CN112749453B - 基于改进svr的复杂设备剩余使用寿命预测方法 - Google Patents
基于改进svr的复杂设备剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN112749453B CN112749453B CN202011482300.XA CN202011482300A CN112749453B CN 112749453 B CN112749453 B CN 112749453B CN 202011482300 A CN202011482300 A CN 202011482300A CN 112749453 B CN112749453 B CN 112749453B
- Authority
- CN
- China
- Prior art keywords
- complex equipment
- complex
- time
- svr
- semi
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了基于改进SVR复杂设备剩余使用寿命预测,属于复杂设备寿命预测领域,预测结果中预测值与真实值很接近,波动趋势基本相同,这说明了半监督SVR保留了长期预测与利用历史数据的功能,且在性能方面表现更加出色,而相对于基于全局与局部预测的半监督SVR来说,半监督SVR在样本矩阵的组建方法上基本相同,但只需要进行一次全局预测的训练过程,大大地缩短了时间复杂度。实验验证了半监督SVR预测器同时具有几个优点:长期预测的能力,历史数据的充分利用,比较高的预测精度与少量的时间花费。其中在减少时间花费上的表现最为突出。
Description
技术领域
本发明涉及复杂设备寿命预测领域,尤其涉及基于改进SVR的复杂设备剩余使用寿命预测方法。
背景技术
随着工程设计、生产、组装、维修等技术的发展进步,工程中一些关键设备的可靠性得到了很大的提高,相应设备的寿命也大大延长。通常这类高可靠性、长寿命的设备的产量不高,并且价格昂贵。因此,应用传统的基于寿命数据的预测方法往往代价巨大。随着监测技术的迅速发展,状态监测数据(又叫退化数据)在可靠性评估中的应用越来越广泛,并且状态监测数据包含着更多的设备退化信息。因此,采用退化数据的寿命预测方法比采用寿命数据的方法更加受到专家学者的青睐。
设备的性能退化往往是由于其内部状态和外在工作环境共同作用的结果,并且往往表现出随机动态性。其中内部状态与使用材料有关,而外部工作环境则包括温度、适度、电磁环境、气压、振动等可能影响设备性能的因素。剩余寿命预测的结果是对设备进行检修、替换、部件订购等管理活动制定决策的基础,因此准确预测设备剩余寿命是最大化设备可靠性、最优化设备管理活动和最小化设备运行费用的关键。而要得到准确的剩余寿命预测结果,则应尽可能地将所有可能影响设备性能退化的因素考虑到所建立的退化模型中。
发明内容
本发明为解决上述问题,而提出的基于改进SVR复杂设备剩余使用寿命预测。
为了实现上述目的,本发明采用了如下技术方案:
基于改进SVR复杂设备剩余使用寿命预测,包括以下步骤;
S1、根据复杂设备可靠性、维修性和保障性函数建立复杂设备可靠性模型,其概率度量为“复杂设备完好率”;
S2、通过S1中建立的复杂设备可靠性模型,将时间序列数据变换成l×n维的历史数据样本矩阵XT;
S3、利用核函数K,将Xs映射成当前数据样本的(n×m)×n维核矩阵Ks,将XT映像成历史数据样本的(n×m)×n维的核矩阵KT;
S4、计算得到Λ,并对称半正定矩阵式中的Ω;
S5、设定参数C,ξ,ε,λ,并带入半监督SVR模型的优化函数中,求解二次规划问题,得到与b;
S6、将带入下式中得到/>此时得到预测器f=ωx+b;
S7、将数据带入预测器f,得到预测值Y,Y为一个行向量,即最终结果是一个长期预测结果。
优选地,所述S1中建立复杂设备可靠性模型时,首先建立复杂设备完成准备能进行运行的概率为:
Per=R(t)+[1-R(t)]·P(tc<td)
式中:R(t)为前次运行过程中无故障概率,t为运行过程持续时间;P(tc<td)为前次运行过程中发生故障后其维修时间小于再次运行投入使用前时间td概率;
其中从该系统执行前次运行后处于待修状态的瞬间开始计算,至下次运行命令到达前,该系统将充分恢复其规定状态的概率P(tc<td)为:
式中:m(tc)为维修时间概率密度函数;g(td)为两个任务时间间隔的概率密度函数;
将上述两式合并可得:
对于复杂设备的复杂系统,其故障可近似认为服从指数分布,而R(t)为前次运行过程中无故障概率,t为运行过程持续时间,所以:R(t)=e-λt
对于指数分布,由于:所以:/>
因此:
为计算复杂设备的完好率,假设前次运行发生故障且修理后执行第二次任务,再次发生故障于第二次任务结束以后,此时:
当δt→0时,
即完好率与可靠性参数MTBF、维修性参数MTTR及运行时间t关系的表达式为:
优选地,所述S1中机械可靠性模型的边界条件是:该模型边界条件是:在先前运行任务中没有发生现在需要修复的故障,系统是随时可以再次立即使用的;即使是发生了这类故障,只要其维修时间不超过再次下达运行命令投入使用前的时间,系统将能够随时迎接下一任务,机械完好率是对机械运行状态的直接量度,假设保障维修系统其他因素一定,机械使用维修保障费用与其机械完好率的关系的重要度最大。
优选地,所述S4中的对称半正定矩阵式如下:
式中:Ω是一个(n×m)×(n×m)的对称半正定矩阵;Ks为当前数据样本的(n×m)×n维的核矩阵,KT是历史数据样本的(n×m)×n维的核矩阵,[1]k×l是k×l维的单位矩阵。
优选地,所述S5中的半监督SVR模型的优化函数为:
式中,为(n×m)列的向量。
与现有技术相比,本发明提供了基于改进SVR复杂设备剩余使用寿命预测,具备以下有益效果:
1.本发明预测结果中预测值与真实值很接近,波动趋势基本相同,这说明了半监督SVR保留了长期预测与利用历史数据的功能,且在性能方面表现更加出色,而相对于基于全局与局部预测的半监督SVR来说,半监督SVR在样本矩阵的组建方法上基本相同,但只需要进行一次全局预测的训练过程,大大地缩短了时间复杂度。实验验证了半监督SVR预测器同时具有几个优点:长期预测的能力,历史数据的充分利用,比较高的预测精度与少量的时间花费。其中在减少时间花费上的表现最为突出。
附图说明
图1为本发明提出的基于改进SVR复杂设备剩余使用寿命预测的资料实验结果图;
图2为本发明提出的基于改进SVR复杂设备剩余使用寿命预测的资料实验结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
在本发明的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
实施例1:
基于改进SVR复杂设备剩余使用寿命预测,包括以下步骤;
S1、根据复杂设备可靠性、维修性和保障性函数建立复杂设备可靠性模型,其概率度量为“复杂设备完好率”;
S2、通过S1中建立的复杂设备可靠性模型,将时间序列数据变换成l×n维的历史数据样本矩阵XT;
S3、利用核函数K,将Xs映射成当前数据样本的(n×m)×n维核矩阵Ks,将XT映像成历史数据样本的(n×m)×n维的核矩阵KT;
S4、计算得到Λ,并对称半正定矩阵式中的Ω;
S5、设定参数C,ξ,ε,λ,并带入半监督SVR模型的优化函数中,求解二次规划问题,得到与b;
S6、将带入下式中得到/>此时得到预测器f=ωx+b;
S7、将数据带入预测器f,得到预测值Y,Y为一个行向量,即最终结果是一个长期预测结果。
进一步,优选地,S1中建立复杂设备可靠性模型时,首先建立复杂设备完成准备能进行运行的概率为:
Per=R(t)+[1-R(t)]·P(tc<td)
式中:R(t)为前次运行过程中无故障概率,t为运行过程持续时间;P(tc<td)为前次运行过程中发生故障后其维修时间小于再次运行投入使用前时间td概率;
其中从该系统执行前次运行后处于待修状态的瞬间开始计算,至下次运行命令到达前,该系统将充分恢复其规定状态的概率P(tc<td)为:
式中:m(tc)为维修时间概率密度函数;g(td)为两个任务时间间隔的概率密度函数;
将上述两式合并可得:
对于复杂设备的复杂系统,其故障可近似认为服从指数分布,而R(t)为前次运行过程中无故障概率,t为运行过程持续时间,所以:R(t)=e-λt
对于指数分布,由于:所以:/>
因此:
为计算复杂设备的完好率,假设前次运行发生故障且修理后执行第二次任务,再次发生故障于第二次任务结束以后,此时:
当δt→0时,
即完好率与可靠性参数MTBF、维修性参数MTTR及运行时间t关系的表达式为:
进一步,优选地,S1中机械可靠性模型的边界条件是:该模型边界条件是:在先前运行任务中没有发生现在需要修复的故障,系统是随时可以再次立即使用的;即使是发生了这类故障,只要其维修时间不超过再次下达运行命令投入使用前的时间,系统将能够随时迎接下一任务,机械完好率是对机械运行状态的直接量度,假设保障维修系统其他因素一定,机械使用维修保障费用与其机械完好率的关系的重要度最大。
进一步,优选地,S4中的对称半正定矩阵式如下:
式中:Ω是一个(n×m)×(n×m)的对称半正定矩阵;Ks为当前数据样本的(n×m)×n维的核矩阵,KT是历史数据样本的(n×m)×n维的核矩阵,[1]k×l是k×l维的单位矩阵。
进一步,优选地,S5中的半监督SVR模型的优化函数为:
式中,为(n×m)列的向量;
实施例2:
实验选取某一复杂设备的VI数据。训练资料采用了2019年8月份前1000条数据做为当前数据,采用2018年1月份第1001-1400共400条数据作为历史数据,将它们作为算法训练预测器过程的输入,得到的输出是2019年8月份第1001-1400条数据的预测值,然后与2019年8月份第1001-1400的400条实际数据进行比较分析;参数选择C=4,ξ=ξ*=0.0001,ε=0.05,λ=0.05,σ=2,预测误差表如下表1,预测误差图如图1;
表1
实施例3:
实验选取某一复杂设备的VI数据。训练资料采用了2008年6月份前1000条数据做为当前数据,采用2007年6月份第1001-1400共400条数据作为历史数据,将它们作为算法训练预测器过程的输入,得到的输出是2008年6月份第1001-1400条数据的预测值,然后与2008年6月份第1001-1400的400条实际数据进行比较分析;参数选择C=4,ξ=ξ*=0.0001,ε=0.05,λ=0.1,σ=2,预测误差表如下表2,预测误差图如图2;
表2
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,根据本发明的技术方案及其发明构思加以等同替换或改变,都应涵盖在本发明的保护范围之内。
Claims (4)
1.基于改进SVR的复杂设备剩余使用寿命预测方法,其特征在于:包括以下步骤;
S1、根据复杂设备可靠性、维修性和保障性函数建立复杂设备可靠性模型,其概率度量为“复杂设备完好率”;
建立复杂设备可靠性模型时,首先建立复杂设备完成准备能进行运行的概率为:
Per=R(t)+[1-R(t)]·P(tc<td)
式中:R(t)为前次运行过程中无故障概率,t为运行过程持续时间;
其中从该复杂设备的复杂系统执行前次运行后处于待修状态的瞬间开始计算,至下次运行命令到达前,该复杂设备的复杂系统将充分恢复其规定状态的概率P(tc<td)为:
式中:m(tc)为维修时间概率密度函数;g(td)为两个任务时间间隔的概率密度函数;
将上述两式合并可得:
对于复杂设备的复杂系统,其故障可认为服从指数分布,而R(t)为前次运行过程中无故障概率,t为运行过程持续时间,所以:R(t)=e-λt
对于指数分布,由于:所以:/>
因此:
为计算复杂设备的完好率,假设前次运行发生故障且修理后执行第二次任务,再次发生故障于第二次任务结束以后,此时:
当δt→0时,
即完好率与可靠性参数MTBF、维修性参数MTTR及运行时间t关系的表达式为:
S2、通过S1中建立的复杂设备可靠性模型,将时间序列数据变换成l×n维的历史数据样本矩阵XT;
S3、利用核函数K,将Xs映射成当前数据样本的(n×m)×n维核矩阵Ks,将XT映像成历史数据样本的(n×m)×n维的核矩阵KT;
S4、计算得到Λ,并对称半正定矩阵式中的Ω;
S5、设定参数C,ξ,ε,λ,并带入半监督SVR模型的优化函数中,求解二次规划问题,得到与b;
S6、将带入下式中得到/>此时得到预测器f=ωx+b;
S7、将当前数据和历史数据带入预测器f,得到预测值Y,Y为一个行向量,即最终结果是一个长期预测结果。
2.根据权利要求1所述的基于改进SVR的复杂设备剩余使用寿命预测方法,其特征在于:所述S1中复杂设备可靠性模型的边界条件是:在先前运行任务中没有发生现在需要修复的故障,系统是随时可以再次立即使用的;即使是发生了这类故障,只要其维修时间不超过再次下达运行命令投入使用前的时间,系统将能够随时迎接下一任务,复杂设备完好率是对复杂设备运行状态的直接量度,假设保障维修系统其他因素一定,复杂设备使用维修保障费用与其复杂设备完好率的关系的重要度最大。
3.根据权利要求1所述的基于改进SVR的复杂设备剩余使用寿命预测方法,其特征在于:所述S4中的对称半正定矩阵式如下:
式中:Ω是一个(n×m)×(n×m)的对称半正定矩阵;Ks为当前数据样本的(n×m)×n维的核矩阵,KT是历史数据样本的(n×m)×n维的核矩阵。
4.根据权利要求1所述的基于改进SVR的复杂设备剩余使用寿命预测方法,其特征在于:所述S5中的半监督SVR模型的优化函数为:
式中,为(n×m)列的向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482300.XA CN112749453B (zh) | 2020-12-16 | 2020-12-16 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011482300.XA CN112749453B (zh) | 2020-12-16 | 2020-12-16 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112749453A CN112749453A (zh) | 2021-05-04 |
CN112749453B true CN112749453B (zh) | 2023-10-13 |
Family
ID=75649214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011482300.XA Active CN112749453B (zh) | 2020-12-16 | 2020-12-16 | 基于改进svr的复杂设备剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112749453B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2687935A2 (en) * | 2012-07-20 | 2014-01-22 | National Cheng Kung University | Baseline predictive maintenance method for target device and computer program product thereof |
CN107578446A (zh) * | 2017-09-19 | 2018-01-12 | 中国人民解放军信息工程大学 | 一种遥感影像道路提取方法及装置 |
WO2019043600A1 (en) * | 2017-08-29 | 2019-03-07 | Emerson Electric (Us) Holding Corporation (Chile) Limitada | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR |
CN109708890A (zh) * | 2017-08-09 | 2019-05-03 | 西华大学 | 汽车变速器轴承中各零件寿命周期定量诊断方案 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
EP3716160A1 (en) * | 2019-03-26 | 2020-09-30 | Robert Bosch GmbH | Learning parameters of a probabilistic model comprising gaussian processes |
CN111859812A (zh) * | 2020-07-30 | 2020-10-30 | 南方电网科学研究院有限责任公司 | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 |
-
2020
- 2020-12-16 CN CN202011482300.XA patent/CN112749453B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2687935A2 (en) * | 2012-07-20 | 2014-01-22 | National Cheng Kung University | Baseline predictive maintenance method for target device and computer program product thereof |
CN109708890A (zh) * | 2017-08-09 | 2019-05-03 | 西华大学 | 汽车变速器轴承中各零件寿命周期定量诊断方案 |
WO2019043600A1 (en) * | 2017-08-29 | 2019-03-07 | Emerson Electric (Us) Holding Corporation (Chile) Limitada | ESTIMATOR OF REMAINING USEFUL LIFE ESTIMATOR |
CN107578446A (zh) * | 2017-09-19 | 2018-01-12 | 中国人民解放军信息工程大学 | 一种遥感影像道路提取方法及装置 |
CN110654948A (zh) * | 2018-06-29 | 2020-01-07 | 哈尔滨工业大学 | 一种无维保情况下的电梯安全剩余使用寿命确定方法 |
EP3716160A1 (en) * | 2019-03-26 | 2020-09-30 | Robert Bosch GmbH | Learning parameters of a probabilistic model comprising gaussian processes |
CN111859812A (zh) * | 2020-07-30 | 2020-10-30 | 南方电网科学研究院有限责任公司 | 天气影响下的海上风电场及柔直并网系统可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
《A deep learning model for short-term power load and probability density forecasting》;Zhifeng Guo等;《Energy》;20180726;第1186-1200页 * |
《基于指数平滑和改进增量SVR的齿轮寿命预测研究》;刘珍翔等;《机械传动》;20160802;第30-34页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112749453A (zh) | 2021-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110442936B (zh) | 基于数字孪生模型的设备故障诊断方法、装置及系统 | |
CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
CN110059337B (zh) | 基于Bayes多源数据融合的陀螺系统寿命预测方法 | |
Loutas et al. | Valve failure prognostics in reciprocating compressors utilizing temperature measurements, PCA-based data fusion, and probabilistic algorithms | |
Khoroshev et al. | Management support of electroengineering equipment servicing based on the actual technical condition | |
CN114282309B (zh) | 一种基于多目标代理模型的静叶调节机构系统可靠性分析方法 | |
CN112749453B (zh) | 基于改进svr的复杂设备剩余使用寿命预测方法 | |
CN113255584B (zh) | 一种基于边缘计算的故障诊断与监测系统 | |
CN111652310A (zh) | 基于Bagging框架SVM继电器贮存寿命预测方法 | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
Viola et al. | A self optimizing control framework and a benchmark for smart process control | |
CN117318033B (zh) | 一种结合数据孪生的电网数据管理方法及系统 | |
CN112489841A (zh) | 一种核电机组蒸汽发生器的水位容错控制方法 | |
CN112365099A (zh) | 一种非确定性分离的web服务器集群伸缩方法 | |
RU2703874C1 (ru) | Способ контроля и прогнозирования работы газотурбинной установки с использованием матрицы дефектов | |
Zhou | Failure trend analysis using time series model | |
Coble et al. | Identifying suitable degradation parameters for individual-based prognostics | |
CN117980840A (zh) | 用于基板处理的机器学习平台 | |
Jin et al. | A novel analytical redundancy method based on decision-level fusion for aero-engine sensors | |
Li et al. | System availability modelling and optimization considering multigeneral quality characteristics | |
Chen et al. | Decentralized maintenance for multistate systems with heterogeneous components | |
WO2021171156A1 (en) | Deep causal learning for advanced model predictive control | |
CN106528401B (zh) | 基于冗余结构的控制系统的拒动测试方法和装置 | |
CN114707428B (zh) | 数控机床不可观环节仿真方法、装置、终端及存储介质 |
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 |