CN112966441B - 一种基于连续Weiner过程损伤的设备剩余寿命评估方法 - Google Patents

一种基于连续Weiner过程损伤的设备剩余寿命评估方法 Download PDF

Info

Publication number
CN112966441B
CN112966441B CN202110250611.1A CN202110250611A CN112966441B CN 112966441 B CN112966441 B CN 112966441B CN 202110250611 A CN202110250611 A CN 202110250611A CN 112966441 B CN112966441 B CN 112966441B
Authority
CN
China
Prior art keywords
equipment
index
dhi
life
performance degradation
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
Application number
CN202110250611.1A
Other languages
English (en)
Other versions
CN112966441A (zh
Inventor
王瑞奇
徐廷学
顾钧元
李海君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Naval Aeronautical University
Original Assignee
Naval Aeronautical University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Naval Aeronautical University filed Critical Naval Aeronautical University
Priority to CN202110250611.1A priority Critical patent/CN112966441B/zh
Publication of CN112966441A publication Critical patent/CN112966441A/zh
Application granted granted Critical
Publication of CN112966441B publication Critical patent/CN112966441B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于连续Weiner过程损伤的设备剩余寿命评估方法。该方法主要实现了将设备连续监测数据转化为性能退化指标，针对退化物理过程存在波动的情况，基于连续Wiener过程损伤累积模型评估设备各时期可靠性指标，通过过长短期记忆网络训练，将连续运行的设备全寿命监测数据转化为单一的性能退化指标，然后通过贝叶斯信息融合，将可靠性指标与性能指标融合得到设备的剩余寿命预测结果。由于设备退化早期性能退化指标变化并不明显，而晚期性能退化指标变化剧烈。因此本发明采用连续Wiener过程损伤累积与网络训练相结合的方法能大大减少设备剩余寿命预测的偏差。

Description

一种基于连续Weiner过程损伤的设备剩余寿命评估方法
技术领域
本发明涉及一种基于连续Wiener过程损伤累积模型与长短期记忆网络的设备剩余寿命评估方法，属于设备可靠性评估与故障预测领域。
背景技术
目前，大部分可靠性分析采用的是传统的可靠性理论，传统的可靠性分析技术是以失效时间作为统计分析对象的，其做法是通过大量试验得到产品或其部件的失效数据，然后使用统计方法，选择最合适的统计分析模型，最后通过系统可靠性结构模型和部件寿命分布模型，得到产品的可靠性。然而，一般情况下，随着产品的使用时间增加，表征产品性能的特征参数会出现退化情况，性能退化现象是自然而大量存在的，并且由于不同设备使用条件和运行历史的不同，运行同样时间后，其性能退化情况也存在不同，因此，会出现有些设备寿命较短，有些设备寿命较长的现象。而传统的可靠性分析方法，仅考虑了“时间”这一个变量，缺乏对设备运行条件、环境、当前状态等细节信息的考虑。这种可靠性评估方法，造成对于长期运行后的设备可靠性评估存在较大误差，将状态仍然良好的设备，归为报废设备，仅仅是因为使用次数临近或超过设计可靠性极限值；或者将性能已经出现明显退化的设备，仍然评估为满足可靠性要求。当前，一些研究中借助长短期记忆网络(LSTM)具有捕捉序列数据变化趋势特征的能力，将其用于设备的剩余寿命预测当中，对于存在明显性能退化的设备，其预测结果较为准确。然而，对于设备退化早期，由于设备性能退化并不明显，且存在着随机性的波动，因此，预测结果并不准确，误差较大。另一方面，对于连续损伤累积下的退化失效问题，考虑产品实际退化过程与增长规律存在一定的差异，一般来说，随着时间的增长，各产品个体间性能值差距会越来越大，成喇叭口状态。对于这种连续退化过程，可采用基于Weiner过程退化模型在缺乏或没有寿命数据的情况下预测设备的平均故障时间，即可以基于设备退化的早期数据，预测设备的故障时间，但连续Weiner过程损伤模型和传统可靠性分析方法相同，缺乏对设备性能退化情况的具体情况信息，因此在设备性能退化末期，模型误差较大，甚至存在超出模型预测范围的情况。
发明内容
本发明所要解决的技术问题是：一种基于连续Weiner过程损伤的设备剩余寿命评估方法，以解决上述现有技术中存在的设备剩余寿命评估误差较大的问题。
本发明采取的技术方案为：一种基于连续Weiner过程损伤的设备剩余寿命评估方法，该方法包括以下步骤：
步骤S10：对n台设备进行全全寿命周期监测，并通过滑窗将监测数据分为多个监测批次，并对各设备前两批数据与最后一批数据进行性能退化量的标注；
步骤S20：建立通用的长短期记忆网络(LSTM)，将各设备收尾批监测数据及相应的性能退化量标签值，输入长短期记忆网络(LSTM)进行训练；
步骤S30：将所述的训练好的长短期记忆网络LSTM输入所有设备的全寿命监测数据，得到的输出作为设备全寿命周期里的性能退化指标。然后选取可适合一次函数拟合的区间，求解区间中性能退化指标的最大值作为失效阈值；
步骤S40：针对所述的适合一次函数拟合的区间的性能退化指标数据，采用改进最小二乘拟合方法，解算连续Weiner过程的均值和方差参数估计值；
步骤S50：针对所述的连续Weiner过程的均值以及设备性能失效阈值，采用失效概率密度损伤累积算法，得到设备从健康到故障失效的预测时间；
步骤S60：根据所述的任意时刻的设备状态性能退化指标，采用所述的连续Weiner失效概率密度损伤累积算法，计算i时刻设备的平均故障时间，同时当作设备的可靠性指标；
步骤S70，通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，然后计算设备在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数；
步骤S80：根据一台正在运行的设备的当前监测信息，输入训练好的长短期记忆网络，得到性能退化指标，然后根据可靠性评估算法计算样品可靠性评估指标，再通过贝叶斯公式，计算各寿命条件下的后验概率，最终得到样品剩余寿命的期望值。
在本发明的一种示例实施例中，将所述的训练好的长短期记忆网络LSTM输入所有设备的全寿命监测数据，得到的输出作为设备全寿命周期里的性能退化指标。然后选取可适合一次函数拟合的区间，求解区间中性能退化指标的最大值作为失效阈值，采用改进最小二乘拟合方法，估计设备性能退化指标基于连续Weiner过程的均值和方差参数包括：
Figure BDA0002965890660000031
Figure BDA0002965890660000032
DHIfault＝max(DHIij),i＝1,2...n,j＝1,2,....mlinear；
其中DHIij为采用长短期记忆网络与全寿命监测数据进行预测得到的第i台设备j时刻的性能退化指标；DHIfault为设备失效阈值，其通过画出所有样品设备全寿命周期中性能退化指标，选择性能退化指标均值和方差可通过一次函数拟合的区间，并选取基于区间中性能退化指标的最大值而得到；mliner为均值和方差同时满足时间一次函数的最大时间值；
Figure BDA0002965890660000036
与
Figure BDA0002965890660000037
为基于连续Weiner过程的设备退化性能指标均值和方差参数估计值。
在本发明的一种示例实施例中，针对所述的连续Weiner过程的均值以及设备性能失效阈值，采用失效概率密度损伤累积算法，得到设备从健康到故障失效的预测时间包括：
Figure BDA0002965890660000033
Figure BDA0002965890660000034
Figure BDA0002965890660000035
Figure BDA0002965890660000041
其中MTBF(DHIfault)表示设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间；f(t)为连续Weiner过程损伤累积模型的失效概率密度函数；DHIfault为设备性能失效阈值；
Figure BDA00029658906600000411
与
Figure BDA00029658906600000412
为基于连续Weiner过程的设备退化性能指标均值和方差参数估计值。
在本发明的一种示例实施例中，根据所述的任意时刻的设备状态性能退化指标，采用所述的连续Weiner失效概率密度损伤累积算法，计算i时刻设备的平均故障时间包括：
Figure BDA0002965890660000042
Figure BDA0002965890660000043
Figure BDA0002965890660000044
Figure BDA0002965890660000045
MTBFji＝MTBF(DHIfault)-MTBF(DHIji)；
其中DHIji为第j台设备i时刻的性能退化指标，MTBFji为第j台设备i时刻故障失效时间，DHIfault为设备从性能退化指标为0的健康状态退化到故障失效阈值的预测时间，MTBFji为设备j从当前i时刻状态到故障状态的平均故障时间，同时也记作该设备i时刻的可靠性指标。
在本发明的一种示例实施例中，通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，然后计算设备在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数包括：
Figure BDA0002965890660000046
Figure BDA0002965890660000047
Figure BDA0002965890660000048
Figure BDA0002965890660000049
Figure BDA00029658906600000410
其中
Figure BDA0002965890660000051
和
Figure BDA0002965890660000052
为在剩余寿命RUL＝l条件下，可靠性指标和性能指标的均值，
Figure BDA0002965890660000053
为在剩余寿命RUL＝l条件下，性能指标和可靠性指标的协方差。Lmax为设备的可能最长剩余寿命，选取试验数据的最大寿命值即Lmax＝max(mij)。P(MTBF,DHI|RUL＝l)为样品在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数。
在本发明的一种示例实施例中，根据一台正在运行的设备的当前监测信息，输入训练好的长短期记忆网络，得到性能退化指标，然后根据可靠性评估算法计算样品可靠性评估指标，再通过贝叶斯公式，计算各寿命条件下的后验概率，最终得到样品剩余寿命的期望值包括：
Figure BDA0002965890660000054
Figure BDA0002965890660000055
Figure BDA0002965890660000056
Figure BDA0002965890660000057
MTBFnew＝MTBF(DHIfault)-MTBF(DHInew)；
Figure BDA0002965890660000058
Figure BDA0002965890660000059
其中DHInew为对正在运行的设备进行全寿命监测，并将得到的监测信息，输入训练好的LSTM网络，得到的性能退化评估值。MTBFnew将正在运行的设备的性能退化评估值带入可靠性评估模型通过模型计算得到的设备可靠性评估指标。P(RUL＝l|MTBFnew,DHInew)为在MTBFnew和DHInew条件下，设备在各剩余寿命l＝1,2,....RULmax条件下的后验概率，P(L)为通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，
Figure BDA0002965890660000061
为根据设备后验概率分布P(RUL＝l|MTBFnew,DHInew)求取的设备剩余寿命的期望值，也就是设备基于可靠性与性能一体化的剩余寿命预测结果。
本发明的有益效果
与现有技术相比，本发明基于长短期记忆网络(LSTM)，提取设备性能退化指标，并在此基础上，采用连续Weiner过程损伤模型，捕捉设备退化早期的可靠性变化信息。最后，通过贝叶斯信息融合技术，将可靠性与性能评估结果在剩余寿命这一指标上得以融合，形成可靠性与性能一体化评估方法。该方法融合了连续Weiner过程损伤模型和LSTM对早期和晚期剩余寿命预测的结果，从而可以更准确的评估各阶段设备的可靠性或剩余寿命。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。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是一种基于连续Weiner过程损伤的设备剩余寿命评估方法的架构图；
图2是一种基于连续Weiner过程损伤的设备剩余寿命评估方法的应用流程图；
图3是本发明实施例所提供方法的各样本设备性能退化指标趋势图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图1与附图2，对本发明进一步详细说明。
实施例1：一种基于连续Weiner过程损伤的设备剩余寿命评估方法，该方法包括以下步骤：
步骤一：初始化n台样品设备全寿命周期监测数据，通过滑窗将数据分为多个监测批次。取各设备前两批数据，并标注其性能退化量为0.01～0.05的随机数，取各设备的最后一批数据，标注其性能退化量为0.9～0.91的随机数，倒数第二批数据，标注其性能退化量为0.89～0.9之间的随机数；
步骤二：建立通用的长短期记忆网络(LSTM)，将各设备收尾批监测数据及相应的性能退化量标签值，输入长短期记忆网络(LSTM)进行训练；
步骤三：将所述的训练好的长短期记忆网络LSTM输入所有设备的全寿命监测数据，得到的输出作为设备全寿命周期里的性能退化指标。然后选取可适合一次函数拟合的区间，求解区间中性能退化指标的最大值作为失效阈值；
具体的，首先将各设备全寿命监测数据用模型进行预测，对于一台设备全寿命周期的预测结果，即为该设备全寿命周期里的性能退化指标，记作DHIij，其表示第i台设备j时刻的性能退化指标(如图3所示)，该性能退化指标反应了设备的性能情况。
其次，画出所有样品设备全寿命周期中性能退化指标，选择性能退化指标均值和方差可通过一次函数拟合的区间，并选取基于区间中性能退化指标的最大值，定义为失效阈值DHIfault：
DHIfault＝max(DHIij),i＝1,2...n,j＝1,2,....mlinear
其中mliner为均值和方差同时满足时间一次函数的最大时间值。
步骤四：针对所述的适合一次函数拟合的区间的性能退化指标数据，采用改进最小二乘拟合方法，解算连续Weiner过程的均值和方差参数估计值；
具体的，基于连续Weiner过程的均值
Figure BDA0002965890660000073
和方差
Figure BDA0002965890660000074
参数估计如下：
Figure BDA0002965890660000071
Figure BDA0002965890660000072
其中DHIij表示在第i台设备在j时刻tij的性能退化指标。
步骤五：针对所述的连续Weiner过程的均值以及设备性能失效阈值，采用失效概率密度损伤累积算法，得到设备从健康到故障失效的预测时间。
具体的，首先将均值和方差参数估计值
Figure BDA0002965890660000081
和
Figure BDA0002965890660000082
以及设备性能失效阈值DHIfault，代入连续Weiner过程损伤累积模型的失效概率密度函数f(t)，得到设备失效概率随时间变化的分布密度函数。其中连续Weiner过程损伤累积模型的失效概率密度函数如下：
Figure BDA0002965890660000083
Figure BDA0002965890660000084
Figure BDA0002965890660000085
其次再通过从0到正无穷积分，得到设备的失效时间期望值MTBF(DHIfault)，表示设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间，其计算方式如下：
Figure BDA0002965890660000086
步骤六：根据所述的任意时刻的设备状态性能退化指标，采用所述的连续Weiner失效概率密度损伤累积算法，计算i时刻设备的平均故障时间，同时当作设备的可靠性指标。
具体的，首先根据第j台设备i时刻的性能退化指标DHIji，按照连续Weiner失效概率密度损伤累积算法，计算故障失效时间MTBFji，其计算方式如下：
Figure BDA0002965890660000087
Figure BDA0002965890660000088
Figure BDA0002965890660000089
Figure BDA00029658906600000810
其次，根据所述的设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间，计算设备j从当前i时刻状态到故障状态的平均故障时间MTBFji，其计算方法如下：
MTBFji＝MTBF(DHIfault)-MTBF(DHIji)；
同时i时刻设备的平均故障时间MTBFji也记作该设备i时刻的可靠性指标。
步骤七，通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，然后计算设备在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数；
具体的，首先通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布P(L)。
然后，根据所述的设备i时刻的可靠性指标，计算设备在剩余寿命RUL＝l条件下，可靠性指标和性能指标的均值
Figure BDA0002965890660000091
以及可靠性指标的协方差
Figure BDA0002965890660000092
如下：
Figure BDA0002965890660000093
Figure BDA0002965890660000094
Figure BDA0002965890660000095
Figure BDA0002965890660000096
Figure BDA0002965890660000097
和
Figure BDA0002965890660000098
为在剩余寿命RUL＝l条件下，可靠性指标和性能指标的均值，
Figure BDA0002965890660000099
为在剩余寿命RUL＝l条件下，性能指标和可靠性指标的协方差。
最后，通过下面方式计算样品在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数：
Figure BDA00029658906600000910
其中，Lmax为设备的可能最长剩余寿命，选取试验数据的最大寿命值即Lmax＝max(mij)。
步骤八：根据一台正在运行的设备的当前监测信息，输入训练好的长短期记忆网络，得到性能退化指标，然后根据可靠性评估算法计算样品可靠性评估指标，再通过贝叶斯公式，计算各寿命条件下的后验概率，最终得到样品剩余寿命的期望值。
具体的，首先对正在运行的设备进行全寿命监测，并将得到的监测信息，输入训练好的LSTM网络，得到性能退化评估值，记作DHInew。
然后，将性能退化评估值带入可靠性评估模型，按照下面方法计算设备的可靠性评估指标MTBFnew，其计算方式如下：
Figure BDA0002965890660000101
Figure BDA0002965890660000102
Figure BDA0002965890660000103
Figure BDA0002965890660000104
MTBFnew＝MTBF(DHIfault)-MTBF(DHInew)；
再次，通过贝叶斯公式，计算在MTBFnew和DHInew条件下，各剩余寿命l＝1,2,....RULmax的后验概率P(RUL＝l|MTBFnew,DHInew)，其计算方式如下：
Figure BDA0002965890660000105
最后，根据设备后验概率分布P(RUL＝l|MTBFnew,DHInew)，求剩余寿命的期望值
Figure BDA0002965890660000106
即得到设备基于可靠性与性能一体化的剩余寿命预测结果如下：
Figure BDA0002965890660000107
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于连续Weiner过程损伤的设备剩余寿命评估方法，其特征在于以下步骤：
步骤S10：对n台设备进行全全寿命周期监测，并通过滑窗将监测数据分为多个监测批次，并对各设备前两批数据与最后一批数据进行性能退化量的标注；
步骤S20：建立通用的长短期记忆网络(LSTM)，将各设备收尾批监测数据及相应的性能退化量标签值，输入长短期记忆网络(LSTM)进行训练；
步骤S30：将所述的训练好的长短期记忆网络LSTM输入所有设备的全寿命监测数据，得到的输出作为设备全寿命周期里的性能退化指标， 然后选取可适合一次函数拟合的区间，求解区间中性能退化指标的最大值作为失效阈值；
步骤S40：针对所述的适合一次函数拟合的区间的性能退化指标数据，采用改进最小二乘拟合方法，解算连续Weiner过程的均值和方差参数估计值如下：
Figure FDA0002965890650000011
Figure FDA0002965890650000012
DHIfault＝max(DHIij),i＝1,2...n,j＝1,2,....mi ；
其中DHIij为采用长短期记忆网络与全寿命监测数据进行预测得到的第i台设备j时刻的性能退化指标；DHIfault为设备失效阈值，其通过画出所有样品设备全寿命周期中性能退化指标，选择性能退化指标均值和方差可通过一次函数拟合的区间，并选取基于区间中性能退化指标的最大值而得到；mi 为均值和方差同时满足时间一次函数的最大时间值；
Figure FDA0002965890650000013
与
Figure FDA0002965890650000014
为基于连续Weiner过程的设备退化性能指标均值和方差参数估计值；
步骤S50：针对所述的连续Weiner过程的均值以及设备性能失效阈值，采用失效概率密度损伤累积算法，得到设备从健康到故障失效的预测时间如下：
Figure FDA0002965890650000021
Figure FDA0002965890650000022
Figure FDA0002965890650000023
Figure FDA0002965890650000024
其中MTBF(DHIfault)表示设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间；f(t)为连续Weiner过程损伤累积模型的失效概率密度函数；DHIfault为设备性能失效阈值；
Figure FDA0002965890650000025
与
Figure FDA0002965890650000026
为基于连续Weiner过程的设备退化性能指标均值和方差参数估计值；
步骤S60：根据所述的任意时刻的设备状态性能退化指标，采用所述的连续Weiner失效概率密度损伤累积算法，计算i时刻设备的平均故障时间，同时当作设备的可靠性指标如下：
Figure FDA0002965890650000027
Figure FDA0002965890650000028
Figure FDA0002965890650000029
Figure FDA00029658906500000210
MTBFji＝MTBF(DHIfault)-MTBF(DHIji)；
其中DHIji为第j台设备i时刻的性能退化指标，MTBFji为第j台设备i时刻故障失效时间，DHIfault为设备从性能退化指标为0的健康状态退化到故障失效阈值的预测时间，MTBFji为设备j从当前i时刻状态到故障状态的平均故障时间，同时也记作该设备i时刻的可靠性指标；
步骤S70，通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，然后计算设备在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数如下：
Figure FDA0002965890650000031
Figure FDA0002965890650000032
Figure FDA0002965890650000033
Figure FDA0002965890650000034
Figure FDA0002965890650000035
其中
Figure FDA0002965890650000036
和
Figure FDA0002965890650000037
为在剩余寿命RUL＝l条件下，可靠性指标和性能指标的均值，
Figure FDA0002965890650000038
为在剩余寿命RUL＝l条件下，性能指标和可靠性指标的协方差， Lmax为设备的可能最长剩余寿命，选取试验数据的最大寿命值即Lmax＝max(mij)， P(MTBF,DHI|RUL＝l)为样品在各剩余寿命条件下，可靠性指标和性能指标的联合条件概率分布函数；
步骤S80：根据一台正在运行的设备的当前监测信息，输入训练好的长短期记忆网络，得到性能退化指标，然后根据可靠性评估算法计算样品可靠性评估指标，再通过贝叶斯公式，计算各寿命条件下的后验概率，最终得到样品剩余寿命的期望值如下：
Figure FDA0002965890650000039
Figure FDA00029658906500000310
Figure FDA00029658906500000311
Figure FDA00029658906500000312
MTBFnew＝MTBF(DHIfault)-MTBF(DHInew)；
Figure FDA0002965890650000041
Figure FDA0002965890650000042
其中DHInew为对正在运行的设备进行全寿命监测，并将得到的监测信息，输入训练好的LSTM网络，得到的性能退化评估值；MTBFnew将正在运行的设备的性能退化评估值带入可靠性评估模型通过模型计算得到的设备可靠性评估指标；P(RUL＝l|MTBFnew,DHInew)为在MTBFnew和DHInew条件下，设备在各剩余寿命l＝1,2,....RULmax条件下的后验概率，P(L)为通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布，
Figure FDA0002965890650000043
为根据设备后验概率分布P(RUL＝l|MTBFnew,DHInew)求取的设备剩余寿命的期望值，也就是设备基于可靠性与性能一体化的剩余寿命预测结果。
CN202110250611.1A 2021-03-08 2021-03-08 一种基于连续Weiner过程损伤的设备剩余寿命评估方法 Active CN112966441B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110250611.1A CN112966441B (zh) 2021-03-08 2021-03-08 一种基于连续Weiner过程损伤的设备剩余寿命评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110250611.1A CN112966441B (zh) 2021-03-08 2021-03-08 一种基于连续Weiner过程损伤的设备剩余寿命评估方法

Publications (2)

Publication Number Publication Date
CN112966441A CN112966441A (zh) 2021-06-15
CN112966441B true CN112966441B (zh) 2022-04-29

Family

ID=76276846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110250611.1A Active CN112966441B (zh) 2021-03-08 2021-03-08 一种基于连续Weiner过程损伤的设备剩余寿命评估方法

Country Status (1)

Country Link
CN (1) CN112966441B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113569384B (zh) * 2021-06-29 2022-11-04 中国人民解放军火箭军工程大学 基于数模联动的服役设备剩余寿命在线自适应预测方法
CN114646891B (zh) * 2022-03-10 2023-05-30 电子科技大学 一种结合lstm网络和维纳过程的剩余寿命预测方法
CN114970215B (zh) * 2022-07-29 2022-10-21 北京慧图科技(集团)股份有限公司 一种基于正态分布函数的物联网设备健壮性分析方法
CN115982976B (zh) * 2022-12-19 2024-01-05 南京航空航天大学 一种油浸式电力变压器的剩余寿命预测方法
CN117929906B (zh) * 2024-03-25 2024-06-04 天津蓝孚高能物理技术有限公司 一种辐照加速器用栅控电子枪的测试系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228026A (zh) * 2016-08-15 2016-12-14 广东石油化工学院 一种基于最优退化特征量的剩余寿命预测算法
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
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101877698B1 (ko) * 2008-08-25 2018-07-12 엑스칼리아드 파마슈티컬즈, 인코포레이티드 결합 조직 성장 인자에 대한 안티센스 올리고뉴클레오타이드 및 그의 용도

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106228026A (zh) * 2016-08-15 2016-12-14 广东石油化工学院 一种基于最优退化特征量的剩余寿命预测算法
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
CN109472110A (zh) * 2018-11-29 2019-03-15 南京航空航天大学 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法

Also Published As

Publication number Publication date
CN112966441A (zh) 2021-06-15

Similar Documents

Publication Publication Date Title
CN112966441B (zh) 一种基于连续Weiner过程损伤的设备剩余寿命评估方法
CN111046564B (zh) 两阶段退化产品的剩余寿命预测方法
CN107092582B (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
WO2020215721A1 (zh) 一种激光雷达的寿命预测方法
CN113051839B (zh) 一种基于深度学习的设备剩余寿命预测模型构建方法
Elish et al. Application of treenet in predicting object-oriented software maintainability: A comparative study
CN108009692A (zh) 设备维修信息处理方法、装置、计算机设备和存储介质
US8078913B2 (en) Automated identification of performance crisis
CN112118143B (zh) 流量预测模型训练方法、流量预测方法、装置、设备及介质
CN110134675B (zh) 一种面向海洋数据流的数据清洗方法和系统
CN112966443B (zh) 一种基于长短期记忆网络的设备可靠性与性能评估方法
CN112911627B (zh) 无线网络性能检测方法、装置以及存储介质
CN112884159B (zh) 模型更新系统、模型更新方法及相关设备
CN111666187B (zh) 用于检测异常响应时间的方法和装置
CN116455941A (zh) 基于物联网的室内环境多源数据传输方法及系统
CN115979310A (zh) 一种惯导系统性能退化评估方法、系统、电子设备及介质
CN117114454A (zh) 一种基于Apriori算法的直流套管状态评估方法及系统
CN104573361B (zh) 一种gis设备评估的方法和装置
CN116842464A (zh) 一种电池系统soc估计方法
CN117312769A (zh) 一种基于BiLSTM的物联网时序数据异常检测方法
CN117130851A (zh) 一种高性能计算集群运行效率评价方法及系统
CN114936614B (zh) 一种基于神经网络的作业风险识别方法及系统
CN107633271B (zh) 电力系统稳态可用度非精确概率计算方法
CN111382946B (zh) 设备健康状态的自主评估方法、系统及工业互联网设备
Grall-Maes et al. Degradation prognosis based on a model of Gamma process mixture

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