CN112364567B - 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 - Google Patents
一种基于退化轨迹相似度一致检验的剩余寿命预测方法 Download PDFInfo
- Publication number
- CN112364567B CN112364567B CN202011299618.4A CN202011299618A CN112364567B CN 112364567 B CN112364567 B CN 112364567B CN 202011299618 A CN202011299618 A CN 202011299618A CN 112364567 B CN112364567 B CN 112364567B
- Authority
- CN
- China
- Prior art keywords
- curve
- health index
- similarity
- prediction reference
- segment
- 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
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
- 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
- G06F18/21—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
Abstract
本发明公开一种基于退化轨迹相似度一致检验的剩余寿命预测方法,该方法首先获取多个同类机械设备在相似运行工况下运行至失效的多传感器监测数据;对预处理后的多传感器检测数据提取表示向量,基于表示向量的距离构建目标健康指标曲线;训练线性回归器将多维传感器数据映射到完整的健康曲线;采用以上线性回归器将将该类在役机械设备已知的多传感器监测数据映射到一段不完整的健康指标曲线;将该曲线指定段的退化趋势与健康指标曲线库中的完整曲线段进行匹配;对完成匹配后的参考样本进行相似度一致性检验,通过检验后的匹配样本给出在役机械设备的最终剩余寿命值。本发明能准确预测相似设备群的健康状态,可广泛用于各类复杂机械设备中。
Description
技术领域
本发明涉及机械设备剩余寿命技术,尤其涉及一种基于退化轨迹相似度一致性检验的剩余寿命预测方法。
背景技术
工业自动化技术的飞速发展对关键机械设备的运行维护提出了更高的要求,视情维修技术取代传统的定期维护和故障维修技术,可根据机械设备的健康状态做出相应的维修策略,最大化机械生产效率和使用寿命。剩余寿命预测技术是视情维修技术中最为关键部分。相似机械设备群的运行状态监测是工业大数据背景下的重要场景,基于退化轨迹相似性的剩余寿命预测方法在该类场景下取得了较为成功的应用。但传统的基于退化轨迹相似性的模型在机械设备退化趋势不稳定的情况取得的预测效果不佳,因其在进行轨迹退化相似性的匹配过程中,只根据预测参考段的相似度情况给出预测参考样本,忽略了预测参考段与整体退化轨迹的一致性分析,导致了退化趋势不一致的参考样本给出较大的预测误差。本模型给出退化趋势一致性的衡量指标,剔除了退化轨迹不一致产生的伪相似参考样本,提升了该类算法在相似机械设备群视情维修场景下的剩余寿命预测性能。
发明内容
本发明目的是针对现有技术的不足,提供一种基于退化趋势一致性的剩余寿命预测算法,用于提升在相似机械设备群视情维修场景下的剩余寿命预测性能。具体技术方案如下:
一种基于退化轨迹相似度一致检验的机械设备剩余寿命预测方法,该方法分为离线训练阶段和在线监测阶段;
所述的离线训练阶段具体为:
(1)获取由多维传感器采集的n个同类机械设备运行至失效的状态监测数据,并对所述的状态监测数据按照运行工况进行归一化处理;
(2)采用滑动时间窗对归一化后的数据进行分段截取,得到不同时间段的时间窗数据,并将其采用无监督学习方法得到目标健康指标;
(3)采用所述的目标健康指标和归一化后的状态监测数据训练线性回归器,得到优化的线性回归器和n条原始健康指标曲线;
所述的在线监测阶段包括:
S1:获取在役的机械设备运行至当前阶段的状态监测数据,按运行工况进行归一化处理;并将其输入优化的线性回归器,得到在役设备健康指标曲线;
S2:采用滑动时间窗截取在役设备健康指标曲线,并将截取的时间窗曲线与离线阶段获得的n条原始健康指标曲线逐段进行相似度计算,选取每条原始健康指标曲线中与截取的时间窗数据相似度大于设定阈值的分段数据作为初步预测参考样本;
S3:将n个初步参考样本按照该类机械设备正常的退化规律拟合成n条平稳健康指标曲线,将步骤S2的在役设备健康指标曲线上截取的时间窗曲线参照每条平稳健康指标曲线进行上下游平移,得到上游曲线段和下游曲线段;计算上游曲线段和下游曲线段与n条原始健康指标曲线的对应部分的相似度,并计算伪相似度;选择满足伪相似度判据的初步预测参考样本作为最终预测参考样本;
S4:根据最终预测参考样本得到剩余寿命预测结果。
进一步地,所述的S2具体为:
S2.1:设定在役设备健康指标曲线的时间窗长度,并用该长度的时间窗分段截取所述的原始健康指标曲线,并计算原始健康指标曲线的多段时间窗内曲线与在役设备健康指标曲线的时间窗内曲线的欧式距离,选取欧式距离最小的某段原始健康指标曲线作为预测参考段,其起始点为to,计算每条原始健康指标曲线与在役设备健康指标曲线的相似度:
S2.2:将相似度满足如下关系的健康指标退化趋势曲线作为初步预测参考样本;
其中,γ为相似度筛选系数。
进一步地,所述的S3具体为:
其中,Δt是截取的在役设备健康指标曲线的时间窗的长度,EoLm是第m个初步预测参考样本运行至失效的时间;
S3.2:将每个初步预测参考样本按照该类机械设备正常的退化规律拟合成平稳健康指标曲线fhm;
S3.3:根据上下游滑动距离和将截取的在役设备健康指标曲线参照平稳健康指标曲线fhm进行平移,得到上游曲线段和下游曲线段,再将上游曲线段、下游曲线段与对应时间段的n条原始健康指标曲线进行相似度匹配,给出上下游段的相似度
S3.4:基于上、下游曲线段的相似度与预测参考段的相似度给出伪相似度αm:
S3.5:根据伪相似度αm的取值进行相似度一致性检验,选取αm<θ的初步预测参考样本作为最终预测参考样本;其中,θ为伪相似度阈值。
进一步地,所述的S4具体为:
S4.1:计算最终预测参考样本的预测参考段得到的剩余预测寿命值ERLm:
ERLm=EoLm-to-Δt
S4.2:计算在役设备最终的剩余寿命预测结果RUL:
进一步地,所述的离线训练阶段得到n条原始健康指标曲线后,将该曲线按照退化速率分为平台区和衰退区,对于平台区,采用统一值进行修正,对衰退区采用平滑处理的方式进行修正。
与现有技术相比,本发明的有益效果如下:
本发明的剩余寿命预测方法在完成相似度匹配后,对符合阈值条件的匹配样本采用相似度一致性检验,剔除与样本整体退化趋势不一致的伪相似样本,进一步提升参考样本的相似度,提升了模型在包含退化趋势不一致的参考样本下的剩余寿命预测性能,预测结果误差小,预测精度高。本发明的方法可广泛用于航空发动机、风力涡轮机、注塑机、压铸模具等复杂机械设备中。
附图说明
图1为本发明的实施流程图
图2是本发明获取目标健康指标流程图;
图3是本发明获取的目标健康指标结果图;
图4是本发明采用的一维卷积自编码器结构图;
图5是本发明的相似度一致性检验原理图;
图6是基于相似度一致性检验剔除伪相似样本结果图。
具体实施方式
下面根据附图和优选实施例详细描述本发明,本发明的目的和效果将变得更加明白,以下结合附图和实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
现有的基于相似性的剩余寿命预测过程包括两部分:离线建立健康指标曲线库和在线剩余寿命预测过程,最终得到剩余寿命预测结果。本发明在传统的流程的基础上,增加了相似度一致性检验的过程,对符合阈值条件的匹配样本采用相似度一致性检验,剔除与样本整体退化趋势不一致的伪相似样本,进一步提升参考样本的相似度,提升了模型在包含退化趋势不一致的参考样本下的剩余寿命预测性能。具体过程如图1所示:
一、离线训练阶段
(1)获取由多维传感器采集的n个同类机械设备运行至失效的状态监测数据,并对所述的状态监测数据按照运行工况进行归一化处理。
在本实施实例中,选取美国航空局NASA提供的航空发动机仿真数据集,该数据集基于MATLAB中的Simulink模块建立的C-MAPSS航空发动机仿真系统,通过该系统模拟计算出的不同初始退化状态的航空发动机的运行至失效过程的监测数据。该数据集由训练集和测试集组成,训练集中包含了全生命周期的数据,测试集中的发动机尚未运行至失效状态,故包含了部分生命周期的数据。将FD004测试集中序号为121发动机作为在役机械设备,根据FD004训练集中249个单元的运行至失效的多传感器监测数据进行剩余寿命预测过程。
(2)采用滑动时间窗对归一化后的数据进行分段截取,得到不同时间段的时间窗数据,并采用无监督学习方法得到目标健康指标,如图2所示,具体如下:
(2.1)采用一维卷积自编编码器对多维传感器数据进行无监督学习,获取重构输出。将重构过程中的编码值作为多维传感器数据的表示向量其中m表示训练单元的编号。如图3所示,在获取目标健康指标过程中,采用了基于一维卷积编码器的无监督学习方法,该卷积编码器包含了一维卷积编码器部分,编码部分和一维卷积解码器部分,将完成自编码器训练后的编码部分的输出作为表示向量.
(2.3)对于(2.2)中的目标健康指标,根据其退化趋势划分为平台区和衰退区,如图4所示,对于训练单元#34和#67的目标健康指标曲线,其平台区的数据采用统一值修正,对于衰退区的数据采用移动平均的方法进行平滑。
(4)对249条原始健康指标曲线进行平滑处理,并将每个处理后的原始健康指标曲线组成健康指标退化趋势曲线库。
二、在线监测阶段
(1)获取在役的机械设备运行至当前阶段的状态监测数据,按运行工况进行归一化处理;并将其输入优化的线性回归器,得到在役设备健康指标曲线;
(2)采用滑动时间窗截取在役设备健康指标曲线,并将截取的时间窗曲线与离线阶段获得的249条原始健康指标曲线逐段进行相似度计算,选取每条健康曲线中与截取的时间窗数据相似度大于设定阈值的分段数据作为初步预测参考样本;具体通过如下子步骤完成:
(2.1)设定在役设备健康指标曲线的时间窗长度Δt,并用该长度的时间窗分段截取所述的健康指标退化趋势曲线,并计算原始健康指标曲线的多段时间窗内曲线与在役设备健康指标曲线的时间窗内曲线的欧式距离,选取欧式距离最小的某段原始健康指标曲线作为预测参考段,其起始点为to,计算249条原始健康指标曲线与在役设备健康指标曲线的相似度
(2.2)将相似度满足如下关系的原始健康指标曲线作为初步预测参考样本;
其中,γ为相似度筛选系数。
(3)如图5所示,在获取了初步预测参考样本的基础上,采用相似度一致性检验可以考察预测参考段的退化趋势与其上游和下游段的相似度一致性情况,剔除初步预测参考样本中的伪相似样本,该过程包括以下内容:
(3.1)将每个原始健康指标曲线按照指数退化规律拟合成平稳健康指标曲线fhm,指数退化规律表达式如下:
y=(1-λ0)-λ1exp(λ2t+λ3)
其中,λ0为初始退化状态,λ1,λ2,λ3为指数退化曲线的参数,拟合过程基于最小二乘法规则。
其中,EoLm是第m个初步预测参考样本运行至失效的时间,
(3.3)根据上下游滑动距离和将截取的在役设备健康指标曲线参照平稳健康指标曲线fhm进行平移,得到上游曲线段和下游曲线段,再将上游曲线段、下游曲线段与对应时间段的249条原始健康指标曲线进行相似度匹配,给出上下游段的相似度
(3.4)基于上、下游曲线段的相似度与预测参考段的相似度给出伪相似度αm:
根据伪相似度αm的取值进行相似度一致性检验,选取αm<θ的初步预测参考样本作为最终预测参考样本,其中,伪相似度阈值θ为所有初步预测参考样本伪相似度值的75分位数。
(4)根据最终预测参考样本得到剩余寿命预测结果,具体如下:
(4.1)计算每个预测参考段的剩余预测寿命值集合{ERLm}:
ERLm=EoLm-to-Δt
(4.2)对(4.1)中的剩余寿命预测值集合采用3σ准则剔除异常值,得到正常范围内的剩余寿命预测值;
(4.3)基于正常范围内的剩余寿命预测值计算在役设备最终的剩余寿命预测结果RUL:
如图6所示,采用以上剩余寿命预测算法后,可剔除退化趋势不一致的伪相似样本。在传统的相似性匹配过程中,#7、#140、#179、#184单元的预测参考段的相似度较高(预测参考段用在图中用实线方框标出),但预测参考段与其上下游段的退化趋势不一致(上下游段在图中用虚线框标出),以上四个样本的剩余寿命预测结果分别为22、74、180、105,均与实际剩余寿命预测结果41有较大误差。采用了本发明的剩余寿命预测方法后,可计算出#7、#140、#179、#184四个样本的预测参考段的伪相似度值,并根据相似度一致性检验剔除以上四个伪相似度样本得到最终预测参考样本,基于最终预测参考样本的预测结果为46,预测误差为5。表1给出了以上两种预测方法的剩余寿命预测结果,基于初步预测参考样本给出的剩余寿命预测结果为65,模型预测误差为24,将初步预测参考样本中的四个伪相似样本剔除后,基于最终预测参考样本的剩余寿命预测精度得到了显著提升。
表1采用退化趋势一致性检验前后获取的匹配样本情况和剩余寿命预测值的表
Claims (4)
1.一种基于退化轨迹相似度一致检验的机械设备剩余寿命预测方法,其特征在于,该方法分为离线训练阶段和在线监测阶段;
所述的离线训练阶段具体为:
(1)获取由多维传感器采集的n个同类机械设备运行至失效的状态监测数据,并对所述的状态监测数据按照运行工况进行归一化处理;
(2)采用滑动时间窗对归一化后的数据进行分段截取,得到不同时间段的时间窗数据,并将其采用无监督学习方法得到目标健康指标;
(3)采用所述的目标健康指标和归一化后的状态监测数据训练线性回归器,得到优化的线性回归器和n条原始健康指标曲线;
所述的在线监测阶段包括:
S1:获取在役的机械设备运行至当前阶段的状态监测数据,按运行工况进行归一化处理;并将其输入优化的线性回归器,得到在役设备健康指标曲线;
S2:采用滑动时间窗截取在役设备健康指标曲线,并将截取的时间窗曲线与离线阶段获得的n条原始健康指标曲线逐段进行相似度计算,选取每条原始健康指标曲线中与截取的时间窗数据相似度大于设定阈值的分段数据作为初步预测参考样本;
S3:将n个初步预测参考样本按照该类机械设备正常的退化规律拟合成n条平稳健康指标曲线,将步骤S2的在役设备健康指标曲线上截取的时间窗曲线参照每条平稳健康指标曲线进行上下游平移,得到上游曲线段和下游曲线段;计算上游曲线段和下游曲线段与n条原始健康指标曲线的对应部分的相似度,并计算伪相似度;选择满足伪相似度判据的初步预测参考样本作为最终预测参考样本;
所述的S3具体为:
其中,Δt是截取的在役设备健康指标曲线的时间窗的长度,m为原始健康指标曲线的序号,EoL m 是第m个初步预测参考样本运行至失效的时间;
S3.2:将每个初步预测参考样本按照该类机械设备正常的退化规律拟合成平稳健康指标曲线fh m ;
S3.3:根据上下游滑动距离和将截取的在役设备健康指标曲线参照平稳健康指标曲线fh m 进行平移,得到上游曲线段和下游曲线段,再将上游曲线段、下游曲线段与对应时间段的n条原始健康指标曲线进行相似度匹配,给出上下游段的相似度,:
S4:根据最终预测参考样本得到剩余寿命预测结果。
4.根据权利要求1所述的基于退化轨迹相似度一致检验的机械设备剩余寿命预测方法,其特征在于,所述的离线训练阶段得到n条原始健康指标曲线后,将该曲线按照退化速率分为平台区和衰退区,对于平台区,采用统一值进行修正,对衰退区采用平滑处理的方式进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299618.4A CN112364567B (zh) | 2020-11-18 | 2020-11-18 | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011299618.4A CN112364567B (zh) | 2020-11-18 | 2020-11-18 | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112364567A CN112364567A (zh) | 2021-02-12 |
CN112364567B true CN112364567B (zh) | 2022-04-22 |
Family
ID=74532974
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011299618.4A Active CN112364567B (zh) | 2020-11-18 | 2020-11-18 | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364567B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115248757A (zh) * | 2021-04-26 | 2022-10-28 | 超聚变数字技术有限公司 | 一种硬盘健康评估方法和存储设备 |
CN113434970B (zh) * | 2021-06-01 | 2023-01-17 | 北京交通大学 | 一种机械设备的健康指标曲线提取和寿命预测方法 |
CN113609685B (zh) * | 2021-08-09 | 2023-04-07 | 电子科技大学 | 基于优化rvm和混合退化模型的轴承剩余寿命预测方法 |
CN114325400B (zh) * | 2021-11-24 | 2024-03-19 | 北京百度网讯科技有限公司 | 电池剩余寿命的确定方法、装置、电子设备及存储介质 |
CN114326593A (zh) * | 2021-12-16 | 2022-04-12 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测系统及方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7725293B2 (en) * | 2006-12-07 | 2010-05-25 | General Electric Company | System and method for equipment remaining life estimation |
US20170185733A1 (en) * | 2015-12-28 | 2017-06-29 | Medtronic Minimed, Inc. | Retrospective sensor systems, devices, and methods |
-
2020
- 2020-11-18 CN CN202011299618.4A patent/CN112364567B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102789545A (zh) * | 2012-07-12 | 2012-11-21 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
Two improvements of similarity-based residual life prediction methods;Gu MY等;《Journal of Intelligent Manufacturing》;20190131;全文 * |
基于多维特征参数的设备预诊及维护决策方法研究;孟悦;《中国博士学位论文全文数据库》;20200115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112364567A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364567B (zh) | 一种基于退化轨迹相似度一致检验的剩余寿命预测方法 | |
CN109146246B (zh) | 一种基于自动编码器和贝叶斯网络的故障检测方法 | |
CN111382542B (zh) | 一种面向全寿命周期的公路机电设备寿命预测系统 | |
CN107562696B (zh) | 轮胎产品质量在线检测与控制方法 | |
CN111637045B (zh) | 一种海洋平台空气压缩机故障诊断方法 | |
CN108363844B (zh) | 一种航空发动机启动过程排气温度预测方法 | |
CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
CN115618732B (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
CN114297918A (zh) | 基于全注意力深度网络和动态集成学习的航空发动机剩余寿命预测方法 | |
CN115824519B (zh) | 基于多传感器信息融合的阀门泄露故障综合诊断方法 | |
CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
CN115375026A (zh) | 一种多故障模式下的航空发动机寿命预测方法 | |
CN113703422B (zh) | 一种基于特征分析处理的燃气轮机气动执行机构故障诊断方法 | |
Pan et al. | A meta network pruning framework for remaining useful life prediction of rocket engine bearings with temporal distribution discrepancy | |
JP3108405B2 (ja) | 機器の診断方法 | |
CN111241629B (zh) | 基于数据驱动的飞机液压泵性能变化趋势智能预测方法 | |
CN112633362A (zh) | 一种旋转机械自适应故障诊断方法、装置、设备及介质 | |
CN116862284A (zh) | 基于som网络与规则融合的船用柴油机健康状态评估方法 | |
CN115081484A (zh) | 基于crj-oselm算法的航空发动机传感器故障诊断方法 | |
CN116028865A (zh) | 基于特征扩增的航空发动机故障诊断方法 | |
CN116204781A (zh) | 旋转机械故障迁移诊断方法及系统 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和系统 | |
CN114970698A (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
CN116127398B (zh) | 一种基于机理模型与多源数据融合的液压泵故障诊断方法 | |
Cao et al. | Bearing remaining useful life prediction based on optimized support vector regression model with denoising technique |
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 |