CN113221252A - 一种船舶寿命预测方法及系统 - Google Patents
一种船舶寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113221252A CN113221252A CN202110604039.4A CN202110604039A CN113221252A CN 113221252 A CN113221252 A CN 113221252A CN 202110604039 A CN202110604039 A CN 202110604039A CN 113221252 A CN113221252 A CN 113221252A
- Authority
- CN
- China
- Prior art keywords
- state
- degradation process
- ship
- density distribution
- probability density
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Complex Calculations (AREA)
Abstract
本发明涉及一种船舶寿命预测方法及系统。该方法包括采集历史时段M维测量数据,该数据包括正常工作状态下的测量数据以及维护状态下的测量数据;基于M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵、每个退化过程的漂移系数和扩散系数,一维测量数据对应一个退化过程;设定每个退化过程的失效阈值,基于转移矩阵、每个退化过程的漂移系数和扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。提高了船舶寿命预测的准确性。
Description
技术领域
本发明涉及船舶技术领域,尤其涉及一种船舶寿命预测方法及系统。
背景技术
现有寿命预测技术主要包括两个大类:基于机理的方法、基于数据的方法,前者有较好的可解释性,但是实际系统往往机理极为复杂故应用范围很小,后者是目前较为主流的方法。
传统方法认为船舶的退化过程是均匀的,即从出厂到船舶报废只经历了一段均匀退化的过程,这种方法过于理想化,导致船舶寿命的预测结果不准确。
基于上述分析,急需寻求一种船舶寿命预测方法及系统,可以较为准确地对船舶的寿命进行预测。
发明内容
鉴于上述的分析,本发明实施例旨在提供一种船舶寿命预测方法及系统,用以解决现有船舶寿命预测方法准确性不高的问题。
一方面,本发明实施例提供了一种船舶寿命预测方法,包括:
采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
进一步,所述基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命,包括:
将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L,所述多个变量分别表示多个退化过程失效时间;
根据下述公式,计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
进一步,所述基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布,包括:
根据下述公式得到船舶故障状态的联合概率密度分布:
F(l)=C(F(1)(l(1)),F(2)(l(2)),...,F(M)(l(M));ρ)
=Φρ(Φ-1(F(1)(l(1))),Φ-1(F(2)(l(2))),...Φ-1(F(M)(l(M))))
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布,F(1)(l(1))表示当前时刻为tk时,第一个退化过程失效时间的累积概率密度分布,F(2)(l(2))表示当前时刻为tk时,第二个退化过程失效时间的累积概率密度分布,F(M)(l(M))表示当前时刻为tk时,第M个退化过程失效时间的累积概率密度分布,Φρ表示均值为零向量,协方差矩阵为ρ的M维正态分布的联合累积分布函数,Φ-1表示标准正态分布的逆累积分布函数。
进一步,所述方法还包括通过下述公式计算ρ:
其中,Fi(l)表示当前时刻为ti时,计算得到的船舶故障状态的联合概率密度分布,1≤i≤k。
进一步,基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵,包括:
基于M维测量数据,得到历史时段内正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长;
根据历史时段正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长,结合极大似然估计法,计算得到正常工作状态与维护状态之间的转移矩阵。
进一步,计算得到正常工作状态与维护状态之间的转移矩阵,包括:
根据下述公式,计算正常工作状态转换为维护状态的状态转移率λ01以及维护状态转换为正常工作状态的转移率λ10:
其中,n01表示历史时段内正常工作状态转换至维护状态的次数;n10表示历史时段内维护状态转换至正常工作状态的次数;T0表示历史时段内最后一次发生状态切换之前处于正常工作状态的总时长;T1表示历史时段最后一次发生状态切换之前处于维护状态的总时长;
根据下述公式,计算正常工作状态转换为维护状态的状态转移概率P01以及维护状态转换为正常工作状态的状态转移概率P10:
其中,t表示历史时段测量数据的采样周期;
进一步,基于所述M维测量数据,计算得到每个退化过程的漂移系数以及扩散系数,包括:
其中,φj=0表示正常工作状态,φj=1表示维护状态,k表示第m个退化过程对应的测量数据的采样个数,表示第m个退化过程第j+1个采样值,表示第m个退化过程第j个采样值,tj+1表示采集的时刻,tj表示采集的时刻;
根据下述公式计算第m个退化过程的扩散系数σ(m);
进一步,设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布,包括:
根据下述公式,基于第m个退化过程当前时刻tk对应的采样值、转移矩阵以及第m个退化过程的漂移系数以及扩散系数,得到第m个退化过程的未来时刻的预测值:
其中,表示第m个退化过程当前时刻tk对应的船舶状态对应的漂移系数,φk表示当前时刻tk对应的船舶状态,表示第m个退化过程未来预测时刻tk+1对应的预测值,表示当前时刻tk对应的采样值,为满足的随机数;表示第m个退化过程未来预测时刻tk+s-1对应的船舶状态的漂移系数,由φk+s-1的状态决定,φk+s-1表示未来预测时刻tk+s-1对应的船舶状态,由前一预测时刻的状态和转移矩阵决定,表示第m个退化过程未来预测时刻tk+s对应的预测值,表示未来预测时刻tk+s-1对应的预测值,s≥2,为满足分布的随机数;
基于蒙特卡罗方法,得到第m个退化过程的多个失效时间,进而得到每个退化过程的多个失效时间的累积概率密度分布。
另一方面,本发明实施例提供了一种船舶寿命预测系统,包括:
数据采集模块,用于采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
转移矩阵计算模块,用于基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵;
漂移系数以及扩散系数计算模块,用于基于所述M维测量数据,计算得到每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
累积概率密度分布获取模块,用于设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
联合概率密度分布获取模块,用于基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
寿命计算模块,用于基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
进一步,寿命计算模块包括:
变量设置模块,用于将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L;
寿命计算模块,用于根据下述公式,计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
与现有技术相比,本发明至少可实现如下有益效果:
本申请通过采用采集历史时段M维测量数据,M维测量数据中的每一维测量数据都包括正常工作状态测量数据以及维护状态测量数据,基于采集的M维测量数据计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数和扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布,进而结合正态copula函数得到船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命的技术方案;本申请中对船舶寿命的预测引入了维护活动对船舶寿命的影响,通过同时考虑正常工作状态以及维护状态对船舶寿命的影响,提高了船舶寿命预测的准确性。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1为本申请一实施例中一种船舶寿命预测方法流程示意图;
图2为本申请一实施例中一种船舶寿命预测系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种船舶寿命预测方法,具体流程图如图1所示,该方法包括:
步骤S10:采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
步骤S20:基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
步骤S30:设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
步骤S40:基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
步骤S50:基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
与现有技术相比,本实施例提供的船舶寿命预测方法,通过采用采集历史时段M维测量数据,M维测量数据中的每一维测量数据都包括正常工作状态测量数据以及维护状态测量数据,基于采集的M维测量数据计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数和扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布,进而结合正态copula函数得到船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命的技术方案;本申请中对船舶寿命的预测引入了维护活动对船舶寿命的影响,通过同时考虑正常工作状态以及维护状态对船舶寿命的影响,提高了船舶寿命预测的准确性。
具体的,步骤S10中的M维测量数据包括发电机功率、主机转速、滑失率、冷却水温度、滑油压力、滑油温度等多维度测量数据,可根据实际需求进行选定,选定的参数维度越多,对应的预测结果越准确;利用船舶本身的传感器采集M维测量数据,每种传感器记录一维测量数据,例如发电机功率传感器用于记录历史时段的发电机功率数据,并通过不断采样形成发电机功率这一维度的测量数据。进一步地,每个维度中的每个测量数据都带有状态标签,该状态标签是指维护状态或者正常工作状态,用于表征该测量数据采集时的船舶状态,因此每维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据。进一步的,步骤S10中的历史时段是指过去的某一时刻到当前时刻的时间间隔,即,当前时刻之前是需要采集的历史数据,当前时刻之后是需要预测的未来数据,当前时刻对应的数据为采样值。
在一个具体的实施例中,步骤S20包括:
步骤S21:基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵;
步骤S22:基于所述M维测量数据,计算得到每个退化过程的漂移系数以及扩散系数。
在一个具体的实施例中,步骤S21包括:
步骤S211:基于M维测量数据,得到历史时段内正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长;
具体地,由于每个维度中的每个测量数据都带有状态标签,该状态标签是指维护状态或者正常工作状态,用于表征该测量数据采集时船舶所处的状态,因此在采集完成历史时段的M维测量数据之后,可以通过统计得知,历史时段内正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长。
步骤S212:根据历史时段正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长,结合极大似然估计法,计算得到正常工作状态与维护状态之间的转移矩阵。
在一个具体的实施例中,步骤S212包括:
步骤S2121:根据公式(1),计算正常工作状态转换为维护状态的状态转移率λ01以及维护状态转换为正常工作状态的转移率λ10:
其中,n01表示历史时段内正常工作状态转换至维护状态的次数;n10表示历史时段内维护状态转换至正常工作状态的次数;T0表示历史时段内最后一次发生状态切换之前处于正常工作状态的总时长;T1表示历史时段最后一次发生状态切换之前处于维护状态的总时长。
具体地,最后一次发生状态切换可以是由正常工作状态转换为维护状态或者是由维护状态转换为正常工作状态。
步骤S2122:根据公式(2),计算正常工作状态转换为维护状态的状态转移概率P01以及维护状态转换为正常工作状态的状态转移概率P10:
其中,t表示历史时段测量数据的采样周期。
具体地,1-P01表示维持正常工作状态的概率,1-P10表示维持维护状态的概率。
在一个具体的实施例中,步骤S22包括:
其中,φj=0表示正常工作状态,φj=1表示维护状态,k表示第m个退化过程对应的测量数据的采样个数,表示第m个退化过程第j+1个采样值,表示第m个退化过程第j个采样值,tj+1表示采集的时刻,tj表示采集的时刻。
步骤S222:根据公式(4)计算第m个退化过程的扩散系数σ(m);
具体地,以第m个退化过程历史时段的测量数据包括采样值a1、a2、a3、a4、a5、a6为例进行说明,a1至a6分别对应采样时刻t1至t6,a1、a2以及a5对应正常工作状态(即,0状态),a3、a4以及a6对应维护状态(即,1状态),第m个退化过程的正常工作状态下的漂移系数满足第m个退化过程的维护状态下的漂移系数满足扩散系数σ(m)满足
具体地,每一维测量数据都对应一个退化过程,第m个退化过程为M维测量数据中的第m维测量数据对应的退化过程,其它退化过程的漂移系数以及扩散系数的计算原理与第m个退化过程的漂移系数与扩散系数的计算原理相同。
在一个具体的实施例中,步骤S30包括:
步骤S31:根据公式(5),基于第m个退化过程当前时刻tk对应的采样值、转移矩阵以及第m个退化过程的漂移系数以及扩散系数,计算第m个退化过程的未来时刻的预测值:
其中,表示第m个退化过程当前时刻tk对应的船舶状态对应的漂移系数,φk表示当前时刻tk对应的船舶状态,表示第m个退化过程未来预测时刻tk+1对应的预测值,表示当前时刻tk对应的采样值,为满足的随机数;表示第m个退化过程未来预测时刻tk+s-1对应的船舶状态的漂移系数,由φk+s-1的状态决定,φk+s-1表示未来预测时刻tk+s-1对应的船舶状态,由前一预测时刻的状态和转移矩阵决定,表示第m个退化过程未来预测时刻tk+s对应的预测值,表示未来预测时刻tk+s-1对应的预测值,s≥2,为满足分布的随机数;
具体地,以第m个退化过程,当前时刻为tk,进行说明:基于tk时刻已知的采样值已知的船舶状态φk,进而根据已知的φk得到的漂移系数也是已知的,为满足的随机数也是已知的,(tk+1-tk)是预设好的,因此可以得到即第m个退化过程未来预测时刻tk+1对应的预测值,基于该原理进一步得到未来多个预测时刻对应的预测值。
具体地,每个退化过程对应的失效阈值可以是预先设定,当某一退化过程预测的未来某一时刻的预测值首次达到该退化过程的失效阈值,则达到失效阈值的预测时刻与当前时刻之间的时间间隔即为失效时间。进一步地,某一时刻的预测值首次达到该退化过程的失效阈值是指:某一时刻的预测值首次大于等于失效阈值或者某一时刻的预测值首次小于等于失效阈值,具体情况视具体的退化过程中的数据的变化趋势(增大或者减小)而定。
步骤S33:基于蒙特卡罗方法,得到第m个退化过程的多个失效时间,进而得到每个退化过程的多个失效时间的累积概率密度分布。
具体地,以第m个退化过程为例,根据蒙特卡罗方法构建多次重复试验(即,形成多个试验样本),例如,在通过当前时刻tk的状态求解未来预测时刻tk+1的预测值时,共进行n次重复试验,结合第m个退化过程的扩散系数,随机选定满足要求的n个进而得到n个进一步,通过预测时刻tk+1的状态求解预测时刻tk+2的预测值又要进行n次重复试验,根据当前时刻tk对应的船舶状态φk、第m个退化过程的转移矩阵、漂移系数以及扩散系数,可以得到n组以及进而得到n个基于此原理,依次向未来时刻进行预测,若中途出现有某一样本在某一未来预测时刻首次达到失效阈值,则得到该试验样本对应的失效时间,基于此原理,可以得到n个失效时间,基于n个失效时间计算得到第m个退化过程的多个失效时间l(m)的累积概率密度分布F(m)(l(m)),具体的n的数量可根据实际情况进行确定。
历史时段M维测量数据中其余维度数据对应的退化过程的累积概率密度分布的计算过程,参照第m个退化过程的累积概率密度分布的计算过程即可,此处不再赘述。
在一个具体的实施例中,步骤S40包括:
根据公式(6)得到船舶故障状态的联合概率密度分布:
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布,F(1)(l(1))表示当前时刻为tk时,第一个退化过程失效时间的累积概率密度分布,F(2)(l(2))表示当前时刻为tk时,第二个退化过程失效时间的累积概率密度分布,F(M)(l(M))表示当前时刻为tk时,第M个退化过程失效时间的累积概率密度分布,Φρ表示均值为零向量,协方差矩阵为ρ的M维正态分布的联合累积分布函数,Φ-1表示标准正态分布的逆累积分布函数。
在一个具体的实施例中,该方法还包括根据公式(7)计算ρ:
其中,Fi(l)表示当前时刻为ti时,计算得到的船舶故障状态的联合概率密度分布,1≤i≤k。
具体地,前述F(l)是以当前时刻为tk进行计算的船舶故障状态的联合概率密度分布,假设tk时刻的测量数据未知,即当前时刻为tk-1,可以用上述同样的方法得到Fk-1(l),并同理依次得到Fi(l),Fi(l)=C(Fi (1)(l(1)),Fi (2)(l(2)),...,Fi (M)(l(M));ρ),1≤i≤k;将上述计算得到的Fi(l)代入公式(7),此时,只存在一个未知参数ρ,根据公式(7)进行计算可得到ρ。进一步的,在计算得到ρ之后,将ρ代入公式(6),可得到以当前时刻为tk,进行估计的船舶故障状态的联合概率密度分布;将ρ代入Fi(l)=C(Fi (1)(l(1)),Fi (2)(l(2)),...,Fi (M)(l(M));ρ),即可得到以当前时刻为ti,进行估计的船舶故障状态的联合概率密度分布。可根据实际需求选择合适的当前时刻,从而预测船舶故障状态的联合概率密度分布。
船舶故障状态的联合概率密度分布可以表征在未来某个预测时刻之前船舶发生故障的概率,进而为船舶是否需要维修或者报废等后续处理提供参考依据。
在一个具体的实施例中,步骤S50包括:
步骤S51:将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L,所述多个变量分别表示多个退化过程失效时间;
步骤S52:根据公式(8),计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α (8)
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
具体地,船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L,即可以表示为:l(1)=l(2)=...=l(M)=L,其中多个变量l(1)至l(M)分别表示第1个退化过程至第M个退化过程的失效时间;结合设置的置信率α的值以及公式(8),可以计算L的具体数值,L为在置信率α下船舶尚能正常工作的时间,即在置信率α下的船舶寿命。可选地,α的取值可以为99%或95%,可根据实际需求进行确定。
本申请的一个实施例,公开了一种船舶寿命预测系统,结构示意图如图2所示,该系统包括:
数据采集模块,用于采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
转移矩阵计算模块,用于基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵;
漂移系数以及扩散系数计算模块,用于基于所述M维测量数据,计算得到每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
累积概率密度分布获取模块,用于设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
联合概率密度分布获取模块,用于基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
寿命计算模块,用于基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
与现有技术相比,本申请通过将数据采集模块、转移矩阵计算模块、漂移系数以及扩散系数计算模块、累积概率密度分布获取模块、联合概率密度分布获取模块以及寿命计算模块结合到一起,通过采用采集历史时段M维测量数据,M维测量数据中的每一维测量数据都包括正常工作状态测量数据以及维护状态测量数据,基于采集的M维测量数据计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数和扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布,进而结合正态copula函数得到船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命的技术方案;本申请中对船舶寿命的预测引入了维护活动对船舶寿命的影响,通过同时考虑正常工作状态以及维护状态对船舶寿命的影响,提高了船舶寿命预测的准确性。
在一个具体的实施例中,转移矩阵计算模块包括:
转移率计算模块,用于根据下述公式,计算正常工作状态转换为维护状态的状态转移率λ01以及维护状态转换为正常工作状态的转移率λ10:
其中,n01表示历史时段内正常工作状态转换至维护状态的次数;n10表示历史时段内维护状态转换至正常工作状态的次数;T0表示历史时段内最后一次发生状态切换之前处于正常工作状态的总时长;T1表示历史时段最后一次发生状态切换之前处于维护状态的总时长;
转移概率计算模块,用于根据下述公式,计算正常工作状态转换为维护状态的状态转移概率P01以及维护状态转换为正常工作状态的状态转移概率P10:
其中,t表示历史时段测量数据的采样周期;
在一个具体的实施例中,漂移系数以及扩散系数计算模块包括:
其中,φj=0表示正常工作状态,φj=1表示维护状态,k表示第m个退化过程对应的测量数据的采样个数,表示第m个退化过程第j+1个采样值,表示第m个退化过程第j个采样值,tj+1表示采集的时刻,tj表示采集的时刻;
扩散系数计算模块,根据下述公式计算第m个退化过程的扩散系数σ(m);
在一个具体的实施例中,寿命计算模块包括:
变量设置模块,用于将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L;
寿命计算模块,用于根据下述公式,计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
上述方法实施例和系统实施例,基于相同的原理实现,其相关之处可相互借鉴,且能达到相同的技术效果。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
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,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种船舶寿命预测方法,其特征在于,所述方法包括:
采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵以及每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
2.根据权利要求1所述的方法,其特征在于,所述基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命,包括:
将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L,所述多个变量分别表示多个退化过程失效时间;
根据下述公式,计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
3.根据权利要求1所述的方法,其特征在于,所述基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布,包括:
根据下述公式得到船舶故障状态的联合概率密度分布:
F(l)=C(F(1)(l(1)),F(2)(l(2)),...,F(M)(l(M));ρ)
=Φρ(Φ-1(F(1)(l(1))),Φ-1(F(2)(l(2))),...Φ-1(F(M)(l(M))))
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布,F(1)(l(1))表示当前时刻为tk时,第一个退化过程失效时间的累积概率密度分布,F(2)(l(2))表示当前时刻为tk时,第二个退化过程失效时间的累积概率密度分布,F(M)(l(M))表示当前时刻为tk时,第M个退化过程失效时间的累积概率密度分布,Φρ表示均值为零向量,协方差矩阵为ρ的M维正态分布的联合累积分布函数,Φ-1表示标准正态分布的逆累积分布函数。
5.根据权利要求1所述的方法,其特征在于,基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵,包括:
基于M维测量数据,得到历史时段内正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长;
根据历史时段正常工作状态转换至维护状态的次数、维护状态转换至正常工作状态的次数、历史时段内最后一次发生状态切换之前处于正常工作状态的总时长以及处于维护状态的总时长,结合极大似然估计法,计算得到正常工作状态与维护状态之间的转移矩阵。
6.根据权利要求5所述的方法,其特征在于,计算得到正常工作状态与维护状态之间的转移矩阵,包括:
根据下述公式,计算正常工作状态转换为维护状态的状态转移率λ01以及维护状态转换为正常工作状态的转移率λ10:
其中,n01表示历史时段内正常工作状态转换至维护状态的次数;n10表示历史时段内维护状态转换至正常工作状态的次数;T0表示历史时段内最后一次发生状态切换之前处于正常工作状态的总时长;T1表示历史时段最后一次发生状态切换之前处于维护状态的总时长;
根据下述公式,计算正常工作状态转换为维护状态的状态转移概率P01以及维护状态转换为正常工作状态的状态转移概率P10:
其中,t表示历史时段测量数据的采样周期;
8.根据权利要求1所述的方法,其特征在于,设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布,包括:
根据下述公式,基于第m个退化过程当前时刻tk对应的采样值、转移矩阵以及第m个退化过程的漂移系数以及扩散系数,得到第m个退化过程的未来时刻的预测值:
其中,表示第m个退化过程当前时刻tk对应的船舶状态对应的漂移系数,φk表示当前时刻tk对应的船舶状态,表示第m个退化过程未来预测时刻tk+1对应的预测值,表示当前时刻tk对应的采样值,为满足的随机数;表示第m个退化过程未来预测时刻tk+s-1对应的船舶状态的漂移系数,由φk+s-1的状态决定,φk+s-1表示未来预测时刻tk+s-1对应的船舶状态,由前一预测时刻的状态和转移矩阵决定,表示第m个退化过程未来预测时刻tk+s对应的预测值,表示未来预测时刻tk+s-1对应的预测值,s≥2,为满足分布的随机数;
基于蒙特卡罗方法,得到第m个退化过程的多个失效时间,进而得到每个退化过程的多个失效时间的累积概率密度分布。
9.一种船舶寿命预测系统,其特征在于,所述系统包括:
数据采集模块,用于采集历史时段M维测量数据,所述M维测量数据包括正常工作状态下的测量数据以及维护状态下的测量数据;
转移矩阵计算模块,用于基于所述M维测量数据,计算得到正常工作状态与维护状态之间的转移矩阵;
漂移系数以及扩散系数计算模块,用于基于所述M维测量数据,计算得到每个退化过程的漂移系数以及扩散系数,一维测量数据对应一个退化过程;
累积概率密度分布获取模块,用于设定每个退化过程的失效阈值,基于所述转移矩阵、每个退化过程的漂移系数以及扩散系数,结合蒙特卡罗方法,得到每个退化过程失效时间的累积概率密度分布;
联合概率密度分布获取模块,用于基于每个退化过程失效时间的累积概率密度分布,结合正态Copula函数,得到船舶故障状态的联合概率密度分布;
寿命计算模块,用于基于船舶故障状态的联合概率密度分布,结合置信率,计算满足置信率的船舶寿命。
10.根据权利要求9所述的系统,其特征在于,寿命计算模块包括:
变量设置模块,用于将船舶故障状态的联合概率密度分布中的多个变量分别等于满足置信率α的船舶寿命L;
寿命计算模块,用于根据下述公式,计算船舶寿命L:
F(l)=F(L,L,...,L)=1-α
其中,F(l)表示当前时刻为tk时,船舶故障状态的联合概率密度分布。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604039.4A CN113221252B (zh) | 2021-05-31 | 2021-05-31 | 一种船舶寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110604039.4A CN113221252B (zh) | 2021-05-31 | 2021-05-31 | 一种船舶寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113221252A true CN113221252A (zh) | 2021-08-06 |
CN113221252B CN113221252B (zh) | 2023-01-20 |
Family
ID=77081855
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110604039.4A Active CN113221252B (zh) | 2021-05-31 | 2021-05-31 | 一种船舶寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113221252B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016091139A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | 故障原因分類装置 |
CN107451392A (zh) * | 2017-06-23 | 2017-12-08 | 山东科技大学 | 一种含有多个相关退化过程的剩余寿命预测方法 |
CN108629073A (zh) * | 2018-03-14 | 2018-10-09 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN110990788A (zh) * | 2019-12-02 | 2020-04-10 | 宁海县浙工大科学技术研究院 | 一种基于三元维纳过程的轴承剩余寿命预测方法 |
CN112836381A (zh) * | 2021-02-19 | 2021-05-25 | 震兑工业智能科技有限公司 | 一种基于多源信息的船舶剩余寿命预测方法及系统 |
-
2021
- 2021-05-31 CN CN202110604039.4A patent/CN113221252B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016091139A (ja) * | 2014-10-31 | 2016-05-23 | 株式会社日立ハイテクノロジーズ | 故障原因分類装置 |
CN107451392A (zh) * | 2017-06-23 | 2017-12-08 | 山东科技大学 | 一种含有多个相关退化过程的剩余寿命预测方法 |
CN108629073A (zh) * | 2018-03-14 | 2018-10-09 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN110990788A (zh) * | 2019-12-02 | 2020-04-10 | 宁海县浙工大科学技术研究院 | 一种基于三元维纳过程的轴承剩余寿命预测方法 |
CN112836381A (zh) * | 2021-02-19 | 2021-05-25 | 震兑工业智能科技有限公司 | 一种基于多源信息的船舶剩余寿命预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
刘小平等: "基于二元维纳过程的小样本齿轮泵可靠寿命预测", 《中国机械工程》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113221252B (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109814527B (zh) | 基于lstm循环神经网络工业设备故障预测方法及装置 | |
WO2022126526A1 (zh) | 一种电池温度预测方法及系统 | |
Janjarasjitt et al. | Bearing condition diagnosis and prognosis using applied nonlinear dynamical analysis of machine vibration signal | |
Niu et al. | Dempster–Shafer regression for multi-step-ahead time-series prediction towards data-driven machinery prognosis | |
CN110909822B (zh) | 一种基于改进的高斯过程回归模型的卫星异常检测方法 | |
CN108959778B (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
Aremu et al. | Structuring data for intelligent predictive maintenance in asset management | |
Ayodeji et al. | Causal augmented ConvNet: A temporal memory dilated convolution model for long-sequence time series prediction | |
Losi et al. | Anomaly detection in gas turbine time series by means of Bayesian hierarchical models | |
CN112581719B (zh) | 基于时序生成对抗网络的半导体封装过程预警方法和装置 | |
US20230325675A1 (en) | Data valuation using reinforcement learning | |
CN113762391A (zh) | 冷却系统的状态检测方法、装置、计算机设备和存储介质 | |
Losi et al. | Gas turbine health state prognostics by means of Bayesian hierarchical models | |
CN111930728B (zh) | 一种设备的特征参数和故障率的预测方法及系统 | |
Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
Alomari et al. | Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance | |
Cui et al. | A novel robust dual unscented particle filter method for remaining useful life prediction of rolling bearings | |
CN113221252B (zh) | 一种船舶寿命预测方法及系统 | |
Salfner | Predicting failures with hidden Markov models | |
CN113516299A (zh) | 一种船舶故障状态预测方法及系统 | |
Duan et al. | Bi-level bayesian control scheme for fault detection under partial observations | |
Atamuradov et al. | Segmentation based feature evaluation and fusion for prognostics | |
CN110297140B (zh) | 一种配电系统的故障预测方法及装置 | |
JP2011145905A (ja) | 予測関数生成装置、方法、及び、プログラム | |
CN117434452B (zh) | 锂电池充放电检测方法、装置、设备及存储介质 |
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 |