CN112214934A - 一种基于多传感器的悬浮系统寿命预测方法及相关装置 - Google Patents
一种基于多传感器的悬浮系统寿命预测方法及相关装置 Download PDFInfo
- Publication number
- CN112214934A CN112214934A CN202011420989.3A CN202011420989A CN112214934A CN 112214934 A CN112214934 A CN 112214934A CN 202011420989 A CN202011420989 A CN 202011420989A CN 112214934 A CN112214934 A CN 112214934A
- Authority
- CN
- China
- Prior art keywords
- measurement data
- suspension system
- calculating
- condition information
- prediction
- 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
- 239000000725 suspension Substances 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000005259 measurement Methods 0.000 claims abstract description 141
- 230000036541 health Effects 0.000 claims abstract description 81
- 238000006731 degradation reaction Methods 0.000 claims abstract description 69
- 230000015556 catabolic process Effects 0.000 claims description 62
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 9
- 238000003064 k means clustering Methods 0.000 claims description 7
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 10
- 238000005339 levitation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于多传感器的悬浮系统寿命预测方法，包括获取预测数据集；对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；根据工况信息计算每个工况信息的平均值和标准差值；根据平均值和标准差值对每个测量数据标准化；在对测量数据标准化后，根据测量数据计算健康指标；根据健康指标计算悬浮系统的剩余使用寿命。通过先对操作条件进行聚类生成工况信息，在基于各个工况信息对测量数据进行标准化，可以消除不同操作条件的影响，增加测量中显示退化过程的数据趋势，从而可以增加悬浮系统剩余寿命预测的准确性。本发明还提供了一种装置、设备以及存储介质，同样具有上述有益效果。
Description
技术领域
本发明涉及悬浮系统寿命预测技术领域，特别是涉及一种基于多传感器的悬浮系统寿命预测方法、一种基于多传感器的悬浮系统寿命预测装置、一种基于多传感器的悬浮系统寿命预测设备以及一种计算机可读存储介质。
背景技术
随着磁浮列车的大面积普及，磁浮列车悬浮系统的安全可靠运行也越来越受到关注。在磁浮列车运行过程中，一旦悬浮系统发生故障，必然导致机毁人亡。如果能在悬浮系统故障发生前对其进行剩余寿命预测，将很大程度上避免这类事情发生。
磁浮列车的悬浮系统属于复杂系统，而复杂系统通常由许多组件组成并且具有复杂的结构，导致其故障的物理过程变得复杂且难以捕获，因此通常难以为该复杂系统建立基于物理的精确模型。同时，由于不同操作条件的影响，在每次运行至失败的测量中显示退化过程的数据趋势也不明显。如果直接使用这些数据，则很难获得理想的预测结果。
因此，如何准确实现悬浮系统的剩余寿命预测是目前急需解决的问题。
发明内容
本发明的目的是提供一种基于多传感器的悬浮系统寿命预测方法，可以准确实现悬浮系统的剩余寿命预测；本发明的另一目的在于提供一种基于多传感器的悬浮系统寿命预测装置、一种基于多传感器的悬浮系统寿命预测设备以及一种计算机可读存储介质，可以准确实现悬浮系统的剩余寿命预测。
为解决上述技术问题，本发明提供一种基于多传感器的悬浮系统寿命预测方法，包括：
获取预测数据集；所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器；
对所述预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；
根据所述工况信息计算每个所述工况信息的平均值和标准差值；
根据所述平均值和所述标准差值对每个所述测量数据标准化；
在对所述测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；
调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标；
根据所述健康指标计算所述悬浮系统的剩余使用寿命。
可选的，所述对所述预测数据集内的操作条件进行聚类包括：
通过k-均值聚类模型对所述预测数据集内的操作条件进行聚类。
可选的，所述根据所述工况信息计算每个所述工况信息的平均值和标准差值包括：
计算任一所述操作条件与任一所述工况信息所对应的聚类中心之间的距离参数；
根据所述距离参数确定任一所述测量数据所对应的工况信息；
根据所述测量数据计算任一所述工况信息中，每一种所述传感器对应的测量数据的平均值和标准差值。
可选的，所述根据所述平均值和所述标准差值对每个所述测量数据标准化包括：
根据任一所述测量数据对应传感器的所述平均值以及所述标准差值计算标准化后的测量数据。
可选的，所述在对所述测量数据标准化后，通过线性退化模型选取符合预设条件测量数据作为待使用测量数据包括：
在对所述测量数据标准化后，调用线性退化模型，根据标准化后的所述测量数据计算每个所述传感器对应的斜率绝对值；
选择所述斜率绝对值中最大的斜率绝对值，以及与最大的斜率绝对值的比值大于预设比值的斜率绝对值所对应的传感器作为待使用传感器；
将所述待使用传感器对应的测量数据作为所述待使用测量数据。
可选的，在所述调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标之前，还包括：
调用多个待选取退化模型，分别计算所述待使用测量数据得到对应的待选取健康指标；
调用皮尔逊相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的皮尔逊相关系数，并调用斯皮尔曼秩相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的斯皮尔曼秩相关系数；
根据所述皮尔逊相关系数和所述斯皮尔曼秩相关系数选取最相关的待选取退化模型作为所述健康指标退化模型。
可选的，所述根据所述健康指标计算所述悬浮系统的剩余使用寿命包括：
计算所述健康指标之间的相似度；
根据所述相似度的大小将对应的所述待使用测量数据从大到小排列成一队列，并在所述队列中从前往后选取预设数量个所述待使用测量数据；
通过核平滑模型拟合预设数量个所述待使用测量数据，得到概率分布的中位数，将所述中位数作为所述悬浮系统的剩余使用寿命。
本发明还提供了一种基于多传感器的悬浮系统寿命预测装置，包括：
获取模块：用于获取预测数据集；所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器；
聚类模块：用于对所述预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；
计算模块：用于根据所述工况信息计算每个所述工况信息的平均值和标准差值；
标准化模块：用于根据所述平均值和所述标准差值对每个所述测量数据标准化；
选取模块：用于在对所述测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；
健康指标模块：用于调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标；
RUL模块：用于根据所述健康指标计算所述悬浮系统的剩余使用寿命。
本发明还提供了一种基于多传感器的悬浮系统寿命预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任意一项所述基于多传感器的悬浮系统寿命预测方法的步骤。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任意一项所述基于多传感器的悬浮系统寿命预测方法的步骤。
本发明所提供的一种基于多传感器的悬浮系统寿命预测方法，包括获取预测数据集；预测数据集包括多个传感器分别对应多种操作条件下的测量数据，传感器为测量悬浮系统各个参数的传感器；对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；根据工况信息计算每个工况信息的平均值和标准差值；根据平均值和标准差值对每个测量数据标准化；在对测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；调用预设的健康指标退化模型，根据待使用测量数据计算健康指标；根据健康指标计算悬浮系统的剩余使用寿命。
通过先对操作条件进行聚类生成工况信息，在基于各个工况信息对测量数据进行标准化，可以消除不同操作条件的影响，增加测量中显示退化过程的数据趋势，从而可以增加悬浮系统剩余寿命预测的准确性。
本发明还提供了一种基于多传感器的悬浮系统寿命预测装置、一种基于多传感器的悬浮系统寿命预测设备以及一种计算机可读存储介质，同样具有上述有益效果，在此不再进行赘述。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，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的介绍，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为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测方法的流程图；
图2为本发明实施例所提供的一种具体的基于多传感器的悬浮系统寿命预测方法的流程图；
图3为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测装置的结构框图；
图4为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测设备的结构框图。
具体实施方式
本发明的核心是提供一种基于多传感器的悬浮系统寿命预测方法。在现有技术中，由于不同操作条件的影响，在每次运行至失败的测量中显示退化过程的数据趋势也不明显。如果直接使用这些数据，则很难获得理想的预测结果。
而本发明所提供的一种基于多传感器的悬浮系统寿命预测方法，包括获取预测数据集；预测数据集包括多个传感器分别对应多种操作条件下的测量数据，传感器为测量悬浮系统各个参数的传感器；对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；根据工况信息计算每个工况信息的平均值和标准差值；根据平均值和标准差值对每个测量数据标准化；在对测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；调用预设的健康指标退化模型，根据待使用测量数据计算健康指标；根据健康指标计算悬浮系统的剩余使用寿命。
通过先对操作条件进行聚类生成工况信息，在基于各个工况信息对测量数据进行标准化，可以消除不同操作条件的影响，增加测量中显示退化过程的数据趋势，从而可以增加悬浮系统剩余寿命预测的准确性。
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
请参考图1，图1为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测方法的流程图。
参见图1，在本发明实施例中，基于多传感器的悬浮系统寿命预测方法包括：
S101：获取预测数据集。
在本发明实施例中，所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器。假设同一操作条件下传感器数据的分布是一个超球体，由于操作条件不同导致不同操作条件下的数据差异较大，对应的超球体的半径肯定不同。根据退化定律，在三个连续采样时间所采集到的传感器数据，其所对应的健康指标（HI）应该逐渐变小。但是由于操作条件的不同，可能会使得上述健康指标并非依次减小，使得测量数据的退化趋势不明显，从而很难根据上述测量数据对悬浮系统寿命进行准确预测。在本发明实施例中，上述悬浮系统的各个参数通常包括：悬浮间隙、电流、电压、加速度、列车速度等。有关悬浮系统的参数的种类可以视具体情况而定，在此不做具体限定。
上述预测数据集即用于预测悬浮系统寿命的数据集，该数据集通常包括有多个传感器，每个传感器在不同操作条件下的对应测量数据，且上述测量数据通常还会沿测量时间点的先后顺序进行排列，即上述测量数据通常还会对应不同的时间点。上述数据集通常包括多条数据样本，而每条训练样本通常包括某一传感器在某一类操作条件下，在对应时间所产生的测量数据。
上述操作条件即驾驶磁浮列车时，驾驶员会执行的具体操作，有关上述操作条件、传感器具体种类等具体内容可以根据实际情况自行设定，在此不做具体限定。在本步骤中，有关获取预测数据集的具体方式可以根据实际情况自行设定，在此不做具体限定。
S102：对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息。
在本步骤中需要对上述预测数据集内的操作条件进行聚类，有关聚类方法的具体内容可以参考现有技术，在此不再进行赘述。在本发明实施例中，会将聚类结果作为工况信息在下述步骤中使用。
S103：根据工况信息计算每个工况信息的平均值和标准差值。
在本步骤中，通常需要先计算上述预测数据集内各条数据样本具体属于哪个工况信息，在根据上述预测数据集的测量数据计算每个工况信息所对应的平均值和标准差值，通常需要计算各个工况信息所对应的每种传感器的平均值和标准差值，以便在后续步骤中根据该平均值和标准差值对测量数据进行标准化。
S104：根据平均值和标准差值对每个测量数据标准化。
有关标准化的具体过程将在下述发明实施例中做详细介绍，在此不再进行赘述。
S105：在对测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据。
在上述S104中对测量数据进行标准化之后，通过标准化的测量数据可以看出某些传感器测量值的退化趋势。而在本步骤中，需要去除退化趋势不明显的传感器所对应的测量数据以保证建立准确的悬浮系统健康指标。有关本步骤的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。
S106：调用预设的健康指标退化模型，根据待使用测量数据计算健康指标。
有关健康指标退化模型的选取将在下述发明实施例中做详细介绍，在此不再进行赘述。在本步骤中，通常会基于健康指标退化模型计算预测数据集中每一条训练样本所对应的健康指标，即HI。
S107：根据健康指标计算悬浮系统的剩余使用寿命。
有关计算悬浮系统的剩余使用寿命，即RUL估计的具体内容将在下述发明实施例中做详细介绍，在此不再进行赘述。
本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测方法，包括获取预测数据集；预测数据集包括多个传感器分别对应多种操作条件下的测量数据，传感器为测量悬浮系统各个参数的传感器；对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；根据工况信息计算每个工况信息的平均值和标准差值；根据平均值和标准差值对每个测量数据标准化；在对测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；调用预设的健康指标退化模型，根据待使用测量数据计算健康指标；根据健康指标计算悬浮系统的剩余使用寿命。
通过先对操作条件进行聚类生成工况信息，在基于各个工况信息对测量数据进行标准化，可以消除不同操作条件的影响，增加测量中显示退化过程的数据趋势，从而可以增加悬浮系统剩余寿命预测的准确性。
有关本发明所提供的一种基于多传感器的悬浮系统寿命预测方法的具体内容将在下述发明实施例中做详细介绍。
请参考图2，图2为本发明实施例所提供的一种具体的基于多传感器的悬浮系统寿命预测方法的流程图。
参见图2，在本发明实施例中，基于多传感器的悬浮系统寿命预测方法包括：
S201：获取预测数据集。
本步骤与上述发明实施例中S101基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。
S202：通过k-均值聚类模型对预测数据集内的操作条件进行聚类，将聚类结果作为工况信息。
有关k-均值聚类模型的具体内容可以参考现有技术，在此不再进行赘述。由于在现阶段关k-均值聚类模型在聚类时可能会产生局部最优解，相应的在本步骤中通常需要在不同的初始条件下多次重复调用k-均值聚类模型进行聚类，并以最低的成本选择聚类结果。
S203：计算任一操作条件与任一工况信息所对应的聚类中心之间的距离参数。
在本发明实施例中，由于工况信息为S202中的聚类结果，相应的该工况信息会具有一对应的聚类中心。在本步骤中，需要计算预测数据集中任一操作条件与上述任一聚类中心之间的距离参数，以便在下述步骤中根据该距离参数确定该操作条件及其对应的训练样本所属哪一个工况信息，即聚类中心。
S204：根据距离参数确定任一测量数据所对应的工况信息。
上述距离参数均对应一测量数据，任一测量数据与上述各个聚类中心均有具有一距离参数。在本步骤中，会根据上述距离参数，将测量数据归属于距离最近的聚类中心，即根据距离参数确定任一测量数据所对应的工况信息。此时，任一工况信息通常会对应多个传感器，以及各个传感器所对应的测量数据。
S205：根据测量数据计算任一工况信息中，每一种传感器对应的测量数据的平均值和标准差值。
有关平均值和标准差值的具体计算步骤可以参考现有技术，在此不再进行赘述。在本步骤中，具体会计算任一工况信息中，每一种传感器对应的测量数据的平均值和标准差值。
S206：根据任一测量数据对应传感器的平均值以及标准差值计算标准化后的测量数据。
在本步骤中，通常需要调用标准化模型，根据任一测量数据对应传感器的平均值以及标准差值计算标准化后的测量数据；所述标准化模型为：
其中所述
为标准化后的所述测量数据，
为标准化前的所述测量数据；所述
第
个工况信息中所述测量数据对应传感器的平均值，所述
第
个工况信息中所述测量数据对应传感器的标准差值。
在本步骤中，当标准差值
接近于0时，则标准化后的测量数据大体为0，因为几乎恒定的测量数据对悬浮系统寿命预测没有用处。在本发明实施例中，通常需要针对每一种工况信息对各个传感器对应的测量数据进行标准化。
S207：在对测量数据标准化后，调用线性退化模型，根据标准化后的测量数据计算每个传感器对应的斜率绝对值。
在本发明实施例中，线性退化模型的表达式为：
其中
为线性退化模型的输出值，即某一传感器对应的预估测量值，恒定的
为线性退化模型的截距，
为线性退化模型的斜率，且被建模为具有正态分布的随机变量，
是建模为具有0均值的模型加性噪声，
为时间。在本步骤中，会基于上述线性退化模型的斜率
，计算每个传感器对应的斜率绝对值。
S208：选择斜率绝对值中最大的斜率绝对值，以及与最大的斜率绝对值的比值大于预设比值的斜率绝对值所对应的传感器作为待使用传感器。
在本步骤中，首选会计算一阈值
，以根据该阈值
选取上述斜率绝对值大于阈值
的传感器作为待使用传感器，该阈值
的表达式为：
其中
为上述斜率绝对值中最大的斜率绝对值，而
为一个用于确定阈值的常数。当某一斜率绝对值大于阈值
时，意味着该斜率绝对值与最大的斜率绝对值的比值大于预设比值。
S209：将待使用传感器对应的测量数据作为待使用测量数据。
在本步骤中，会将上述确定的待使用传感器对应的测量数据作为待使用测量数据，以在下述步骤中根据待使用测量数据对悬浮系统的寿命进行预测。
S210：调用多个待选取退化模型，分别计算待使用测量数据得到对应的待选取健康指标。
在本发明实施例中，假定所有传感器采集的数据均以健康状况开始，然后将开始时的健康指标设置为1，将失效时的健康指标设置为0。为了尽可能保证悬浮系统寿命预测的准确性，在本发明实施例中会对使用的退化模型进行选择。
在本步骤中，需要预先设置多个待选取退化模型，通过每个待选取退化模型分别对上述待使用测量数据进行运算，得到各个待选取退化模型所对应的待选取健康指标。通常情况下，每个待选取退化模型均会对每一条待使用测量数据计算一待选取健康指标。
S211：调用皮尔逊相关分析模型计算待选取健康指标与待使用测量数据之间的皮尔逊相关系数，并调用斯皮尔曼秩相关分析模型计算待选取健康指标与待使用测量数据之间的斯皮尔曼秩相关系数。
皮尔逊相关分析模型在现阶段是最常用的线性相关分析模型，在本步骤中会计算待选取健康指标与待使用测量数据之间的皮尔逊相关系数，皮尔逊相关分析模型被定义为：
其中
为皮尔逊相关系数，
为某一待选取退化模型计算得到的待选取健康指标，
为待使用测量数据，均值
，均值
，n为每列数据的长度。
皮尔逊相关系数的值可以在-1至1的范围内。-1的值指示完美的负相关，而值1则指示完美的正相关。值为0表示各列之间没有相关性。当相关系数的值在0到 1之间时，表示两个变量之间存在关系，并且
的绝对值越大，相关性越强。
斯皮尔曼秩相关分析模型是两个变量是否严格单调的度量。在本步骤中会计算待选取健康指标与待使用测量数据之间的斯皮尔曼秩相关系数，斯皮尔曼秩相关系数
等同于
和
的秩的皮尔逊相关系数。如果每一列数据中的所有秩都不同，则该斯皮尔曼秩相关分析模型简化为：
其中D是两列数据的秩之间的差值，n为每列数据的长度。斯皮尔曼秩相关系数的值可以在-1到1之间。当该斯皮尔曼秩相关系数的值在0到 1之间时，表示两个变量之间存在关系，并且
的绝对值越大，相关性越强。
S212：根据皮尔逊相关系数和斯皮尔曼秩相关系数选取最相关的待选取退化模型作为健康指标退化模型。
在本步骤中，会根据上述S211计算得到的皮尔逊相关系数斯皮尔曼秩相关系数选取最相关的待选取退化模型，以作为实际用于计算健康指标的退化模型。
S213：调用预设的健康指标退化模型，根据待使用测量数据计算健康指标。
本步骤与上述发明实施例中S106基本一致，详细内容请参考上述发明实施例，在此不再进行赘述。
假如通过上述步骤选择的健康指标退化模型为二阶多项式模型，二阶多项式模型的表达式为：
其中，
是第j个健康指标HI识别的二阶多项式，第j个健康指标中
、
和
为使用非线性最小二乘法估计的模型参数，t为时间。
S214：计算健康指标之间的相似度。
在本步骤中，通常会下述公式计算健康指标之间的相似度：
其中
为相似度，
为第i个健康指标与第j个健康指标之间的距离，该距离可以通过残差的1范数来计算。有关该距离的具体计算过程可以参考现有技术，在此不再进行赘述。
S215：根据相似度的大小将对应的待使用测量数据从大到小排列成一队列，并在队列中从前往后选取预设数量个待使用测量数据。
在本步骤中，会根据上述S214计算得到的相似度选取相似度最高的预设数量个待使用测量数据，例如50个上述相似度最高的待使用测量数据。有关上述预测数量的具体数值在本发明实施例中不做具体限定，视具体情况而定。
S216：通过核平滑模型拟合预设数量个待使用测量数据，得到概率分布的中位数，将中位数作为悬浮系统的剩余使用寿命。
核平滑模型即核平滑方法所调用的模型，有关核平滑模型与核平滑方法的具体内容可以参考现有技术，在此不再进行赘述。在本步骤中，会将通过核平滑模型拟合上述选取的待使用测量数据的中位数作为悬浮系统的剩余使用寿命。实验结果证明，上述过程对于估算悬浮系统的剩余使用寿命RUL是实用且有效的，并且当可用参考数据越来越多时，即上述预测数据集越充实时，上述流程所得的悬浮系统寿命的准确性会快速提高。
本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测方法，通过先对操作条件进行聚类生成工况信息，在基于各个工况信息对测量数据进行标准化，可以消除不同操作条件的影响，增加测量中显示退化过程的数据趋势，从而可以增加悬浮系统剩余寿命预测的准确性。
下面对本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测装置进行介绍，下文描述的悬浮系统寿命预测装置与上文描述的悬浮系统寿命预测方法可相互对应参照。
请参考图3，图3为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测装置的结构框图。
参见图3，在本发明实施例中，基于多传感器的悬浮系统寿命预测装置可以包括：
获取模块100：用于获取预测数据集；所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器。
聚类模块200：用于对所述预测数据集内的操作条件进行聚类，将聚类结果作为工况信息。
计算模块300：用于根据所述工况信息计算每个所述工况信息的平均值和标准差值。
标准化模块400：用于根据所述平均值和所述标准差值对每个所述测量数据标准化。
选取模块500：用于在对所述测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据。
健康指标模块600：用于调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标。
RUL模块700：用于根据所述健康指标计算所述悬浮系统的剩余使用寿命。
作为优选的，在本发明实施例中，所述聚类模块200具体用于：
通过k-均值聚类模型对所述预测数据集内的操作条件进行聚类。
作为优选的，在本发明实施例中，所述计算模块300包括：
距离参数单元：用于计算任一所述操作条件与任一所述工况信息所对应的聚类中心之间的距离参数。
工况确定单元：用于根据所述距离参数确定任一所述测量数据所对应的工况信息。
计算单元：用于根据所述测量数据计算任一所述工况信息中，每一种所述传感器对应的测量数据的平均值和标准差值。
作为优选的，在本发明实施例中，标准化模块400具体用于：
根据任一所述测量数据对应传感器的所述平均值以及所述标准差值计算标准化后的测量数据。
作为优选的，在本发明实施例中，选取模块500包括：
斜率绝对值计算单元：用于在对所述测量数据标准化后，调用线性退化模型，根据标准化后的所述测量数据计算每个所述传感器对应的斜率绝对值。
传感器选择单元：用于选择所述斜率绝对值中最大的斜率绝对值，以及与最大的斜率绝对值的比值大于预设比值的斜率绝对值所对应的传感器作为待使用传感器。
测量数据选择单元：用于将所述待使用传感器对应的测量数据作为所述待使用测量数据。
作为优选的，在本发明实施例中，还包括：
带选取模块：用于调用多个待选取退化模型，分别计算所述待使用测量数据得到对应的待选取健康指标；
相关系数计算模块：用于调用皮尔逊相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的皮尔逊相关系数，并调用斯皮尔曼秩相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的斯皮尔曼秩相关系数；
相关性选取模块：用于根据所述皮尔逊相关系数和所述斯皮尔曼秩相关系数选取最相关的待选取退化模型作为所述健康指标退化模型。
作为优选的，在本发明实施例中，RUL模块700包括：
相似度单元：用于计算所述健康指标之间的相似度。
相似度选取单元：用于根据所述相似度的大小将对应的所述待使用测量数据从大到小排列成一队列，并在所述队列中从前往后选取预设数量个所述待使用测量数据。
中位数单元：用于通过核平滑模型拟合预设数量个所述待使用测量数据，得到概率分布的中位数，将所述中位数作为所述悬浮系统的剩余使用寿命。
本实施例的基于多传感器的悬浮系统寿命预测装置用于实现前述的悬浮系统寿命预测方法，因此悬浮系统寿命预测装置中的具体实施方式可见前文中悬浮系统寿命预测方法的实施例部分，例如，获取模块100，聚类模块200，计算模块300，标准化模块400，选取模块500，健康指标模块600，RUL模块700分别用于实现上述基于多传感器的悬浮系统寿命预测方法中步骤S101至S107，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
下面对本发明实施例提供的一种基于多传感器的悬浮系统寿命预测设备进行介绍，下文描述的悬浮系统寿命预测设备与上文描述的悬浮系统寿命预测方法以及悬浮系统寿命预测装置可相互对应参照。
请参考图4，图4为本发明实施例所提供的一种基于多传感器的悬浮系统寿命预测设备的结构框图。
参照图4，该基于多传感器的悬浮系统寿命预测设备可以包括处理器11和存储器12。
所述存储器12用于存储计算机程序；所述处理器11用于执行所述计算机程序时实现上述发明实施例中所述的基于多传感器的悬浮系统寿命预测方法。
本实施例的基于多传感器的悬浮系统寿命预测设备中处理器11用于安装上述发明实施例中所述的基于多传感器的悬浮系统寿命预测装置，同时处理器11与存储器12相结合可以实现上述任一发明实施例中所述的基于多传感器的悬浮系统寿命预测方法。因此悬浮系统寿命预测设备中的具体实施方式可见前文中的悬浮系统寿命预测方法的实施例部分，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一发明实施例中所介绍的一种基于多传感器的悬浮系统寿命预测方法。其余内容可以参照现有技术，在此不再进行展开描述。
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。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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基于多传感器的悬浮系统寿命预测方法、一种基于多传感器的悬浮系统寿命预测装置、一种基于多传感器的悬浮系统寿命预测设备以及一种计算机可读存储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。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种基于多传感器的悬浮系统寿命预测方法，其特征在于，包括：
获取预测数据集；所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器；
对所述预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；
根据所述工况信息计算每个所述工况信息的平均值和标准差值；
根据所述平均值和所述标准差值对每个所述测量数据标准化；
在对所述测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；
调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标；
根据所述健康指标计算所述悬浮系统的剩余使用寿命。
2.根据权利要求1所述的方法，其特征在于，所述对所述预测数据集内的操作条件进行聚类包括：
通过k-均值聚类模型对所述预测数据集内的操作条件进行聚类。
3.根据权利要求2所述的方法，其特征在于，所述根据所述工况信息计算每个所述工况信息的平均值和标准差值包括：
计算任一所述操作条件与任一所述工况信息所对应的聚类中心之间的距离参数；
根据所述距离参数确定任一所述测量数据所对应的工况信息；
根据所述测量数据计算任一所述工况信息中，每一种所述传感器对应的测量数据的平均值和标准差值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述平均值和所述标准差值对每个所述测量数据标准化包括：
根据任一所述测量数据对应传感器的所述平均值以及所述标准差值计算标准化后的测量数据。
5.根据权利要求1所述的方法，其特征在于，所述在对所述测量数据标准化后，通过线性退化模型选取符合预设条件测量数据作为待使用测量数据包括：
在对所述测量数据标准化后，调用线性退化模型，根据标准化后的所述测量数据计算每个所述传感器对应的斜率绝对值；
选择所述斜率绝对值中最大的斜率绝对值，以及与最大的斜率绝对值的比值大于预设比值的斜率绝对值所对应的传感器作为待使用传感器；
将所述待使用传感器对应的测量数据作为所述待使用测量数据。
6.根据权利要求1所述的方法，其特征在于，在所述调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标之前，还包括：
调用多个待选取退化模型，分别计算所述待使用测量数据得到对应的待选取健康指标；
调用皮尔逊相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的皮尔逊相关系数，并调用斯皮尔曼秩相关分析模型计算所述待选取健康指标与所述待使用测量数据之间的斯皮尔曼秩相关系数；
根据所述皮尔逊相关系数和所述斯皮尔曼秩相关系数选取最相关的待选取退化模型作为所述健康指标退化模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述健康指标计算所述悬浮系统的剩余使用寿命包括：
计算所述健康指标之间的相似度；
根据所述相似度的大小将对应的所述待使用测量数据从大到小排列成一队列，并在所述队列中从前往后选取预设数量个所述待使用测量数据；
通过核平滑模型拟合预设数量个所述待使用测量数据，得到概率分布的中位数，将所述中位数作为所述悬浮系统的剩余使用寿命。
8.一种基于多传感器的悬浮系统寿命预测装置，其特征在于，包括：
获取模块：用于获取预测数据集；所述预测数据集包括多个传感器分别对应多种操作条件下的测量数据，所述传感器为测量悬浮系统各个参数的传感器；
聚类模块：用于对所述预测数据集内的操作条件进行聚类，将聚类结果作为工况信息；
计算模块：用于根据所述工况信息计算每个所述工况信息的平均值和标准差值；
标准化模块：用于根据所述平均值和所述标准差值对每个所述测量数据标准化；
选取模块：用于在对所述测量数据标准化后，通过线性退化模型选取符合预设条件的测量数据作为待使用测量数据；
健康指标模块：用于调用预设的健康指标退化模型，根据所述待使用测量数据计算健康指标；
RUL模块：用于根据所述健康指标计算所述悬浮系统的剩余使用寿命。
9.一种基于多传感器的悬浮系统寿命预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任意一项所述基于多传感器的悬浮系统寿命预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述基于多传感器的悬浮系统寿命预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011420989.3A CN112214934B (zh) | 2020-12-08 | 2020-12-08 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011420989.3A CN112214934B (zh) | 2020-12-08 | 2020-12-08 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112214934A true CN112214934A (zh) | 2021-01-12 |
| CN112214934B CN112214934B (zh) | 2021-03-02 |
Family
ID=74068159
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011420989.3A Active CN112214934B (zh) | 2020-12-08 | 2020-12-08 | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112214934B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021744A (zh) * | 2021-10-22 | 2022-02-08 | 华能(浙江)能源开发有限公司清洁能源分公司 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
| CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
| CN118376893A (zh) * | 2024-06-19 | 2024-07-23 | 华东交通大学 | 一种燃弧定位检测系统及其控制方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196392A (zh) * | 2007-12-13 | 2008-06-11 | 西南交通大学 | 磁悬浮列车用车轨间隙传感器 |
| US20130251502A1 (en) * | 2012-03-20 | 2013-09-26 | World Heart Corporation | Method and Apparatus for Sensing of Levitated Rotor Position |
| CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
| CN103728883A (zh) * | 2014-01-14 | 2014-04-16 | 渤海大学 | 无位置传感器主动控制型磁悬浮系统的控制方法 |
| US20140261054A1 (en) * | 2013-03-14 | 2014-09-18 | Daryl Oster | Evacuated tube transport system with interchange capability |
| CN107862763A (zh) * | 2017-11-06 | 2018-03-30 | 中国人民解放军国防科技大学 | 列车安全预警评估模型训练方法、模块及监测评估系统 |
| CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
| CN112036051A (zh) * | 2020-11-05 | 2020-12-04 | 中国人民解放军国防科技大学 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
-
2020
- 2020-12-08 CN CN202011420989.3A patent/CN112214934B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101196392A (zh) * | 2007-12-13 | 2008-06-11 | 西南交通大学 | 磁悬浮列车用车轨间隙传感器 |
| US20130251502A1 (en) * | 2012-03-20 | 2013-09-26 | World Heart Corporation | Method and Apparatus for Sensing of Levitated Rotor Position |
| US20140261054A1 (en) * | 2013-03-14 | 2014-09-18 | Daryl Oster | Evacuated tube transport system with interchange capability |
| CN103488881A (zh) * | 2013-09-06 | 2014-01-01 | 中国人民解放军第二炮兵工程大学 | 一种不确定退化测量数据下的设备剩余寿命预测方法 |
| CN103728883A (zh) * | 2014-01-14 | 2014-04-16 | 渤海大学 | 无位置传感器主动控制型磁悬浮系统的控制方法 |
| CN209085657U (zh) * | 2017-08-02 | 2019-07-09 | 强力物联网投资组合2016有限公司 | 用于与化工生产工艺有关的或工业环境的数据收集系统 |
| CN107862763A (zh) * | 2017-11-06 | 2018-03-30 | 中国人民解放军国防科技大学 | 列车安全预警评估模型训练方法、模块及监测评估系统 |
| CN112036051A (zh) * | 2020-11-05 | 2020-12-04 | 中国人民解放军国防科技大学 | 磁悬浮系统剩余使用寿命预测方法、装置、设备及介质 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114021744A (zh) * | 2021-10-22 | 2022-02-08 | 华能(浙江)能源开发有限公司清洁能源分公司 | 设备的剩余使用寿命的确定方法、装置和电子设备 |
| CN116702510A (zh) * | 2023-08-01 | 2023-09-05 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
| CN116702510B (zh) * | 2023-08-01 | 2023-10-20 | 聊城市誉林工业设计有限公司 | 基于工业信息和数据处理的换向器超速性能仿真计算方法 |
| CN118376893A (zh) * | 2024-06-19 | 2024-07-23 | 华东交通大学 | 一种燃弧定位检测系统及其控制方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112214934B (zh) | 2021-03-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112214934B (zh) | 一种基于多传感器的悬浮系统寿命预测方法及相关装置 | |
| CN108052770B (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
| EP1416348B1 (en) | Methodology for temporal fault event isolation and identification | |
| CN111460392B (zh) | 一种磁悬浮列车及其列车的悬浮系统故障检测方法和系统 | |
| CN111639798A (zh) | 智能的预测模型选择方法及装置 | |
| CN112414694B (zh) | 基于多元状态估计技术的设备多级异常状态识别方法及装置 | |
| CN112683535B (zh) | 基于多阶段维纳过程的轴承寿命预测方法 | |
| US12079303B2 (en) | Degradation detection system | |
| US7949497B2 (en) | Machine condition monitoring using discontinuity detection | |
| CN116047164A (zh) | 一种电动汽车绝缘电阻异常的检测方法和检测装置 | |
| CN115098962A (zh) | 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 | |
| CN110308713A (zh) | 一种基于k近邻重构的工业过程故障变量识别方法 | |
| CN115128441A (zh) | 一种断路器电寿命预测及健康状态评估方法 | |
| CN113112123B (zh) | 一种基于关联矩阵的飞机航电系统故障诊断评估方法 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
| CN117092541B (zh) | 一种直流充电大数据计算电池健康的分析方法 | |
| CN117591986A (zh) | 基于人工智能的汽车数据实时处理方法 | |
| CN111474476B (zh) | 一种电机故障预测方法 | |
| CN109840386B (zh) | 基于因子分析的损伤识别方法 | |
| CN112070535A (zh) | 电动汽车价格预测方法和装置 | |
| CN116679221A (zh) | 一种电池异常检测、电池维护管理方法和装置 | |
| Li et al. | A similarity-based and model-based fusion prognostics framework for remaining useful life prediction | |
| CN113473124B (zh) | 信息获取方法、装置、电子设备及存储介质 | |
| CN118568683B (zh) | 一种非稳态运行设备寿命预测方法、装置及相关设备 | |
| CN114676384B (zh) | 一种基于粒子滤波的性能状态百分位值估计方法 |
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 |