CN112396215A - 一种设备剩余寿命自适应区间智能预测方法 - Google Patents

Abstract

本发明公开了一种设备剩余寿命自适应区间智能预测方法，包括下列步骤：S1、获取设备的运行数据，所述运行数据包括设备的运行时间以及设备的历史运维信息；S2、根据运行数据对设备当前所属的寿命周期阶段进行判断；S3、根据设备当前的状态，选择相对应的剩余寿命预测模型，对设备的剩余寿命进行预测。本发明的一种设备剩余寿命自适应区间智能预测方法将设备的寿命周期进行阶段的划分，每一阶段设备寿命的影响因子均不同，通过判断设备当前所属的寿命周期阶段来选择相对应的剩余寿命预测模型对设备的剩余寿命进行预测，提高了设备剩余寿命预测的精准性。

Description

一种设备剩余寿命自适应区间智能预测方法

技术领域

本发明涉及设备剩余寿命预测技术领域，尤其涉及一种设备剩余寿命自适应区间智能预测方法。

背景技术

在使用机器，工具，设备或系统进行生产时，退化过程往往是不可避免的并且是不可逆的。由于退化而导致的机器意外故障可能会导致严重后果，例如生产过程中的意外停产，发生安全隐患，经济损失和交货延迟等。因此，监控健康状况并预测剩余使用寿命至关重要，为了防止意外故障并确保系统/过程的可靠性。但是现有的设备剩余寿命预测方法并没有考虑到设备的寿命周期存在不同的阶段，每个阶段的影响设备的寿命的影响因数不同，对每个阶段都用同一种模型进行剩余寿命的预测，导致设备剩余寿命的预测精准度较差。

例如，中国专利文献CN105225010A公开了“一种基于可靠性的变压器设备寿命评估方法”，包括：确定变压器设备故障率的基本变化曲线；对故障率基本变化曲线进行分段拟合，求得故障率基本变化曲线的参数；确定设备在检修过后的故障率变化曲线；考虑设备健康状况的影响，对变压器设备故障率的基本变化曲线进行修正，得到变压器设备的实际故障率变化曲线；根据变压器设备的实际故障率变化曲线分别确定设备的总寿命年限及目前剩余的寿命。上述专利的不足之处在于并没有考虑到设备的寿命周期存在不同的阶段，每个阶段的影响设备的寿命的影响因数不同，对每个阶段都用同一种模型进行剩余寿命的预测，导致设备剩余寿命的预测精准度较差。

发明内容

本发明主要解决原有的设备剩余寿命预测方法预测精准度较差的技术问题；提供一种设备剩余寿命自适应区间智能预测方法，将设备的寿命周期进行阶段的划分，每一阶段设备寿命的影响因子均不同，通过判断设备当前所属的寿命周期阶段来选择相对应的剩余寿命预测模型对设备的剩余寿命进行预测，提高了设备剩余寿命预测的精准性。

本发明的上述技术问题主要是通过下述技术方案得以解决的：本发明包括下列步骤：

S1、获取设备的运行数据，所述运行数据包括设备的运行时间以及设备的历史运维信息；

S2、根据运行数据对设备当前所属的寿命周期阶段进行判断；

S3、根据设备当前的状态，选择相对应的剩余寿命预测模型，对设备的剩余寿命进行预测。

设备寿命周期的故障率曲线分为磨合期、偶发故障期和损耗故障期，每一阶段设备寿命的影响因子均不同，因此将设备的寿命周期进行阶段的划分，通过判断设备当前所属的寿命周期阶段来选择相对应的剩余寿命预测模型对设备的剩余寿命进行预测，提高了设备剩余寿命预测的精准性。

作为优选，所述的步骤S2中，根据运行数据对设备当前的状态进行判断，包括下列步骤：

S21、基于设备的故障率特性曲线，将设备的寿命周期划分成初期、中期和晚期三个阶段；

S22、计算设备的故障率λ，

S23、统计n个同类设备在T₁到T₂时间段内的平均故障率

其中，λ_i表示同类设备的个数在T₁到T₂时间段内的故障率，T₁为设备的寿命周期从初期阶段进入到中期阶段的划分时间点，T₂为设备的寿命周期从中期阶段进入到晚期阶段的划分时间点，

S23、对设备当前所属的寿命周期阶段进行判断：

当T≤T₁且

设备当前所属的寿命周期为初期，

当T≤T₂且

设备当前所属的寿命周期为中期，

当T≥T₂且

设备当前所属的寿命周期为晚期，

其中T为设备的运行时间。

设备寿命周期的故障率曲线分为3个阶段，故设备的寿命周期也相应的划分为3个阶段。

作为优选，所述的步骤S2还包括步骤S24、对运行时间T内的设备的故障类型进行判别，若故障类型为重大故障类型，则判断设备当前所属的寿命周期为晚期。

当设备发生重大故障类型时，这类故障对设备的损伤是不可逆转和不可弥补的，因此需要将设备当前所属的寿命周期判断为晚期，防止因判断失误导致无法准确的对设备剩余寿命进行预测，对后续的生产运行造成重大损失。

作为优选，所述的重大故障类型包括：A)在规定的时间内，设备的负荷变化率超过设定的标准阈值；B)在运行过程中，设备的实际负荷值与设备的额定负荷值的比值小于设定的标准阈值；C)设备因超荷运行导致零部件变形断裂。

规定时间内设备负荷急剧变化、设备长期运行在超负荷状态或长期运行在低负荷状态，这些情况都表明设备出现了重大故障。

作为优选，所述的步骤S3中，根据设备当前的状态，选择相对应的剩余寿命预测函数，对设备的剩余寿命进行预测，包括下列步骤：

S31、计算各寿命周期阶段所对应的失效因子μ(t，j)，其中t表示时刻，j∈(1,2,3)，j＝1为寿命周期的初期，j＝2为寿命周期的中期，j＝3为寿命周期的晚期；

S32、根据剩余寿命预测模型y(t)＝inf{t_k|μ(t_k,j)≥μ₀}-t，预测设备的剩余寿命，

其中inf{}表示下确界，μ₀为失效因子的预设阈值，当μ(t，j)大于等于预设阈值μ₀则设备失效无法满足正常工作。

由于各个阶段设备寿命的影响因子均不同，因此每个寿命周期阶段的各个时刻所对应的失效因子也是不同的，计算获取失效因子大于预设阈值时的最小时刻值，在将该时刻值减去设备的运行时间即获取设备的剩余寿命。

作为优选，所述的寿命周期为初期时所对应的失效因子μ(t，1)的获取方法包括：

其中，θ(α,c)为t时刻内发生的故障影响因子，β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值。

寿命周期为初期时，此时是设备的磨合期，发生的故障，主要是由设计、制造上的缺陷，安装、调整或使用环境的不当所造成的，其主要影响因素就是设备发生的故障对设备的影响。

作为优选，所述的寿命周期为中期时所对应的失效因子μ(t，2)的获取方法包括：

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,H为设备工作环境影响因子，S为设备易损件替换影响因子，B为设备定期保养影响因子，a₁，a₂，a₃分别为设备工作环境影响因子、设备易损件替换影响因子和设备定期保养影响因子的影响权重系数。

寿命周期为中期时，此时是设备的平稳运行期，其主要影响因素就是设备的工作环境、设备是否定期保养以及设备易损件的替换对设备整体的平衡性的破坏，不同的设备上述影响因素的影响权重不同。

作为优选，所述的寿命周期为晚期时所对应的失效因子μ(t，3)的获取方法包括：

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,Z_S为设备自身噪声影响因子，Z_D为设备自身振动影响因子，a₄，a₅分别为设备自身噪声影响因子和设备自身振动影响因子的影响权重系数。

寿命周期为晚期时，此时是设备的加速损耗期，其主要影响因素就是设备自身的噪声和振动，不同的设备上述影响因素的影响权重不同。

作为优选，所述的t时刻内发生的故障影响因子

其中，α为t时刻内发生故障类型所对应的严重程度等级，c为t时刻内各故障类型所发生的次数。

作为优选，所述的t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值β_t的获取方法包括：

1)计算t时刻内各个时刻设备所发生的故障率，并绘制成故障率曲线；

2)将t时刻平均分成N个节段；

3)通过公式计算拟合差值β_t：

β_t＝∑β_i

其中，β_i＝0，当Δs≤St,

β_i＝1，当Δs＞St,

Δs为每一节段中设备的故障率曲线所对应的面积与预设的故障率曲线所对应的面积之差，St为Δs所对应的判断阈值，i＝1,2，3…N。

将故障率曲线平均分成N个节段，计算每一节段中设备的故障率曲线所对应的面积与预设的故障率曲线所对应的面积之差，当面积之差超过设定的判断阈值时，说明该节段的拟合差值较大，则该段所对应的拟合差值为1，反之，则说明该节段的拟合差值较小或不存在，则该段所对应的拟合差值为0，t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值为N个节段的拟合差值之和。

本发明的有益效果是：根据设备寿命周期的故障率曲线的阶段划分，对设备的寿命周期进行阶段的划分，通过判断设备当前所属的寿命周期阶段，每一阶段对设备寿命的影响因子均不同，当设备当前所属的寿命周期阶段不同时，其所对应的失效因子的计算模型不同，由此提高了设备剩余寿命预测的精准性。

附图说明

图1是本发明的一种方法流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：本实施例的一种设备剩余寿命自适应区间智能预测方法，如图1所示，包括下列步骤：

S1、获取设备的运行数据，所述运行数据包括设备的运行时间以及设备的历史运维信息；

S2、根据运行数据对设备当前所属的寿命周期阶段进行判断：

S21、基于设备的故障率特性曲线，将设备的寿命周期划分成初期、中期和晚期三个阶段；

S22、计算设备的故障率λ，

S23、统计n个同类设备在T₁到T₂时间段内的平均故障率

其中，λ_i表示同类设备的个数在T₁到T₂时间段内的故障率，T₁为设备的寿命周期从初期阶段进入到中期阶段的划分时间点，T₂为设备的寿命周期从中期阶段进入到晚期阶段的划分时间点，

S23、对设备当前所属的寿命周期阶段进行判断：

当T≤T₁且

设备当前所属的寿命周期为初期，

当T≤T₂且

设备当前所属的寿命周期为中期，

当T≥T₂且

设备当前所属的寿命周期为晚期，

其中T为设备的运行时间；

步骤S24、对运行时间T内的设备的故障类型进行判别，若故障类型为重大故障类型，则判断设备当前所属的寿命周期为晚期，重大故障类型包括：A)在规定的时间内，设备的负荷变化率超过设定的标准阈值；B)在运行过程中，设备的实际负荷值与设备的额定负荷值的比值小于设定的标准阈值；C)设备因超荷运行导致零部件变形断裂；

S3、根据设备当前的状态，选择相对应的剩余寿命预测模型，对设备的剩余寿命进行预测：

S31、计算各寿命周期阶段所对应的失效因子，其中t表示时刻，，j＝1为寿命周期的初期，j＝2为寿命周期的中期，j＝3为寿命周期的晚期：

寿命周期为初期时所对应的失效因子μ(t，1)的获取方法包括：

其中，θ(α,c)为t时刻内发生的故障影响因子，

α为t时刻内发生故障类型所对应的严重程度等级，c为t时刻内各故障类型所发生的次数，β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值；

寿命周期为中期时所对应的失效因子μ(t，2)的获取方法包括：

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,H为设备工作环境影响因子，S为设备易损件替换影响因子，B为设备定期保养影响因子，a₁，a₂，a₃分别为设备工作环境影响因子、设备易损件替换影响因子和设备定期保养影响因子的影响权重系数；

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,Z_S为设备自身噪声影响因子，Z_D为设备自身振动影响因子，a₄，a₅分别为设备自身噪声影响因子和设备自身振动影响因子的影响权重系数；

t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值β_t的获取方法包括：

1)计算t时刻内各个时刻设备所发生的故障率，并绘制成故障率曲线；

2)将t时刻平均分成N个节段；

3)通过公式计算拟合差值β_t：

β_t＝∑β_i

其中，β_i＝0，当Δs≤St,

β_i＝1，当Δs＞St,

Δs为每一节段中设备的故障率曲线所对应的面积与预设的故障率曲线所对应的面积之差，St为Δs所对应的判断阈值，i＝1,2，3…N；

S32、根据剩余寿命预测模型，预测设备的剩余寿命，

其中inf{}表示下确界，为失效因子的预设阈值，当大于等于预设阈值则设备失效无法满足正常工作。

根据设备寿命周期的故障率曲线的阶段划分，对设备的寿命周期进行阶段的划分，通过判断设备当前所属的寿命周期阶段，每一阶段对设备寿命的影响因子均不同，寿命周期为初期时，此时是设备的磨合期，发生的故障，主要是由设计、制造上的缺陷，安装、调整或使用环境的不当所造成的，其主要影响因素就是设备发生的故障对设备的影响，寿命周期为中期时，此时是设备的平稳运行期，其主要影响因素就是设备的工作环境、设备是否定期保养以及设备易损件的替换对设备整体的平衡性的破坏，寿命周期为晚期时，此时是设备的加速损耗期，其主要影响因素就是设备自身的噪声和振动，不同的设备上述影响因素的影响权重不同，当设备当前所属的寿命周期阶段不同时，其所对应的失效因子的计算模型不同，由此提高了设备剩余寿命预测的精准性。

Claims (10)

1.一种设备剩余寿命自适应区间智能预测方法，其特征在于，

包括下列步骤：

S1、获取设备的运行数据，所述运行数据包括设备的运行时间以及设备的历史运维信息；

S2、根据运行数据对设备当前所属的寿命周期阶段进行判断；

S3、根据设备当前的状态，选择相对应的剩余寿命预测模型，对设备的剩余寿命进行预测。

2.根据权利要求1所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

步骤S2中，根据运行数据对设备当前的状态进行判断，包括下列步骤：

S21、基于设备的故障率特性曲线，将设备的寿命周期划分成初期、中期和晚期三个阶段；

S22、计算设备的故障率λ，

S23、统计n个同类设备在T₁到T₂时间段内的平均故障率

其中，λ_i表示同类设备的个数在T₁到T₂时间段内的故障率，T₁为设备的寿命周期从初期阶段进入到中期阶段的划分时间点，T₂为设备的寿命周期从中期阶段进入到晚期阶段的划分时间点，

S23、对设备当前所属的寿命周期阶段进行判断：

当T≤T₁且

设备当前所属的寿命周期为初期，

当T≤T₂且

设备当前所属的寿命周期为中期，

当T≥T₂且

设备当前所属的寿命周期为晚期，

其中T为设备的运行时间。

3.根据权利要求2所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

还包括步骤S24、对运行时间T内的设备的故障类型进行判别，若故障类型为重大故障类型，则判断设备当前所属的寿命周期为晚期。

4.根据权利要求3所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

所述的重大故障类型包括：A)在规定的时间内，设备的负荷变化率超过设定的标准阈值；B)在运行过程中，设备的实际负荷值与设备的额定负荷值的比值小于设定的标准阈值；C)设备因超荷运行导致零部件变形断裂。

5.根据权利要求1所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

步骤S3中，根据设备当前的状态，选择相对应的剩余寿命预测函数，对设备的剩余寿命进行预测，包括下列步骤：

S31、计算各寿命周期阶段所对应的失效因子μ(t，j)，其中t表示时刻，j∈(1,2,3)，j＝1为寿命周期的初期，j＝2为寿命周期的中期，j＝3为寿命周期的晚期；

S32、根据剩余寿命预测模型y(t)＝inf{t_k|μ(t_k,j)≥μ₀}-t，预测设备的剩余寿命，

其中inf{}表示下确界，μ₀为失效因子的预设阈值，当μ(t，j)大于等于预设阈值μ₀则设备失效无法满足正常工作。

6.根据权利要求5所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

寿命周期为初期时所对应的失效因子μ(t，1)的获取方法包括：

其中，θ(α,c)为t时刻内发生的故障影响因子，β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值。

7.根据权利要求5所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

寿命周期为中期时所对应的失效因子μ(t，2)的获取方法包括：

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,H为设备工作环境影响因子，S为设备易损件替换影响因子，B为设备定期保养影响因子，a₁，a₂，a₃分别为设备工作环境影响因子、设备易损件替换影响因子和设备定期保养影响因子的影响权重系数。

8.根据权利要求5所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

寿命周期为晚期时所对应的失效因子μ(t，3)的获取方法包括：

其中,β_t为t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值,Z_S为设备自身噪声影响因子，Z_D为设备自身振动影响因子，a₄，a₅分别为设备自身噪声影响因子和设备自身振动影响因子的影响权重系数。

9.根据权利要求6所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，

所述t时刻内发生的故障影响因子

其中，α为t时刻内发生故障类型所对应的严重程度等级，c为t时刻内各故障类型所发生的次数。

10.根据权利要求6或7或8所述的一种设备剩余寿命自适应区间智能预测方法，其特征在于，t时刻内设备的故障率曲线与预设的故障率曲线的拟合差值β_t的获取方法包括：

1)计算t时刻内各个时刻设备所发生的故障率，并绘制成故障率曲线；

2)将t时刻平均分成N个节段；

3)通过公式计算拟合差值β_t：

β_t＝∑β_i

其中，β_i＝0，当Δs≤St,

β_i＝1，当Δs＞St,

Δs为每一节段中设备的故障率曲线所对应的面积与预设的故障率曲线所对应的面积之差，St为Δs所对应的判断阈值，i＝1,2，3…N。

Images