CN113033015A - 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 - Google Patents
考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113033015A CN113033015A CN202110384609.3A CN202110384609A CN113033015A CN 113033015 A CN113033015 A CN 113033015A CN 202110384609 A CN202110384609 A CN 202110384609A CN 113033015 A CN113033015 A CN 113033015A
- Authority
- CN
- China
- Prior art keywords
- stage
- degradation
- equipment
- drift
- lambda
- 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 80
- 230000005653 Brownian motion process Effects 0.000 title claims abstract description 52
- 238000006731 degradation reaction Methods 0.000 claims abstract description 125
- 238000012544 monitoring process Methods 0.000 claims abstract description 31
- 230000015556 catabolic process Effects 0.000 claims description 100
- 230000008859 change Effects 0.000 claims description 60
- 230000003044 adaptive effect Effects 0.000 claims description 34
- 238000009792 diffusion process Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 16
- 238000007476 Maximum Likelihood Methods 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000005537 brownian motion Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 claims description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 14
- 239000002699 waste material Substances 0.000 abstract description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 10
- 229910052744 lithium Inorganic materials 0.000 description 10
- 238000010586 diagram Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000007850 degeneration Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 238000013476 bayesian approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007784 solid electrolyte Substances 0.000 description 1
- 238000012360 testing method 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,基于Wiener过程,针对退化过程呈现两阶段特征的一类随机退化设备,充分考虑了现有剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且忽略了自适应漂移的可变性问题,提高了设备剩余寿命预测的准确性。本发明方法不仅可以对此类设备的剩余寿命进行准确预测分析,还可以为设备备件订购、最优替换等管理决策提供有力的理论依据,从而可实现高效合理的装备管理,避免浪费,因此该方法具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,具体涉及一种考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法。
背景技术
随着高新技术的迅速发展,现代工业设备正朝着大型化、复杂化和智能化快速发展。这类设备在运行过程中由于受到内部和外部因素的随机影响,性能和健康状态不可避免的呈现下降趋势乃至退化失效,导致无法完成正常任务和功能,进而引发严重事故,造成环境破坏和人员伤亡。如果能在设备性能退化初期对其进行剩余寿命预测,并基于预测结果确定维修决策的最佳时机,制定相应的备件订购或替换策略,将有效提高设备运行可靠性、降低运行成本。在剩余寿命预测的方法中,从经济性、安全性等角度出发,对于这种存在变点、呈现两阶段退化特性的设备进行退化建模和剩余寿命预测,已有不少学者进行了研究和拓展。Ng等根据退化数据的两阶段特性,提出一种基于单个变点的独立增量两阶段随机退化模型,并采用EM算法对模型参数进行估计。Yan等基于两阶段Wiener过程模型对液力耦合器进行可靠性校验,并根据赤池信息准则对变点进行辨识。Chen、等改进两阶段线性对数模型来描述滚球轴承的分阶段退化过程,并用贝叶斯方法更新模型参数进行寿命估计。Wang等提出了一种两阶段退化模型用于轴承退化数据的建模,在第一段假设处于健康状态,在第二段结合卡尔曼滤波和EM算法进行剩余寿命估计。Peng等为了提高剩余寿命预测的鲁棒性和效率,开发了一种半解析预测模型,该模型可以避免剩余寿命预测的大幅度波动,所提方法可以自动跟踪不同的退化阶段,并自适应地更新超参数。Zhang、等在两阶段Wiener过程退化模型的框架下,推导出基于首达时间意义的寿命分布,该模型优势在于充分考虑并量化变点处退化量的不确定性同时能够推广至更具有一般性的多阶段退化模型中。
尽管两阶段乃至多阶段退化模型已经取得了一些理论与实际应用成果,但仍存在一些问题有待解决。目前大多数两阶段退化模型(如:Zhang)都是基于Wang所提出的一阶自回归模型进行建模,但该模型存在三点不足:1)假设噪声项是独立且均匀分布,并且仅适用于均匀测量间隔。由于不是自动测量或根据某些设计方案进行测量等原因,在工程实际中设备退化过程的测量间隔往往是不均匀的。2)当使用多组同类型退化设备的历史数据或先验信息估计模型未知参数时,必须要求监测数据的测量频率与历史数据中使用的测量频率相同。否则,历史数据将不再适用。3)该模型退化建模存在一个潜在假设,即在后一时刻估计的随机参数与前一时刻的随机参数的后验估计完全相等,并且当该模型用于剩余寿命预测时,使用最新的监测值来更新漂移系数,该漂移系数从最后监测点开始保持不变,直到系统发生故障。这意味着该模型假设可以根据实时监测数据自适应更新漂移系数,但在未来的剩余寿命预测中忽略这种自适应漂移可变性。
发明内容
针对现有技术中的上述不足,本发明提供的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法解决了现有的设备剩余寿命预测方法中没有考虑两阶段退化特征,进而影响剩余寿命预测准确性的问题。
为了达到上述发明目的,本发明采用的技术方案为:考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,包括以下步骤:
S1、基于自适应Wiener过程,建立描述设备经历两阶段特征的随机退化模型;
S2、对建立的随机退化模型中的漂移系数和未知参数进行估计,获得完整的随机退化模型,并对其进行变点检测;
S3、基于完整的随机退化模型和检测到的变点,对退化设备进行两阶段自适应Wiener过程的剩余寿命预测。
进一步地,所述步骤S1中,自适应Wiener过程表示为:
λ(t)=λ0+kW(t)
式中,λ(t)为遵循Wiener过程且随时间变化的漂移系数,λ0为初始漂移率,k为λ(t)的扩散系数,W(t)为独立于B(t)的标准Brownian运动,B(t)为一个标准的Brownian运动,τ为变点发生时间,σ为设备退化过程的扩散系数,W(t)为设备经历两阶段特征的随机变化模型;
建立的随机退化模型为:
式中,x0为退化初始值,xτ为第二阶段退化初始值即变点处的退化量,τ为变点发生时间,λ1和σ1分别为第一阶段退化过程的漂移系数和扩散系数,λ2和σ2分别为第二阶段退化过程的漂移系数和扩散系数,t为时间,λ1(s)和λ2(s)分别为与λ1和λ2相关的函数;
对于所述随机退化模型,设备的剩余寿命T为:
T=inf{t:X(t)≥w|X(0)<w}
式中,w为预先设定的失效阈值;
对于运行中的设备,其在时刻tk处的剩余寿命Lk为:
Lk=inf{Lk:X(Lk+tk)≥w|X(tk)<w}
进一步地,所述步骤S2中,对漂移系数λ=[λ1,λ2]进行估计时,将λ1,λ2作为随机退化模型中的隐含状态,通过对隐含状态进行估计实现对漂移系数λ=[λ1,λ2]的估计;
基于Kalman滤波方法进行两个阶段的状态估计和更新的方法为:
其中,λ1,λ2分别为第一阶段和第二阶段的漂移系数,x0:k为设备运行的实时观测数据,xτ+1:k为变点发生后的设备运行观测数据,E(·)为均值函数,var(·)为方差函数,且漂移系数λ=[λ1,λ2]服从高斯分布,即ua和均为高斯分布的参数;
对于第一阶段,即tk≤τ,利用第一阶段的设备运行实时观测数据x0:k对λ1进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
P1k|k=P1k|k-1+P1k|k-1K1(k)Δt
对于第二阶段,即tk>τ,利用第二阶段的设备运行观测数据xτ+1:k={xτ+1,xτ+2,…,xk}对λ2进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
P2k|k=P2k|k-1+P2k|k-1K2(k)Δt
式中,为第一阶段漂移参数初值,a10,p10分别为漂移参数初值对应的均值和方差,P1k|k-1为预测方差,k1为第一阶段对应的自适应漂移率的扩散系数,Δt为两个监测点时间间隔即Δt=tk-tk-1,K1(k)为第一阶段滤波增益,为噪声部分即 为第一阶段λ1k后验估计的期望,xk为在tk时刻的监测数据,xk∈xτ:k;
为第二阶段漂移参数初值,a20,p20分别为漂移参数初值对应的均值和方差,P2k|k-1为预测方差,k2为第二阶段对应的自适应漂移率的扩散系数,K2(k)为第二阶段滤波增益,为噪声部分即 为第二阶段λ2k后验估计的期望。
进一步地,所述步骤S2中,对未知参数Θ=[k1,k2,σ1,σ2]进行估计的方法具体为:
L1k(θ1)=ln p(x0:k|θ1)
式中,p(x0:k|θ1)为监测数据x0:k的联合PDF;
进一步地,所述步骤A3中,在EM算法中,未知参数Θ=[k1,k2,σ1,σ2]极大似然估计,通过迭代以下两个公式实现:
进一步地,所述步骤S2中,进行变点检测的过程为:
基于SCI原则,做出如下假设:
(1)原假设H0:各参数值相等,表示随机退化模型中不存在变点;
基于原假设H0下的SIC(m)值为:
基于备择假设H1下的SIC(i)为:
进一步地,所述步骤S3具体为:
S31、基于完整的随机退化模型,确定退化设备的寿命估计值;
S32、基于退化设备的寿命估计值和变点值,确定设备剩余寿命分布的概率密度函数,实现对退化设备的剩余寿命预测。
当变点处的退化设备的退化量xτ已知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数为:
当变点处的退化设备的退化量xτ未知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数fT(t)为:
进一步地,所述步骤S32中:
当当前时刻tk位于变点前且失效阈值位移变点后时,即lk+tk>τ,此时设备剩余寿命分布的概率密度函数为fL(lk):
当当前时刻tk位于变点后,即tk>τ,此时设备剩余寿命分布的概率密度函数为fL(lk):
本发明的有益效果为:
(1)本发明基于自适应Wiener过程,给出了一种新的经历两阶段特征的随机退化设备剩余寿命预测方法,针对退化过程呈现两阶段特征的一类随机退化设备,充分考虑了现有剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且忽略了自适应漂移的可变性问题,提高了设备剩余寿命预测的准确性。
(2)本发明方法不仅可以对此类设备的剩余寿命进行准确预测分析,还可以为设备备件订购、最优替换等管理决策提供有力的理论依据,从而可实现高效合理的装备管理,避免浪费,因此该方法具有很好的工程应用价值。
附图说明
图1为本发明提供的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法流程图。
图2为本发明提供的NASA四种型号锂电池容量退化数据示意图。
图3为本发明提供的CS2-37锂电池SIC值示意图。
图4为本发明提供的CS2-37锂电池对应的第一阶段模型参数更新示意图。
图5为本发明提供的CS32-37锂电池对应的第二阶段模型参数更新示意图。
图6为本发明提供的三种方法不同监测点预测的锂电池剩余寿命概率密度分布。
图7为本发明提供的三种方法不同监测点剩余寿命预测绝对误差示意图。
图8为本发明提供的三种方法α-β性能评价指标图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1:
在实际工程中,由于受到内部因素(如退化机理突变)或外部因素(如动态环境、状态切换)的影响,许多设备的退化特性呈现出两阶段乃至多阶段退化特征。针对雷速随机退化设备,现有设备剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且忽略了自适应漂移的可能性。因此,本发明实施例提供了一种新的两阶段自适应Wiener过程剩余寿命预测方法,如图1所示,考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,包括以下步骤:
S1、基于自适应Wiener过程,建立描述设备经历两阶段特征的随机退化模型;
S2、对建立的随机退化模型中的漂移系数和未知参数进行估计,获得完整的随机退化模型,并对其进行变点检测;
S3、基于完整的随机退化模型和检测到的变点,对退化设备进行两阶段自适应Wiener过程的剩余寿命预测。
由于一般过程模型存在测量间隔不均匀、测量频率不一致以及在剩余寿命预测中没有利用实时监测数据自适应更新漂移系数三点不足。因此,本实施例的步骤S1中,考虑采用以下自适应Wiener过程模型进行随机退化建模;
λ(t)=λ0+kW(t)
其中,λ(t)是一个遵循Wiener过程且随时间变化的漂移系数,λ0是初始漂移率,k为λ(t)的扩散系数,W(t)为独立于B(t)的标准Brownian运动,B(t)为一个标准的Brownian运动,τ为变点发生时间,σ为设备退化过程的扩散系数。本实施例针对退化过程中存在两阶段退化特征的情况,基于式(1)和假设条件,建立随机退化模型为:
式中,x0为退化初始值,xτ为第二阶段退化初始值即变点处的退化量,τ为变点发生时间,λ1和σ1分别为第一阶段退化过程的漂移系数和扩散系数,λ2和σ2分别为第二阶段退化过程的漂移系数和扩散系数,t为时间,λ1(s)和λ2(s)分别为与λ1和λ2相关的函数;
设备的寿命定义基于随机过程的首达时间概念,当性能退化量首次超过时效阈值w时,对于所述随机退化模型,设备的剩余寿命T为:
T=inf{t:X(t)≥w|X(0)<w} (3)
式中,w为预先设定的失效阈值,时效阈值根据实际工程要求给定,对于运行中的设备,其在时刻tk处的剩余寿命Lk为:
Lk=inf{Lk:X(Lk+tk)≥w|X(tk)<w} (4)
本实施例的步骤S2中,需要估计的参数主要包括两部分,一是描述两个阶段退化速率的漂移系数λ=[λ1,λ2],且漂移系数λ=[λ1,λ2]服从高斯分布,即ua和均为高斯分布的参数;二是退化模型(2)中的未知参数Θ=[k1,k2,σ1,σ2]。
上述步骤S2中,对漂移系数λ=[λ1,λ2]进行估计时,根据式(2)中的退化模型,将λ1,λ2作为随机退化模型中的隐含状态,通过对隐含状态进行估计实现对漂移系数λ=[λ1,λ2]的估计;
基于Kalman滤波方法进行两个阶段的状态估计和更新的方法为:
其中,λ1,λ2分别为第一阶段和第二阶段的漂移系数,x0:k为设备运行的实时观测数据,xτ+1:k为变点发生后的设备运行观测数据,E(·)为均值函数,var(·)为方差函数,且漂移系数λ=[λ1,λ2]服从高斯分布,即ua和均为高斯分布的参数;
对于第一阶段,即tk≤τ,利用第一阶段的设备运行实时观测数据x0:k对λ1进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
类似地,若tk>τ,可利用当前运行设备退化数据更新参数λ2,由于第一阶段数据与第二阶段模型无关,因此仅需要数据xτ:k={xτ+1,xτ+2,…,xk}用于对其进行更新;对于第二阶段,即tk>τ,利用第二阶段的设备运行观测数据xτ+1:k={xτ+1,xτ+2,…,xk}对λ2进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
P2k|k=P2k|k-1+P2k|k-1K2(k)Δt (10)
式中,为第一阶段漂移参数初值,a10,p10分别为漂移参数初值对应的均值和方差,P1k|k-1为预测方差,k1为第一阶段对应的自适应漂移率的扩散系数,Δt为两个监测点时间间隔即Δt=tk-tk-1,K1(k)为第一阶段滤波增益,为噪声部分即 为第一阶段λ1k后验估计的期望,xk为在tk时刻的监测数据,xk∈xτ:k;
为第二阶段漂移参数初值,a20,p20分别为漂移参数初值对应的均值和方差,P2k|k-1为预测方差,k2为第二阶段对应的自适应漂移率的扩散系数,K2(k)为第二阶段滤波增益,为噪声部分即 为第二阶段λ2k后验估计的期望。
假设对同一批退化设备进行监测,监测点为m个,即x={x1,x2,…,xm},其各自对应的监测时间为{t1,t2,…,tm}。同时,本文假设变点发生时间已知,即τ∈{t1,t2,…,tm},那么{x1,x2,…,xτ}表示设备第一阶段的退化数据,{xτ+1,xτ+2,…,xm}表示设备第二阶段的退化数据。
基于此,对未知参数Θ=[k1,k2,σ1,σ2]进行估计的方法具体为:
L1k(θ1)=ln p(x0:k|θ1) (11)
式中,p(x0:k|θ1)为监测数据x0:k的联合PDF;
在本实施例中,由于漂移系数λ1无法使θ1最大化,而EM算法可通过最大化联合似然函数p(λ1k,x0:k|θ1)来估计逼近参数的极大似然估计,对未知参数Θ=[k1,k2,σ1,σ2]极大似然估计,可通过迭代以下两个公式实现:
通过不断迭代上述两个公式直到满足某一收敛条件截止,由此得到对应的参数估计值,一般来说随着迭代次数增加,得到参数估计值会越来越好。第二阶段参数估计方法同上,在此不再赘述。
上述步骤S2中,对变点进行检测过程中,在退化实验过程中,测出设备性能退化一般为离散值,因此变点τ的值通常未知,SIC是Akaike信息准则的改进,对变点检测效果良好,本实施例中通过SIC,确定变点τ的值;
SIC是由Schwarz G.于1978年提出,可以解决模型是否存在变点问题。其原理是如果待检测序列存在变点,其样本的熵要大于不存在变点的样本的熵。利用SIC来估计变点的个数和位置是较为简单的,对变点的检测效果良好。其定义为:
本实施例中,对变点进行检测时,基于SCI原则,做出如下假设:
(1)原假设H0:各参数值相等,表示随机退化模型中不存在变点;
基于原假设H0下的SIC(m)值为:
基于备择假设H1下的SIC(i)为:
本实施例的步骤S3具体为:
S31、基于完整的随机退化模型,确定退化设备的寿命估计值;
S32、基于退化设备的寿命估计值和变点值,确定设备剩余寿命分布的概率密度函数,实现对退化设备的剩余寿命预测。
当变点处的退化设备的退化量xτ已知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数(Probability density function,PDF)为:
实际中,在变点出现前,变点出退化量准确值xτ是未知的,为了得到寿命估计值,首先要得到首达实际意义下xτ的分布形式,即在xτ<D条件下经过时间τ,退化量从0到xτ的转移概率gτ(xτ),因此,要计算退化过程在(xτ,∞)失效概率,需保证退化过程在(0,xτ)上未超过失效阈值,若gτ(xτ)的解析式可以得到,则当变点处的退化设备的退化量xτ未知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数fT(t)为:
上述步骤S32中,若已知当前时刻tk的退化状态xk,用lk表示设备剩余寿命,fL(lk)表示设备剩余寿命分布的PDF,在随机退化速率λ1和λ2的影响下,可获得首达时间意义下两阶段自适应Wiener过程模型剩余寿命的PDF,其形式与首达时间意义下得到的寿命分布PDF,即与式(20)类似,具体可分为以下两种情况:
当当前时刻tk位于变点前,即tk<τ,此时随机设备退化失效又存在两种情况:1)失效阈值位于变点前,即lk+tk≤τ;2)失效阈值位于变点后,即lk+tk>τ,此时设备剩余寿命分布的概率密度函数为fL(lk):
当当前时刻tk位于变点后,即tk>τ,此时设备剩余寿命分布的概率密度函数为fL(lk):
实施例2:
本实施例中,对服役过程中经历两阶段退化特征的锂电池容量数据对所提方法进行验证,该组数据共包括四种不同型号电池在室温条件下通过充放电实验得到的,记录了电池状态信息(包括容量)随充放电循环的变化,由于固体电解质层在电极上的具体退化过程的生长以及副反应导致的活性材料的损失,导致锂电池容量在后一阶段迅速降低。编号为SC2-35、CS2-36、CS2-37、CS2-38四组电池容量退化数据如图2所示,图中退化过程呈现出明显的两阶段特性,这里采用CS2-37锂电池数据进行剩余寿命预测验证。
基于上述实施例1中步骤S2中的方法,对CS2-37锂电池进行变点检测,确定变点所在时刻,如图3所示,将变点引入到参数估计中,再结合退化数据,可得到两个阶段漂移系数的均值和方差分别为ua=8.056×10-4、σa=2.94×10-5、ub=0.00221、σb=7.41×10-5,图4、图5展示了隐含状态即漂移系数的在线更新过程。
为了验证,所提方法预测剩余寿命结果的有效性,这里将Zhang的两阶段方法定义为方法1,将单一阶段线性过程方法定义为方法2,将本发明提出的两阶段自适应Wiener过程方法定义为方法3,并利用CS2-37锂电池监测数据进行预测验证与比较。
三种方法依据测试数据得到的剩余寿命预测结果如图6所示,方法2预测的剩余寿命的概率密度函数能够很好的覆盖剩余寿命的真实值,且预测均值在各监测点均接近实际剩余寿命,结果明显方法1和方法2的预测结果。
为了更加直观说明本方法的有效性,给出三种方法的剩余寿命预测绝对误差和α-β性能指标对预测结果进行验证,如图7~8所示。
从图7、图8中可以看出,与方法2相比,方法3考虑变点前后呈现两阶段特征,即变点前后的退化速率存在明显差异进行建模,且考虑同批产品个体差异性的影响,其模型更符合退化实际情况。与Zhang所提的方法1相比,方法3考虑Wiener过程模型存在测量间隔不均匀、测量频率不一致以及在剩余寿命预测中忽略了自适应漂移的可变性等三点不足,结果表明在监测前期退化数据较少时,所提模型能取得较好的预测结果。其原因是Wiener过程模型忽略了剩余寿命预测中自适应漂移的可变性,随着电池充放电循环在寿命将尽时,两者将提供近似的预测结果。这进一步验证了方法3相对于现有方法1和2更加准确、有效。
Claims (9)
1.考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,其特征在于,包括以下步骤:
S1、基于自适应Wiener过程,建立描述设备经历两阶段特征的随机退化模型;
S2、对建立的随机退化模型中的漂移系数和未知参数进行估计,获得完整的随机退化模型,并对其进行变点检测;
S3、基于完整的随机退化模型和检测到的变点,对退化设备进行两阶段自适应Wiener过程的剩余寿命预测。
2.根据权利要求1所述的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,其特征在于,所述步骤S1中,自适应Wiener过程表示为:
λ(t)=λ0+kW(t)
式中,λ(t)为遵循Wiener过程且随时间变化的漂移系数,λ0为初始漂移率,k为λ(t)的扩散系数,W(t)为独立于B(t)的标准Brownian运动,B(t)为一个标准的Brownian运动,τ为变点发生时间,σ为设备退化过程的扩散系数,W(t)为设备经历两阶段特征的随机变化模型;
建立的随机退化模型为:
式中,x0为退化初始值,xτ为第二阶段退化初始值即变点处的退化量,τ为变点发生时间,λ1和σ1分别为第一阶段退化过程的漂移系数和扩散系数,λ2和σ2分别为第二阶段退化过程的漂移系数和扩散系数,t为时间,λ1(s)和λ2(s)分别为与λ1和λ2相关的函数;
对于所述随机退化模型,设备的剩余寿命T为:
T=inf{t:X(t)≥w|X(0)<w}
式中,w为预先设定的失效阈值;
对于运行中的设备,其在时刻tk处的剩余寿命Lk为:
Lk=inf{Lk:X(Lk+tk)≥w|X(tk)<w}
3.根据权利要求1所述的基于两阶段自适应Wiener过程的退化设备剩余寿命预测方法,其特征在于,所述步骤S2中,对漂移系数λ=[λ1,λ2]进行估计时,将λ1,λ2作为随机退化模型中的隐含状态,通过对隐含状态进行估计实现对漂移系数λ=[λ1,λ2]的估计;
基于Kalman滤波方法进行两个阶段的状态估计和更新的方法为:
其中,λ1,λ2分别为第一阶段和第二阶段的漂移系数,x0:k为设备运行的实时观测数据,xτ+1:k为变点发生后的设备运行观测数据,E(·)为均值函数,var(·)为方差函数,且漂移系数λ=[λ1,λ2]服从高斯分布,即ua和均为高斯分布的参数;
对于第一阶段,即tk≤τ,利用第一阶段的设备运行实时观测数据x0:k对λ1进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
P1k|k=P1k|k-1+P1k|k-1K1(k)Δt
对于第二阶段,即tk>τ,利用第二阶段的设备运行观测数据xτ+1:k={xτ+1,xτ+2,…,xk}对λ2进行估计和更新的过程为:
初始化:
状态估计:
方差更新:
P2k|k=P2k|k-1+P2k|k-1K2(k)Δt
式中,为第一阶段漂移参数初值,a10,p10分别为漂移参数初值对应的均值和方差,P1k|k-1为预测方差,k1为第一阶段对应的自适应漂移率的扩散系数,Δt为两个监测点时间间隔即Δt=tk-tk-1,K1(k)为第一阶段滤波增益,为噪声部分即 为第一阶段λ1k后验估计的期望,xk为在tk时刻的监测数据,xk∈xτ:k;
7.根据权利要求6所述的考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法,其特征在于,所述步骤S3具体为:
S31、基于完整的随机退化模型,确定退化设备的寿命估计值;
S32、基于退化设备的寿命估计值和变点值,确定设备剩余寿命分布的概率密度函数,实现对退化设备的剩余寿命预测。
当变点处的退化设备的退化量xτ已知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数为:
当变点处的退化设备的退化量xτ未知时,根据自适应Wiener过程的寿命分布,获得两阶段自适应Wiener过程寿命的概率密度函数fT(t)为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110384609.3A CN113033015B (zh) | 2021-04-09 | 2021-04-09 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110384609.3A CN113033015B (zh) | 2021-04-09 | 2021-04-09 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033015A true CN113033015A (zh) | 2021-06-25 |
CN113033015B CN113033015B (zh) | 2024-05-14 |
Family
ID=76456246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110384609.3A Active CN113033015B (zh) | 2021-04-09 | 2021-04-09 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033015B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569384A (zh) * | 2021-06-29 | 2021-10-29 | 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 |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
CN114818345A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 一种光伏组件剩余寿命预测方法及预测系统 |
CN115034412A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军火箭军工程大学 | 基于设备状态检测的设备视情维修与备件订购方法 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Citations (5)
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 |
CN105740625A (zh) * | 2016-01-31 | 2016-07-06 | 太原科技大学 | 一种齿轮的实时剩余寿命预测方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
-
2021
- 2021-04-09 CN CN202110384609.3A patent/CN113033015B/zh active Active
Patent Citations (5)
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 |
CN105740625A (zh) * | 2016-01-31 | 2016-07-06 | 太原科技大学 | 一种齿轮的实时剩余寿命预测方法 |
CN107480440A (zh) * | 2017-08-04 | 2017-12-15 | 山东科技大学 | 一种基于两阶段随机退化建模的剩余寿命预测方法 |
US20190138926A1 (en) * | 2017-12-22 | 2019-05-09 | Beihang University | Degradation modeling and lifetime prediction method considering effective shocks |
CN111046564A (zh) * | 2019-12-16 | 2020-04-21 | 重庆大学 | 两阶段退化产品的剩余寿命预测方法 |
Non-Patent Citations (7)
Title |
---|
HAN WANG, ETC.: "An improved Wiener process model with adaptive drift and diffusion for online remaining useful life prediction", 《MECHANICAL SYSTEMS AND SIGNAL PROCESSING》, 20 March 2019 (2019-03-20), pages 370 * |
HONG PEI, ETC.: "Remaining Useful Life Prediction for Nonlinear Degraded Equipment With Bivariate Time Scales", 《IEEE ACCESS》, 6 November 2019 (2019-11-06), pages 165166 - 165180 * |
HONGYU WANG, ETC.: "Remaining Useful Life Prediction Using a Novel Two-Stage Wiener Process With Stage Correlation", 《IEEE ACCESS》, 23 October 2018 (2018-10-23), pages 65227 - 65238 * |
YUXIN WEN, ETC.: "Degradation modeling and RUL prediction using Wiener process subject to multiple change points and unit heterogeneity", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》, 13 April 2018 (2018-04-13), pages 113, XP085397715, DOI: 10.1016/j.ress.2018.04.005 * |
张鹏, 等: "考虑随机效应的两阶段退化系统剩余寿命预测方法", 《中国测试》, 31 January 2019 (2019-01-31), pages 1 - 7 * |
李航;张洋铭;: "基于状态监测数据的航空发动机剩余寿命在线预测", 南京航空航天大学学报, no. 04, 15 August 2020 (2020-08-15), pages 70 - 77 * |
鄢伟安: "鱼雷贮存可靠性分析方法研究", 《中国博士学位论文全文数据库 (工程科技Ⅱ辑)》, 15 July 2015 (2015-07-15), pages 032 - 10 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113569384A (zh) * | 2021-06-29 | 2021-10-29 | 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 |
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 |
CN114091790A (zh) * | 2022-01-20 | 2022-02-25 | 浙江大学 | 一种融合现场数据和两阶段加速退化数据的寿命预测方法 |
CN114818345A (zh) * | 2022-05-05 | 2022-07-29 | 兰州理工大学 | 一种光伏组件剩余寿命预测方法及预测系统 |
CN114818345B (zh) * | 2022-05-05 | 2023-09-12 | 兰州理工大学 | 一种光伏组件剩余寿命预测方法及预测系统 |
CN115034412A (zh) * | 2022-06-08 | 2022-09-09 | 中国人民解放军火箭军工程大学 | 基于设备状态检测的设备视情维修与备件订购方法 |
CN116227366A (zh) * | 2023-05-08 | 2023-06-06 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
CN116227366B (zh) * | 2023-05-08 | 2023-08-11 | 浙江大学 | 两阶段电机绝缘寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113033015B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033015A (zh) | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 | |
CN107480440B (zh) | 一种基于两阶段随机退化建模的剩余寿命预测方法 | |
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Ahwiadi et al. | An adaptive particle filter technique for system state estimation and prognosis | |
CN108037463B (zh) | 一种锂离子电池寿命预测方法 | |
CN113158471B (zh) | 一种考虑测量不确定性的退化设备剩余寿命预测方法 | |
CN110133507B (zh) | 一种基于narx-ukf算法的电池剩余电量估计方法 | |
CN112415414A (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN111781503B (zh) | 一种锂离子储能电池soc在线估算方法 | |
Zhang et al. | Cost-effective Lebesgue sampling long short-term memory networks for lithium-ion batteries diagnosis and prognosis | |
CN109633470B (zh) | 基于ekf-gpr和日常片段数据的电池实时全充时间的估算方法 | |
CN111220920B (zh) | 基于h∞无迹卡尔曼滤波算法的退役锂离子电池荷电状态计算方法 | |
CN104316879B (zh) | 一种铅酸蓄电池组寿命的预测方法 | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
EP4145157A1 (en) | Battery system state of health monitoring system | |
Hua et al. | Data-driven prognostics for PEMFC systems by different echo state network prediction structures | |
CN116047314A (zh) | 一种可充电电池健康状态预测方法 | |
CN116804711A (zh) | 基于预测的使用模式来提供设备电池组的预测健康状态的方法和装置 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
Cristaldi et al. | A comparative study on data-driven prognostic approaches using fleet knowledge | |
CN117471346A (zh) | 用于确定退役电池模组剩余寿命和健康状态的方法及系统 | |
Bak et al. | Accurate estimation of battery SOH and RUL based on a progressive lstm with a time compensated entropy index | |
CN117420442A (zh) | 一种基于mnq-lstm的电池剩余寿命预测方法 | |
CN115308611B (zh) | 考虑温度补偿的锂离子电池剩余寿命预测方法 |
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 |