斜率的随机参数,符合对数正态分布,符合高斯分布,为产生符合正态分布的高斯白噪声,为标准差。可以理解的是,当取-1时,上述指数衰减模型可以从0开始,并且,在每个时间步长t,基于的最新观察将和的分布更新为后验。其中,上述指数衰减模型中的可以满足的期望,
步骤S27:基于T检验法并利用历史数据和所述线性预测函数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。
本实施例中,通过利用T检验法(即Student's t test)以及历史数据和所述线性预测函数可以确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;可以理解的是,通过使用T检验法,可以根据少量的历史数据和上述线性预测函数确定出适合对上述目标磁悬浮系统启动寿命预测的初始时间,即检测到当前时间点适合开始对目标磁悬浮系统启动寿命预测。
本实施例中,所述基于T检验法并利用历史数据和所述线性预测函数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间,可以包括:利用历史数据计算出不同时刻所述线性预测函数的目标参数;其中,所述目标参数包括斜率、截距和斜率方差;基于T检验法并利用所述目标参数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。其中,上述线性预测函数的斜率的表达式为:
最后可以基于双向T检验法并利用上述目标参数可以确定出适合对上述目标磁悬浮系统启动寿命预测的初始时间,其中,双向T检验的表达式为:
步骤S28:在所述初始时间后,基于所述指数衰减模型和所述健康指标阈值预测所述目标磁悬浮系统在目标时间点对应的剩余使用寿命,得到目标预测寿命。
本实施例中,在确定初始时间后,可以利用上述指数衰减模型对应的线性预测函数和上述健康指标阈值预测,在上述初始时间之后的目标时间点对上述目标磁悬浮系统的剩余使用寿命进行预测,得到上述目标预测寿命;可以理解的是,在上述初始时间之后的每个时间点可以对上述目标磁悬浮系统的使用寿命进行预测,得到相应的目标预测寿命;其中,上述目标预测寿命的表达式为:
步骤S29:以所述目标预测寿命为中心构建预测向量;基于所述预测向量计算得到相应的累积分布函数,并对所述累积分布函数对应的概率密度函数进行标准化处理,得到标准化概率密度函数;将所述标准化概率密度函数的期望值作为所述磁悬浮系统的剩余使用寿命。
进一步的,在得到预测向量后,基于上述预测向量计算得到相应的累计分布函数,进而得到对应的概率密度函数,并对上述概率密度函数进行标准化处理,得到标准化概率密度函数,最后计算上述标准化概率密度函数的期望值和分位数,然后将上述期望值作为目标磁悬浮系统的剩余使用寿命。由此一来,通过目标预测寿命构建预测向量,并根据预测向量得到对应的标准化概率密度函数,最后将标准化概率密度函数的期望值作为最终的剩余使用寿命,进一步提高了剩余使用寿命预测的精确度。
其中,上述步骤S21至S23的具体过程可以参考前述公开的相应内容,在此不再进行赘述。
由上可见,本实施例中,通过主成分分析法和预设特征融合规则计算得到相应的融合后特征值,并根据融合后特征值计算得到目标磁悬浮系统的健康指标阈值,然后通过构建的指数衰减模型并基于T检验法可以计算出适合对目标磁悬浮系统进行剩余使用寿命预测的初始时间,由此一来,可以根据上述健康指标阈值和指数衰减模型得到目标磁悬浮系统的故障阈值,然后基于上述初始时间和上述故障阈值对目标磁悬浮系统的剩余使用寿命进行预测,提高了对目标磁悬浮系统的剩余使用寿命预测的精确度。
相应的,本申请实施例还公开了一种磁悬浮系统剩余使用寿命预测装置,参见图3所示,该装置包括:
特征获取模块11,用于从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;
特征单调性确定模块12,用于计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;
目标特征确定模块13,用于基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;
健康指标阈值确定模块14,用于利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值;
初始时间确定模块15,用于利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
预测模块16,用于基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
由上可见,本实施例通过特征的单调性筛选出目标特征,由此根据筛选后的目标特征可以得到精确的磁悬浮系统健康指标阈值,并根据预先构建的指数衰减模型确定出适合对目标磁悬浮系统启动寿命预测的初始时间,并在上述初始时间后基于指数衰减模型并利用健康指标阈值和初始时间预测目标磁悬浮系统的剩余使用寿命,由于上述健康指标阈值是根据筛选后的目标特征计算得到的,并且本实施例在适合对目标磁悬浮系统启动寿命预测的初始时间后对磁悬浮系统的剩余使用寿命进行预测,提高了磁悬浮系统的剩余使用寿命预测的精确度。
在一些具体实施例中,所述目标特征确定模块13具体可以包括:
聚类单元,用于利用基于最短距离的层次聚类法并根据所述特征集中的特征的单调性将所述特征集中的特征进行聚类,得到两类特征;
目标特征确定单元,用于从所述两类特征中选择出单调性最明显的一类特征作为所述目标特征。
在一些具体实施例中,所述健康指标阈值确定模块14具体可以包括:
特征标准化单元,用于对所述目标特征进行标准化处理得到相应的标准化特征值;
贡献度计算单元,用于利用主成分分析法对所述目标特征进行处理得到所述目标特征对应的贡献度;
特征融合单元,用于基于预设特征融合规则并利用所述标准化特征值和所述目标特征对应的贡献度计算得到所述目标磁悬浮系统对应的融合后特征值;
健康指标阈值确定单元,用于利用所述融合后特征值计算得到所述目标磁悬浮系统对应的健康指标阈值。
在一些具体实施例中,所述初始时间确定模块15具体可以包括:
目标参数计算单元,用于利用历史数据计算出不同时刻所述线性预测函数的目标参数;其中,所述目标参数包括斜率、截距和斜率方差;
初始时间计算单元,用于基于T检验法并利用所述目标参数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。
在一些具体实施例中,所述预测模块16具体可以包括:
目标预测寿命确定单元,用于在所述初始时间后,基于所述指数衰减模型和所述健康指标阈值预测所述目标磁悬浮系统在目标时间点对应的剩余使用寿命,得到目标预测寿命;
预测向量构建单元,用于以所述目标预测寿命为中心构建预测向量;
标准化概率密度函数确定单元,用于基于所述预测向量计算得到相应的累积分布函数,并对所述累积分布函数对应的概率密度函数进行标准化处理,得到标准化概率密度函数;
剩余使用寿命预测单元,用于将所述标准化概率密度函数的期望值作为所述磁悬浮系统的剩余使用寿命。
进一步的,本申请实施例还公开了一种电子设备,参见图4所示,图中的内容不能被认为是对本申请的使用范围的任何限制。
图4为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20,具体可以包括:至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中,所述存储器22用于存储计算机程序,所述计算机程序由所述处理器21加载并执行,以实现前述任一实施例公开的磁悬浮系统剩余使用寿命预测方法中的相关步骤。
本实施例中,电源23用于为电子设备20上的各硬件设备提供工作电压;通信接口24能够为电子设备20创建与外界设备之间的数据传输通道,其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议,在此不对其进行具体限定;输入输出接口25,用于获取外界输入数据或向外界输出数据,其具体的接口类型可以根据具体应用需要进行选取,在此不进行具体限定。
另外,存储器22作为资源存储的载体,可以是只读存储器、随机存储器、磁盘或者光盘等,其上所存储的资源包括操作系统221、计算机程序222及包括磁悬浮系统历史运行数据在内的数据223等,存储方式可以是短暂存储或者永久存储。
其中,操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222,以实现处理器21对存储器22中海量数据223的运算与处理,其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的磁悬浮系统剩余使用寿命预测方法的计算机程序之外,还可以进一步包括能够用于完成其他特定工作的计算机程序。数据223可以包括电子设备20获取到的磁悬浮系统历史运行数据。
进一步的,本申请实施例还公开了一种计算机存储介质,所述计算机存储介质中存储有计算机可执行指令,所述计算机可执行指令被处理器加载并执行时,实现前述任一实施例公开的磁悬浮系统剩余使用寿命预测方法步骤。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种磁悬浮系统剩余使用寿命预测方法、装置、设备及介质进行了详细介绍,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 (10)
1.一种磁悬浮系统剩余使用寿命预测方法,其特征在于,包括:
从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;
计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;
基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;
利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值;
利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
2.根据权利要求1所述的磁悬浮系统剩余使用寿命预测方法,其特征在于,所述从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,包括:
从所述悬浮间隙信号的时域分量中提取均方根值、峰度、偏度、峰峰值、峰值指标、波形指标、脉冲指标、裕度指标、平均值、标准差和平方和中的任意一项或任意几项,并从所述悬浮间隙信号的频域分量中提取频谱峰度。
3.根据权利要求1所述的磁悬浮系统剩余使用寿命预测方法,其特征在于,所述基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征,包括:
利用基于最短距离的层次聚类法并根据所述特征集中的特征的单调性将所述特征集中的特征进行聚类,得到两类特征;
从所述两类特征中选择出单调性最明显的一类特征作为所述目标特征。
4.根据权利要求1所述的磁悬浮系统剩余使用寿命预测方法,其特征在于,所述利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值,包括:
对所述目标特征进行标准化处理得到相应的标准化特征值;
利用主成分分析法对所述目标特征进行处理得到所述目标特征对应的贡献度;
基于预设特征融合规则并利用所述标准化特征值和所述目标特征对应的贡献度计算得到所述目标磁悬浮系统对应的融合后特征值;
利用所述融合后特征值计算得到所述目标磁悬浮系统对应的健康指标阈值。
6.根据权利要求5所述的磁悬浮系统剩余使用寿命预测方法,其特征在于,所述基于T检验法并利用历史数据和所述线性预测函数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间,包括:
利用历史数据计算出不同时刻所述线性预测函数的目标参数;其中,所述目标参数包括斜率、截距和斜率方差;
基于T检验法并利用所述目标参数确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间。
7.根据权利要求1至6任一项所述的磁悬浮系统剩余使用寿命预测方法,其特征在于,所述基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命,包括:
在所述初始时间后,基于所述指数衰减模型和所述健康指标阈值预测所述目标磁悬浮系统在目标时间点对应的剩余使用寿命,得到目标预测寿命;
以所述目标预测寿命为中心构建预测向量;
基于所述预测向量计算得到相应的累积分布函数,并对所述累积分布函数对应的概率密度函数进行标准化处理,得到标准化概率密度函数;
将所述标准化概率密度函数的期望值作为所述磁悬浮系统的剩余使用寿命。
8.一种磁悬浮系统剩余使用寿命预测装置,其特征在于,包括:
特征获取模块,用于从目标磁悬浮系统的悬浮间隙信号中提取时域特征和频域特征,得到相应的特征集;
特征单调性确定模块,用于计算所述特征集中每个特征对应的斯皮尔曼等级相关系数,以确定每个特征的单调性;
目标特征确定模块,用于基于层次聚类法对所述特征集中的特征的单调性进行聚类,并从聚类结果中筛选出目标特征;
健康指标阈值确定模块,用于利用所述目标特征计算得到所述目标磁悬浮系统对应的健康指标阈值;
初始时间确定模块,用于利用预先构建的指数衰减模型确定出适合对所述目标磁悬浮系统启动寿命预测的初始时间;
预测模块,用于基于所述指数衰减模型并利用所述健康指标阈值和所述初始时间预测所述目标磁悬浮系统的剩余使用寿命。
9.一种电子设备,其特征在于,包括:
存储器,用于保存计算机程序;
处理器,用于执行所述计算机程序,以实现如权利要求1至7任一项所述的磁悬浮系统剩余使用寿命预测方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序;其中计算机程序被处理器执行时实现如权利要求1至7任一项所述的磁悬浮系统剩余使用寿命预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224667.1A CN112036051B (zh) | 2020-11-05 | 2020-11-05 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011224667.1A CN112036051B (zh) | 2020-11-05 | 2020-11-05 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036051A true CN112036051A (zh) | 2020-12-04 |
CN112036051B CN112036051B (zh) | 2021-01-26 |
Family
ID=73572734
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011224667.1A Active CN112036051B (zh) | 2020-11-05 | 2020-11-05 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036051B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214934A (zh) * | 2020-12-08 | 2021-01-12 | 中国人民解放军国防科技大学 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
CN112598287A (zh) * | 2020-12-25 | 2021-04-02 | 武汉烽火信息集成技术有限公司 | 一种轨道交通健康评估方法及系统 |
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
CN113359193A (zh) * | 2021-06-01 | 2021-09-07 | 中国人民解放军国防科技大学 | 金属探测方法、装置、设备以及计算机可读存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN109614647A (zh) * | 2018-11-09 | 2019-04-12 | 南京航空航天大学 | 一种基于贝叶斯网络的高铁牵引系统故障预测方法 |
CN110033105A (zh) * | 2019-04-18 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
US20200099224A1 (en) * | 2017-05-11 | 2020-03-26 | Bull Sas | Method of managing electricity providing in a computers cluster |
-
2020
- 2020-11-05 CN CN202011224667.1A patent/CN112036051B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
US20200099224A1 (en) * | 2017-05-11 | 2020-03-26 | Bull Sas | Method of managing electricity providing in a computers cluster |
CN109614647A (zh) * | 2018-11-09 | 2019-04-12 | 南京航空航天大学 | 一种基于贝叶斯网络的高铁牵引系统故障预测方法 |
CN110033105A (zh) * | 2019-04-18 | 2019-07-19 | 中国人民解放军国防科技大学 | 一种复杂工况下非平衡数据集的悬浮系统故障检测方法 |
CN110276416A (zh) * | 2019-07-02 | 2019-09-24 | 广东省智能机器人研究院 | 一种滚动轴承故障预测方法 |
Non-Patent Citations (3)
Title |
---|
WANG PING 等: "Prediction of the remaining useful life of middle-low speed maglev train braking system based on COA-LSSVR", 《2017 IEEE 13TH INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS》 * |
任治军 等: "磁悬浮列车转向架疲劳寿命功率谱预测法", 《机电工程技术》 * |
柏林 等: "面向轴承寿命预测的特征评估与模型优化", 《振动、测试与诊断》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214934A (zh) * | 2020-12-08 | 2021-01-12 | 中国人民解放军国防科技大学 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
CN112214934B (zh) * | 2020-12-08 | 2021-03-02 | 中国人民解放军国防科技大学 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
CN112598287A (zh) * | 2020-12-25 | 2021-04-02 | 武汉烽火信息集成技术有限公司 | 一种轨道交通健康评估方法及系统 |
CN113359193A (zh) * | 2021-06-01 | 2021-09-07 | 中国人民解放军国防科技大学 | 金属探测方法、装置、设备以及计算机可读存储介质 |
CN113357138A (zh) * | 2021-07-21 | 2021-09-07 | 中国人民解放军陆军工程大学 | 液压泵剩余使用寿命预测方法、装置及终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN112036051B (zh) | 2021-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036051B (zh) | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 | |
CN109815084B (zh) | 异常识别方法、装置和电子设备及存储介质 | |
CN110880984B (zh) | 基于模型的流量异常监测方法、装置、设备及存储介质 | |
US7107187B1 (en) | Method for modeling system performance | |
CN109143094B (zh) | 一种动力电池的异常数据检测方法和装置 | |
US20190163666A1 (en) | Assessment of machine learning performance with limited test data | |
CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
CN114297036B (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN110837683A (zh) | 电力系统暂态稳定的预测模型的训练及预测方法、装置 | |
WO2018112818A1 (zh) | 一种电池循环寿命的快速预测方法及其快速预测装置 | |
CN111080117A (zh) | 设备风险标签的构建方法、装置、电子设备及存储介质 | |
US11619674B2 (en) | State estimation method and state estimation apparatus | |
CN113868953B (zh) | 工业系统中多机组运行优化方法、装置、系统及存储介质 | |
US7617313B1 (en) | Metric transport and database load | |
CN116559667A (zh) | 模型训练方法及装置、电池检测方法及装置、设备、介质 | |
CN114924203A (zh) | 一种电池soh预测分析方法及电动汽车 | |
CN114564345A (zh) | 一种服务器异常检测方法、装置、设备及存储介质 | |
CN108521435B (zh) | 一种用户网络行为画像的方法及系统 | |
CN116010228A (zh) | 面向网络安全扫描的时间预估方法及装置 | |
JP5985328B2 (ja) | 蓄電池の残存価値格付け装置およびプログラム | |
CN115656834A (zh) | 一种电池容量预测方法、装置及电子设备 | |
CN110704614B (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
CN112149833A (zh) | 基于机器学习的预测方法、装置、设备和存储介质 | |
CN117148170B (zh) | 一种电池储能系统及其储能测试方法 |
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 |