CN112949057A - 一种融合失效寿命数据的设备剩余寿命预测方法 - Google Patents
一种融合失效寿命数据的设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN112949057A CN112949057A CN202110222526.4A CN202110222526A CN112949057A CN 112949057 A CN112949057 A CN 112949057A CN 202110222526 A CN202110222526 A CN 202110222526A CN 112949057 A CN112949057 A CN 112949057A
- Authority
- CN
- China
- Prior art keywords
- equipment
- degradation
- life
- regression model
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000006731 degradation reaction Methods 0.000 claims abstract description 97
- 230000015556 catabolic process Effects 0.000 claims abstract description 73
- 238000005259 measurement Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims description 32
- 238000012544 monitoring process Methods 0.000 claims description 10
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000009795 derivation Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 239000012467 final product Substances 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 238000013398 bayesian method Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 230000005653 Brownian motion process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006467 substitution reaction 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
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明属于可靠性工程技术领域,涉及一种融合失效寿命数据的剩余寿命预测方法。该方法包括以下步骤:步骤1:建立不完美先验信息条件下的设备性能退化模型;步骤2:估计离线参数;步骤3:在线更新参数;步骤4:预测剩余寿命。本发明给出了一种融合失效寿命数据的剩余寿命预测方法,同时考虑了单元间可变性和测量误差的影响,不仅可以对设备的个体寿命和总体可靠性寿命特征量进行预测分析,还可以作为预测设备剩余寿命的一种有效分析工具,为设备基于状态的维修保障提供有力的理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,有很好的工程应用价值。
Description
技术领域
本发明属于可靠性工程技术领域,具体涉及一种融合失效寿命数据的设备剩余寿命预测方法。
背景技术
在实际工程应用中,系统随机退化过程中往往存在先验信息不够准确,甚至缺乏先验信息的情况,即不完美先验信息。当出现不完美先验信息时,剩余寿命预测精度也随之降低。为了克服不完美先验信息对剩余寿命预测的影响,提高剩余寿命预测精度,针对不存在先验退化信息的情况,研究寿命数据与退化参数之间的关系,提出一种融合失效寿命数据的剩余寿命预测方法。
发明内容
本发明的目的是:提供一种充分利用设备失效寿命数据和现场退化信息克服不完美先验信息的影响,科学预测高可靠性设备个体寿命和总体寿命特征量,以解决不完美先验信息情况下设备的剩余寿命预测问题。
本发明采用的技术方案是:
一种融合失效寿命数据的设备剩余寿命预测方法,包括以下步骤:
步骤1:建立不完美先验信息条件下的设备的性能退化模型;
步骤2:离线估计模型先验参数;
步骤3:在线更新参数;
步骤4:预测设备剩余寿命。
优选的,上述步骤1中,在基于贝叶斯理论的剩余寿命预测方法需要的先验信息有:退化模型中表示模型共性特征的固定参数和表示样本个体差异的随机参数的先验信息;下面则分别针对线性和非线性两种随机系数回归模型,建立设备的性能退化模型,当潜在性能退化过程超过失效阈值ω时,即认为设备失效;
(1)线性随机系数回归模型
线性随机系数回归模型表达如下:
X(t)=x0+λt \*MERGEFORMAT(1)
考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,设备的退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(2)
(2)非线性随机系数回归模型
非线性随机系数回归模型可以表示如下:
X(t)=x0+λΛ(t;θ) \*MERGEFORMAT(3)
其中,x0为初始退化值;λ为漂移系数,表征退化速度;Λ(t;θ)为关于时间t的连续非线性函数,表征设备退化过程的非线性,其中θ为固定系数,描述设备退化状态与时间的非线性关系;不失一般性,令x0=0,Λ(t;θ)=tθ;为了表示不同设备之间的个体差异,将漂移系数λ看成随机变量,服从正态分布
考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,监测到的设备退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(4)
基于随机系数回归模型的设备寿命定义为设备性能退化状态{X(t),t≥0}达到失效阈值的时刻,设ω表示设备的失效阈值,则设备寿命T可表示如下
T={t:X(t)≥ω|x0<ω} \*MERGEFORMAT(5)。
优选的,在步骤2中,估计模型先验参数之前,先估计模型的固定参数;
(1)线性随机系数回归模型
最大化对数似然函数式得
在估计漂移系数的先验分布之前,给出以下结论
根据随机系数回归模型的性质,满足式描述的退化过程,其设备失效时间Tv满足
然后,利用极大化似然估计来求解漂移系数的先验分布
(2)非线性随机系数回归模型
将式代入式,得θ的轮廓似然函数
然后,利用极大化似然估计来求解漂移系数的先验分布
根据随机系数回归模型的性质,设备失效时间Tv的概率密度函数为
优选的,在步骤3中,利用贝叶斯原理对随机系数分布在线更新,具体过程如下:
(1)线性随机系数回归模型
假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后的随机系数同样服从正态分布,即:
其中:
(2)非线性随机系数回归模型
假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后,得到非线性随机系数回归模型的随机系数λ后验分布为
其中:
优选的,在步骤4中,剩余寿命预测过程如下:
令lk表示设备在tk时刻的剩余使用寿命,则可得到设备的寿命T=tk+lk,式所表示的退化过程可以转化为
Z(lk)=X(lk+tk)-X(tk)=λlk \*MERGEFORMAT(27)
设备在tk时刻的剩余使用寿命可表示为退化过程{Z(lk),lk≥0}穿过失效阈值ωk=ω-xk的首达时间,相应地,剩余寿命定义为
Lk={lk:X(xk+lk)>ω|x0<ω}
={lk:Z(lk)≥ω-xk|Z(0)<ω-xk} \*MERGEFORMAT(28)
(1)线性随机系数回归模型的剩余寿命概率密度函数为
推导线性随机系数回归模型的剩余寿命概率密度函数为:
其中,
μ=ω-yk \*MERGEFORMAT(30)
2)非线性随机系数回归模型
推导非线性随机系数回归模型的剩余寿命概率密度函数为:
其中:
μ=ω-yk \*MERGEFORMAT(35)
基于上述过程,对于不完美先验信息情况,可以通过融合失效寿命数据实现设备的剩余寿命预测。
本发明的有益效果:本发明给出了不完美先验信息情况下复杂设备的剩余寿命预测方法。可以对设备的个体寿命和总体可靠性寿命特征量进行预测分析,为设备基于状态的维修保障提供有力的理论依据和技术支撑,从而节约经费开支,避免不必要的经济损失,有很好的工程应用价值。
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为锂电池实验退化数据;(a)日历时间;(b)循环次数;
图2为融合失效寿命数据方法与贝叶斯方法的剩余寿命预测比较;
图3为融合失效寿命数据方法(M1)和贝叶斯方法(M2)剩余寿命预测的相对误差(RE)和均方误差(MSE);(a)相对误差(RE);(b)均方误差(MSE)。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
基于NASA公开的锂电池实验退化数据来验证本发明的有效性。该数据包括四个锂电池在实际使用过程中记录的不同状态监测时间点上的漂移系数数据。在实验中,按照该锂电池的技术指标,选择失效阈值为。按照循环次数来记,监测间隔为一个循环。对应锂电池退化监测全寿命周期的测量数据如图1所示。不失一般性,我们采用5号电池作为实验电池,6、7和18号电池的寿命数据作为先验信息估计先验参数。
基于此,融合失效寿命数据的设备剩余寿命预测方法,它包括以下步骤:
步骤1:建立不完美先验信息条件下的设备性能退化模型
在基于贝叶斯理论的剩余寿命预测方法需要的先验信息有:退化模型中表示模型共性特征的固定参数和表示样本个体差异的随机参数的先验信息。在实际使用中,有时会出现先验信息不够准确甚至完全没有先验信息的情况。为此,我们提出一种融合失效寿命数据的剩余寿命预测方法。同类设备的历史失效数据可从同类设备的维修记录中获取,而现场退化数据可利用监测设备直接现场获取。下面首先分别针对线性和非线性两种随机系数回归模型,建立设备的性能退化模型,当潜在性能退化过程超过失效阈值ω时,即认为设备失效。
(1)线性随机系数回归模型
回归模型是一种最早提出用于退化建模的随机数学模型,当模型中的回归系数为随机变量时,称为随机系数回归模型。该模型数学表达式简单,在各领域的退化建模中广泛应用。基本的随机系数回归模型表示如下:
X(t)=x0+λt \*MERGEFORMAT(1)
在设备的实际运行过程中,由于使用非理想测量方法采集数据以及随机环境的干扰等因素,观测到的数据无法真正反映设备的实际退化水平。考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,设备的退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(2)
(2)非线性随机系数回归模型
现实生活中,大多数设备退化过程并非呈现完美的线性关系,非线性退化过程较为普遍存在。非线性随机系数回归模型可以表示如下:
X(t)=x0+λΛ(t;θ) \*MERGEFORMAT(3)
其中,x0为初始退化值;λ为漂移系数,表征退化速度;Λ(t;θ)为关于时间t的连续非线性函数,表征设备退化过程的非线性,其中θ为固定系数,描述设备退化状态与时间的非线性关系;不失一般性,令x0=0,Λ(t;θ)=tθ;为了表示不同设备之间的个体差异,将漂移系数λ看成随机变量,服从正态分布
在设备的实际运行过程中,由于使用非理想测量方法采集数据以及随机环境的干扰等因素,观测到的数据无法真正反映设备的实际退化水平。考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,监测到的设备退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(4)
基于随机系数回归模型的设备寿命定义为设备性能退化状态{X(t),t≥0}达到失效阈值的时刻,设ω表示设备的失效阈值,则设备寿命T可表示如下
T={t:X(t)≥ω|x0<ω} \*MERGEFORMAT(5)。
步骤2:离线估计模型先验参数
估计模型先验参数之前,先估计模型的固定参数;
(1)线性随机系数回归模型
最大化对数似然函数式得
在估计漂移系数的先验分布之前,给出以下结论
根据随机系数回归模型的性质,满足式描述的退化过程,其设备失效时间Tv满足
然后,利用极大化似然估计来求解漂移系数的先验分布
(2)非线性随机系数回归模型
将式代入式,得θ的轮廓似然函数
然后,利用极大化似然估计来求解漂移系数的先验分布
根据随机系数回归模型的性质,设备失效时间Tv的概率密度函数为
步骤3:在线更新参数
(1)线性随机系数回归模型
利用贝叶斯原理对随机系数分布在线更新,假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后的随机系数同样服从正态分布,即:
其中:
(2)非线性随机系数回归模型
利用贝叶斯原理对随机系数分布在线更新,假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后,得到非线性随机系数回归模型的随机系数λ后验分布为
其中:
步骤4:预测剩余寿命
令lk表示设备在tk时刻的剩余使用寿命,则可得到设备的寿命T=tk+lk,式所表示的退化过程可以转化为
Z(lk)=X(lk+tk)-X(tk)=λlk \*MERGEFORMAT(27)
设备在tk时刻的剩余使用寿命可表示为退化过程{Z(lk),lk≥0}穿过失效阈值ωk=ω-xk的首达时间,相应地,剩余寿命定义为
Lk={lk:X(xk+lk)>ω|x0<ω}
={lk:Z(lk)≥ω-xk|Z(0)<ω-xk} \*MERGEFORMAT(28)
(1)线性随机系数回归模型的剩余寿命概率密度函数为
推导线性随机系数回归模型的剩余寿命概率密度函数为:
其中,
μ=ω-yk \*MERGEFORMAT(30)
2)非线性随机系数回归模型
推导非线性随机系数回归模型的剩余寿命概率密度函数为:
其中:
μ=ω-yk \*MERGEFORMAT(35)
以非线性随机系数回归模型为例,将No.5电池作为被评估对象,其他电池的退化数据用于计算剩余寿命预测的先验信息,得出用于剩余寿命预测的正确先验信息为μλ=4.1×10-3,b=1.1539。在计算参数估计结果时进行了归一化,即通过初始值减去退化数据。再者,No.6,No.7,No.18电池的失效时间分别为69.5,110.3和51,该失效时间可作为融合失效寿命数据预测方法的先验失效数据。分别计算融合失效寿命数据预测方法和贝叶斯方法的剩余寿命分布,结果如图2所示。可见,两种方法计算的剩余寿命分布都能覆盖实际剩余寿命。然而,融合失效寿命数据预测方法的剩余寿命分布更集中在实际剩余寿命附近,且剩余寿命分布更窄,说明融合失效寿命数据预测方法具有更高的剩余寿命预测精度。
贝叶斯方法预测精度下降的原因是由于不完美先验信息造成的。从图1可以看出,No.6和No.18电池的退化数据具有明显的线性退化特征,这也是非线性系数b的估计值为1.1539的原因。另外,由图1可以看出,No.5电池数据的测量误差不确定性明显小于No.6,No.7和No.18电池数据的测量误差不确定性,由此造成过大的再者,从图2可以看出,贝叶斯方法预测的剩余寿命全都大于实际的剩余寿命,由此会延缓预防维护时机,无法在设备失效前进行有效的维护,而融合失效寿命数据方法预测的剩余寿命接近实际剩余寿命,且根据工程实践可知,相同情况下,设备故障之后再进行维护的成本大于提前维护的成本,所以验证了本发明提出的融合失效寿命数据预测方法的优越性。
为了进一步比较两种算法的剩余寿命预测效果,计算两种方法的剩余寿命预测的相对误差和均方误差,如图3所示。
可以看出,融合失效寿命数据预测方法的均方误差明显小于贝叶斯方法的均方误差,说明融合失效寿命数据预测方法能够克服不完全先验信息的影响,使得预测结果更符合被评估设备的退化特征,从而具有更高的剩余寿命预测精度。综上所述,本发明提出的方法可以提高剩余寿命估计的准确性,而且可以有效克服不完美先验信息的影响,减少剩余寿命估计的相对误差,进而验证了本发明的有效性。
以上所述,仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其它修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (5)
1.一种融合失效寿命数据的设备剩余寿命预测方法,其特征在于,包括以下步骤:
步骤1:建立不完美先验信息条件下的设备的性能退化模型;
步骤2:离线估计模型先验参数;
步骤3:在线更新参数;
步骤4:预测设备剩余寿命。
2.根据权利要求1所述的一种融合失效寿命数据的设备剩余寿命预测方法,其特征在于,上述步骤1中,在基于贝叶斯理论的剩余寿命预测方法需要的先验信息有:退化模型中表示模型共性特征的固定参数和表示样本个体差异的随机参数的先验信息;下面则分别针对线性和非线性两种随机系数回归模型,建立设备的性能退化模型,当潜在性能退化过程超过失效阈值ω时,即认为设备失效;
(1)线性随机系数回归模型
线性随机系数回归模型表达如下:
X(t)=x0+λt \*MERGEFORMAT(1)
考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,设备的退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(2)
(2)非线性随机系数回归模型
非线性随机系数回归模型可以表示如下:
X(t)=x0+λΛ(t;θ) \*MERGEFORMAT(3)
其中,x0为初始退化值;λ为漂移系数,表征退化速度;Λ(t;θ)为关于时间t的连续非线性函数,表征设备退化过程的非线性,其中θ为固定系数,描述设备退化状态与时间的非线性关系;不失一般性,令x0=0,Λ(t;θ)=tθ;为了表示不同设备之间的个体差异,将漂移系数λ看成随机变量,服从正态分布
考虑到观测退化值Y(t)与真实退化值X(t)之间存在的测量误差,监测到的设备退化过程可以表示如下
Y(t)=X(t)+ε \*MERGEFORMAT(4)
基于随机系数回归模型的设备寿命定义为设备性能退化状态{X(t),t≥0}达到失效阈值的时刻,设ω表示设备的失效阈值,则设备寿命T可表示如下
T={t:X(t)≥ω|x0<ω} \*MERGEFORMAT(5)。
3.根据权利要求2所述的一种融合失效寿命数据的设备剩余寿命预测方法,其特征在于,在步骤2中,估计模型先验参数之前,先估计模型的固定参数;
(1)线性随机系数回归模型
最大化对数似然函数式得
在估计漂移系数的先验分布之前,给出以下结论
根据随机系数回归模型的性质,满足式描述的退化过程,其设备失效时间Tv满足
然后,利用极大化似然估计来求解漂移系数的先验分布
(2)非线性随机系数回归模型
将式代入式,得θ的轮廓似然函数
然后,利用极大化似然估计来求解漂移系数的先验分布
根据随机系数回归模型的性质,设备失效时间Tv的概率密度函数为
4.根据权利要求3所述的一种融合失效寿命数据的设备剩余寿命预测方法,其特征在于,在步骤3中,利用贝叶斯原理对随机系数分布在线更新,具体过程如下:
(1)线性随机系数回归模型
假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后的随机系数同样服从正态分布,即:
其中:
(2)非线性随机系数回归模型
假设设备在tk时刻,所采集的y1:k=[y1,y2,…,yk]是检测时间t1,t2,…,tk设备的观测退化数据,将离线估计的作为漂移参数λ的先验信息μλ0,即根据贝叶斯理论,检测到观测退化数据y1:k后,得到非线性随机系数回归模型的随机系数λ后验分布为
其中:
5.根据权利要求2所述的一种融合失效寿命数据的设备剩余寿命预测方法,其特征在于,在步骤4中,剩余寿命预测过程如下:
令lk表示设备在tk时刻的剩余使用寿命,则可得到设备的寿命T=tk+lk,式所表示的退化过程可以转化为
Z(lk)=X(lk+tk)-X(tk)=λlk \*MERGEFORMAT(27)
设备在tk时刻的剩余使用寿命可表示为退化过程{Z(lk),lk≥0}穿过失效阈值ωk=ω-xk的首达时间,相应地,剩余寿命定义为
Lk={lk:X(xk+lk)>ω|x0<ω}
={lk:Z(lk)≥ω-xk|Z(0)<ω-xk}\*MERGEFORMAT(28)
(1)线性随机系数回归模型的剩余寿命概率密度函数为推导线性随机系数回归模型的剩余寿命概率密度函数为:
其中,
μ=ω-yk \*MERGEFORMAT(30)
2)非线性随机系数回归模型
推导非线性随机系数回归模型的剩余寿命概率密度函数为:
其中:
μ=ω-yk \*MERGEFORMAT(35)
基于上述过程,对于不完美先验信息情况,可以通过融合失效寿命数据实现设备的剩余寿命预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110222526.4A CN112949057B (zh) | 2021-02-26 | 2021-02-26 | 一种融合失效寿命数据的设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110222526.4A CN112949057B (zh) | 2021-02-26 | 2021-02-26 | 一种融合失效寿命数据的设备剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112949057A true CN112949057A (zh) | 2021-06-11 |
CN112949057B CN112949057B (zh) | 2023-09-22 |
Family
ID=76246784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110222526.4A Active CN112949057B (zh) | 2021-02-26 | 2021-02-26 | 一种融合失效寿命数据的设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949057B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544803A (zh) * | 2022-10-31 | 2022-12-30 | 贵州电网有限责任公司 | 一种变压器剩余寿命预测方法、装置、设备及存储介质 |
CN117574682A (zh) * | 2024-01-11 | 2024-02-20 | 华中科技大学 | 一种核壳ncm电极颗粒机械失效预测方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
GB201420843D0 (en) * | 2014-11-24 | 2015-01-07 | Thunot Andre And Robertson Paul | Cell internal impedance diagnostic system |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107194478A (zh) * | 2017-06-21 | 2017-09-22 | 中国人民解放军国防科学技术大学 | 融合寿命数据和性能退化数据的单机剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN109829137A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军火箭军工程大学 | 一种周期应力下非线性退化设备的寿命预测方法及系统 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111460692A (zh) * | 2020-04-26 | 2020-07-28 | 中国人民解放军火箭军工程大学 | 考虑退化速率相互影响的设备剩余寿命预测方法及系统 |
-
2021
- 2021-02-26 CN CN202110222526.4A patent/CN112949057B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
GB201420843D0 (en) * | 2014-11-24 | 2015-01-07 | Thunot Andre And Robertson Paul | Cell internal impedance diagnostic system |
CN106484949A (zh) * | 2016-09-12 | 2017-03-08 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
CN107194478A (zh) * | 2017-06-21 | 2017-09-22 | 中国人民解放军国防科学技术大学 | 融合寿命数据和性能退化数据的单机剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN109829137A (zh) * | 2019-01-22 | 2019-05-31 | 中国人民解放军火箭军工程大学 | 一种周期应力下非线性退化设备的寿命预测方法及系统 |
CN111258297A (zh) * | 2020-01-17 | 2020-06-09 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111460692A (zh) * | 2020-04-26 | 2020-07-28 | 中国人民解放军火箭军工程大学 | 考虑退化速率相互影响的设备剩余寿命预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
ZEZHOU WANG等: "《Remaining Useful Lifetime Prediction for the Equipment with the Random Failure Threshold》", 《2019 PROGNOSTICS AND SYSTEM HEALTH MANAGEMENT CONFERENCE(PHM-QINGDAO)》 * |
万昌豪等: "《基于不完美先验信息的随机系数回归模型剩余寿命预测方法》", 《北京航空航天大学学报》 * |
司小胜等: "不确定退化测量数据下的剩余寿命估计", 《电子学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115544803A (zh) * | 2022-10-31 | 2022-12-30 | 贵州电网有限责任公司 | 一种变压器剩余寿命预测方法、装置、设备及存储介质 |
CN115544803B (zh) * | 2022-10-31 | 2023-09-12 | 贵州电网有限责任公司 | 一种变压器剩余寿命预测方法、装置、设备及存储介质 |
CN117574682A (zh) * | 2024-01-11 | 2024-02-20 | 华中科技大学 | 一种核壳ncm电极颗粒机械失效预测方法及系统 |
CN117574682B (zh) * | 2024-01-11 | 2024-03-26 | 华中科技大学 | 一种核壳ncm电极颗粒机械失效预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112949057B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
CN112949057A (zh) | 一种融合失效寿命数据的设备剩余寿命预测方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
JP2004524609A (ja) | 予測状態監視における変化状態の適応モデリング | |
CN113960476A (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
CN111007454B (zh) | 一种基于合作目标信息的扩展目标跟踪方法 | |
CN115587673B (zh) | 一种电压互感器误差状态预测方法及系统 | |
CN112949058A (zh) | 一种基于隐含非线性维纳过程的锂电池启发式剩余寿命预测方法 | |
Bahadorinejad et al. | Adaptive particle filtering for fault detection in partially-observed Boolean dynamical systems | |
JP6641112B2 (ja) | 製品の予想故障数の計算に基づく保証費推定 | |
CN112949026A (zh) | 一种考虑年龄和状态依赖的退化设备剩余寿命预测方法 | |
KR20210036642A (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
JP2024517158A (ja) | 電気化学エネルギー供給素子の健全性監視 | |
He et al. | Voltage abnormality-based fault diagnosis for batteries in electric buses with a self-adapting update model | |
KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
CN109495313B (zh) | 基于泊松分布故障模型的无线传感器网络故障检测方法 | |
KR20210036638A (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 최적화 방법 | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂系统的故障诊断装置及方法 | |
CN111108738B (zh) | 数据处理设备、数据分析设备、数据处理系统和用于处理数据的方法 | |
US11835583B1 (en) | Computer-implemented method for diagnosing states of a battery | |
US6931301B2 (en) | System processing time computation method computation device, and recording medium with computation program recorded thereon | |
Zhou et al. | Lithium-ion battery remaining useful life prediction under grey theory framework | |
Wang et al. | Prognostic modeling of performance degradation in energy storage by lithium-ion batteries | |
CN115373339A (zh) | 一种基于工业互联网的机床备件监控方法、设备及介质 | |
CN116703037B (zh) | 一种基于道路施工的监控方法及装置 |
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 |