CN114091790A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN114091790A CN114091790A CN202210068042.3A CN202210068042A CN114091790A CN 114091790 A CN114091790 A CN 114091790A CN 202210068042 A CN202210068042 A CN 202210068042A CN 114091790 A CN114091790 A CN 114091790A
- Authority
- CN
- China
- Prior art keywords
- stage
- degradation
- accelerated
- temperature stress
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
-
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- 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)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)
- Control Of Electric Motors In General (AREA)
Abstract
本发明公开了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,根据不同热应力下电机绝缘材料试验样本的加速退化数据,利用SIC和残差平方和最小准则确定退化过程变点位置;构建热应力作用下基于两阶段随机过程的电机绝缘性能退化模型,根据Arrhenius方程得到模型参数和变点分布参数与温度间的关系,外推产品在正常温度下退化过程变点位置的概率密度函数及模型参数;利用待测电机绝缘材料的现场退化数据,用CUSUM控制图辨识变点,结合变点的概率密度函数,确定变点出现的概率;将加速退化数据作为模型参数的先验信息,再基于Bayes方法根据现场退化数据得到模型参数的后验估计值,得到首达时间意义下产品寿命的累积分布函数,实现电机绝缘的实时寿命预测。
Description
技术领域
本发明涉及设备寿命预测技术领域,尤其涉及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。
背景技术
为了应对能源短缺及大气污染问题,我国高度重视新能源发电和电动汽车的发展。风力发电机作为新能源发电的重要设备,因其长期运行于复杂、恶劣的环境工况下,发电机绝缘破坏是造成风力发电机故障的重要原因之一。电动汽车驱动电机因其频繁启动、变速、路况多变等运行特点,驱动电机故障主要是由电机绕组损坏引起的,而造成绕组损坏的重要原因之一是绝缘破坏。因此对电机绝缘进行寿命预测对提高产品的性能具有重大意义。
电机温度老化特性是影响绝缘寿命的关键因素,为保证电机绝缘的可靠性,往往在设计中提高安全裕度,例如增加铜导体截面积,以保证运行温度最低,或者增加主绝缘的厚度以避免电气击穿等。然而,提高安全裕度以牺牲材料的性能为代价,其最直接后果就是牺牲了电机的功率密度指标。通过降低不必要的安全裕度,可以降低制造成本,减小电机重量和体积,显著提升电机功率密度。降低绝缘材料安全裕度使电机的工作应力尽量接近其极限水平,对其可靠性提出了更高要求。如果能在电机运行过程中精准预测电机绝缘剩余寿命,及时做出合理、精确的检修、更换方案,可以大大提高电机的可靠性。
长寿命、高可靠性的产品在正常应力下工作时,其失效和故障时间的数据很少,并且大都是截尾数据,因此采用统计分析方法对电机进行可靠性评估时,常因历史样本数据太小而造成评估结果不准确。对电机进行加速退化试验,可以在较短的时间内获取更多有用的退化数据,有效提高试验效率及预测准确性。长寿命、高可靠性的产品性能由于损伤累加性,在退化不同阶段的变化具有不同的统计特征,其退化过程往往呈多阶段性,如平稳退化、快速退化、故障三个阶段。因此,研究退化过程中的变点估计问题具有很大的工程价值。目前,已存在一些基于加速退化试验进行寿命预测的研究,但未考虑实际产品退化过程表现出的多阶段性。
不同产品个体由于异质性,其退化过程不可能完全一致。对产品个体进行剩余寿命预测时,现有的研究方法主要是根据历史退化数据获取参数的先验估计值,再融合个体的现场退化数据,获取参数的后验估计值。在多阶段退化过程中,如何根据变点的先验概率分布函数对个体在线检测退化过程中估计变点出现的概率缺乏研究。对长寿命、高可靠性产品进行寿命预测,关键在于对退化过程变点的估计以及模型的建立,而根据历史数据对多阶段退化过程建模并进行变点估计,因其统计特征差,已不再适用于高可靠性产品领域。
发明内容
鉴于此,本发明提供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,解决了历史失效故障数据少、收集困难以及利用加速退化数据建模中未考虑含变点的多阶段退化过程对可靠性评估的不准确性问题。
为实现上述目的,本发明提供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,所述方法包括步骤:
S1、选取N个电机绝缘材料作为试验样本进行恒应力加速退化试验,设定n个加速温度应力,将N个电机绝缘材料分为n组,记录第k个加速温度应力下对应n k 个试验样本,在每一个加速温度应力下对相应的试验样本进行恒应力加速退化试验,得到N组加速退化数据,每一组加速退化数据对应为该电机绝缘材料在第k个加速温度应力下并基于各个测量时刻下所得到的加速退化数据序列,k取值为1~n;
S2、根据每一组加速退化数据建立两阶段Wiener过程退化模型,通过SIC确定每一个电机绝缘材料退化过程中变点的区间,基于残差平方和最小准则得到变点的估计值,进而得到了第k个加速温度应力下n k 个电机绝缘材料的n k 个变点位置,假设每一个加速温度应力下的变点位置服从两参数威布尔分布,对第k个加速温度应力下的n k 个变点位置利用极大似然估计法得到该加速温度应力下的变点分布参数,进而得到n组变点分布参数;
S3、根据变点分布参数和加速温度应力之间的变化规律构建变点分布参数的加速模型,建立变点分布参数与加速温度应力之间的矩阵方程,通过求解矩阵方程得到最小二乘估计值,并根据所述最小二乘估计值得到在正常温度应力下两阶段退化过程中的变点分布参数值,并得到正常温度应力下变点的概率密度函数;
S4、对N组加速退化数据构建两阶段Wiener过程退化模型, 在Wiener过程第一阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点前的所有加速退化数据建立第一阶段的似然函数,求解得到第一阶段的极大似然估计值,在Wiener过程第二阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点后的所有加速退化数据建立第二阶段的似然函数,求解得到第二阶段的极大似然估计值;
S5、根据第一阶段的极大似然估计值和第二阶段的极大似然估计值,得到正常温度应力下两阶段Wiener过程退化模型中两阶段的漂移参数和扩散参数,结合正常温度应力下变点的概率密度函数,并根据预设的性能参数失效阈值,得到正常温度应力下产品寿命的累积分布函数;
S6、获取待测电机绝缘材料在正常温度应力下测量得到的现场退化数据,根据正常温度应力下变点的概率密度函数计算现场退化数据出现变点的置信度,以及根据CUSUM控制图辨识退化过程变点,判断现场退化数据中是否出现变点;
S7、若现场退化数据中出现变点,根据两阶段维纳过程退化模型中漂移参数和扩散参数服从共轭先验分布,将加速退化数据作为先验信息,利用变点前的现场退化数据计算第一阶段的漂移参数和扩散参数的后验期望值,利用变点后的现场退化数据计算第二阶段的漂移参数和扩散参数的后验期望值;
S8、根据第一阶段的漂移参数和扩散参数的后验期望值、以及第二阶段的漂移参数和扩散参数的后验期望值更新正常温度应力下两阶段维纳过程退化模型中两阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品寿命的累积分布函数。
优选的,所述步骤S7包括:
若现场退化数据中变点未出现,利用现场退化数据计算第一阶段的漂移参数和扩散参数的后验期望值,更新正常温度应力下两阶段维纳过程退化模型第一阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品的累积分布函数。
优选的,所述步骤S2包括:
根据加速退化数据建立两阶段Wiener过程退化模型,并建立似然函数,利用SIC确定电机绝缘材料退化过程中变点的区间,SIC定义为:
根据SIC假设检验,H 0 表示无变点,H 1 表示有变点,则,
第k个加速温度应力下,第j个产品的变点位于时间间隔内,对两阶段
Wiener过程退化模型利用残差平方和最小准则获取变点的估计值,建立关于的一元
二次方程RSS j ,并且,根据方程性质求出当RSS j 取得最小值时,得到变点的
取值为。
优选的,所述步骤S3包括:
式中,m为形状参数,η为尺度参数;
变点分布参数与加速温度应力之间的变化规律符合Arrhenius模型,第k个加速温度应力T k 下的形状参数m表示为:
建立变点分布参数与加速温度应力之间的矩阵方程为:
优选的,所述步骤S4包括:
根据每一个电机绝缘材料变点前的所有加速退化数据建立第一阶段的似然函数为:
优选的,所述步骤S4还包括:
根据每一个电机绝缘材料变点后的所有加速退化数据建立第二阶段的似然函数为:
优选的,所述步骤S5包括:
优选的,所述步骤S6包括:
优选的,所述步骤S7包括:
所述步骤S8包括:
更新后的正常温度应力下产品寿命的累积分布函数:
优选的,所述步骤S7还包括:
所述步骤S8包括:
更新后的正常温度应力下产品寿命的累积分布函数为:
与现有技术相比,本发明提供的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,所带来的有益效果为:根据电机绝缘材料试验样本的加速退化数据,利用SIC和残差平方和最小准则确定加速温度应力下退化过程的变点位置,构建两阶段Wiener过程退化模型,再根据Arrhenius方程外推产品在正常应力水平下退化过程中变点的分布及退化模型。利用待测电机绝缘材料的现场退化数据,用CUSUM控制图检测发生变点的置信度,结合先验变点概率密度函数,确定变点发生的概率,将加速退化数据作为先验信息获得超参数的先验估计值,再基于Bayes方法根据现场退化数据得到超参数的后验估计值,推导出随机参数的后验估计值,进而得到更新后的产品累积分布函数,实现对电机绝缘材料产品的寿命预测。利用加速退化数据研究产品的可靠性大大提升了试验效率,通过变点检测对退化过程分阶段建模,提高了产品可靠性评估的准确性,对产品的寿命预测与健康管理有很好的工程应用价值。
附图说明
图1是根据本发明的一个实施例的融合现场数据和两阶段加速退化数据的寿命预测方法的流程示意图;
图2是根据本发明的一个具体实施例的外推正常应力下退化过程变点分布的流程示意图;
图3是根据本发明的一个实施例的外推正常应力下产品寿命的累积分布函数的流程示意图;
图4是根据本发明的一个实施例的融合现场退化数据的正常应力下的产品寿命的累积分布函数的流程示意图。
具体实施方式
以下将结合附图所示的具体实施方式对本发明进行详细描述,但这些实施方式并不限制本发明,本领域的普通技术人员根据这些实施方式所做出的结构、方法、或功能上的变换均包含在本发明的保护范围内。
如图1所示的本发明的一个实施例,本发明提供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,该方法包括步骤:
S1、选取N个电机绝缘材料作为试验样本进行恒应力加速退化试验,设定n个加速温度应力,将N个电机绝缘材料分为n组,记录第k个加速温度应力下对应n k 个试验样本,在每一个加速温度应力下对相应的试验样本进行恒应力加速退化试验,得到N组加速退化数据,每一组加速退化数据对应为该电机绝缘材料在第k个加速温度应力下并基于各个测量时刻下所得到的加速退化数据序列,k取值为1~n;
S2、根据每一组加速退化数据建立两阶段Wiener过程退化模型,通过SIC确定每一个电机绝缘材料退化过程中变点的区间,基于残差平方和最小准则得到变点的估计值,进而得到了第k个加速温度应力下n k 个电机绝缘材料的n k 个变点位置,假设每一个加速温度应力下的变点位置服从两参数威布尔分布,对第k个加速温度应力下的n k 个变点位置利用极大似然估计法得到该加速温度应力下的变点分布参数,进而得到n组变点分布参数;
S3、根据变点分布参数和加速温度应力之间的变化规律构建变点分布参数的加速模型,建立变点分布参数与加速温度应力之间的矩阵方程,通过求解矩阵方程得到最小二乘估计值,并根据所述最小二乘估计值得到在正常温度应力下两阶段退化过程中的变点分布参数值,并得到正常温度应力下变点的概率密度函数;
S4、对N组加速退化数据构建两阶段Wiener过程退化模型, 在Wiener过程第一阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点前的所有加速退化数据建立第一阶段的似然函数,求解得到第一阶段的极大似然估计值,在Wiener过程第二阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点后的所有加速退化数据建立第二阶段的似然函数,求解得到第二阶段的极大似然估计值;
S5、根据第一阶段的极大似然估计值和第二阶段的极大似然估计值,得到正常温度应力下两阶段Wiener过程退化模型中两阶段的漂移参数和扩散参数,以及得到正常温度应力下变点的概率密度函数,并根据预设的性能参数失效阈值,得到正常温度应力下产品寿命的累积分布函数;
S6、获取待测电机绝缘材料在正常温度应力下测量得到的现场退化数据,根据正常温度应力下变点的概率密度函数计算现场退化数据出现变点的置信度,以及根据CUSUM控制图辨识退化过程变点,判断现场退化数据中是否出现变点;
S7、若现场退化数据中出现变点,根据两阶段维纳过程退化模型中漂移参数和扩散参数服从共轭先验分布,将加速退化数据作为先验信息,利用变点前的现场退化数据计算第一阶段的漂移参数和扩散参数的后验期望值,利用变点后的现场退化数据计算第二阶段的漂移参数和扩散参数的后验期望值;
S8、根据第一阶段的漂移参数和扩散参数的后验期望值、以及第二阶段的漂移参数和扩散参数的后验期望值更新正常温度应力下两阶段维纳过程退化模型中两阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品寿命的累积分布函数。
选取N个电机绝缘材料作为试验样本进行恒应力加速退化试验,加速退化试验各
个不同等级的应力下进行的实验。设定n个加速温度应力,将N个电机绝缘材料分为n组,对
每一个加速温度应力下的试验样本进行试验。记录第k个加速恒温应力下对应n k 个试验样
本,例如设定4个加速温度应力,那么将N分为4组,第一个加速温度应力下有n 1 个样本,第二
个加速温度应力下有n 2 个样本,第三个加速温度应力下有n 3 个样本,第四个加速温度应力下
有n 4 个样本。在每一个加速温度应力下对相应的试验样本进行恒应力加速退化试验,即在
第k个加速温度应力下对n k 个试验样本进行应力加速退化试验,并在各个测量时刻下测量
得到表征性能退化的退化数据,该退化数据是基于各个测量时刻的加速退化数据序列,得
到N组加速退化数据。用xijk表示第k个应力下第j个试验样本第i次测量得到的数据,t ijk 表
示第k个应力下第j个试验样本第i次测量时的测量时刻,表示退化增
量,表示时间增量,其中,i=1,2,3…,n jk , j=1,2,3…,n k ,k=1,2,3…,n,n jk
表示第k个加速温度应力第j个试样样本,n k 表示第k个加速温度应力下的试样样本数,n为
加速温度应力个数。
可以得到X(t)的概率密度函数为:
根据加速退化数据建立两阶段Wiener过程退化模型,通过SIC、残差平方和最小准
则确定加速温度应力下变点位置,如图2所示的流程图。由于在加速退化试验中,只能离散
地测出产品的退化量,变点的位置未知,因此利用SIC(Schwarz information criterion,
施瓦茨信息准则)确定变点的位置。根据加速退化数据建立两阶段Wiener过程退化模型,
并建立似然函数,利用SIC确定电机绝缘材料退化过程中变点的区间,SIC定义为:
对上式取对数,得到对数似然函数为:
根据SIC假设检验,H 0 表示无变点,H 1 表示有变点,则
原假设H 0 下的SIC(n jk )值为:
备择假设H 1下的SIC(a jk )值为:
式(12)是关于的一元二次方程,并且,根据方程性质即可求出
当RSS j 取得最小值时,变点的取值为,即为变点的估计值。进而得到了第k个加速温度应
力下n k 个电机绝缘材料的n k 个变点位置。比如,由上述实施例可知,第一个加速温度应力下n 1 个样本有n 1 个变点位置,第二个加速温度应力下n 2 个样本有n 2 个变点位置,第三个加速温
度应力下n3个样本有n 3 个变点位置,第四个加速温度应力下n 4 个样本有n 4 个变点位置。因此
可以得到每一个加速温度应力下的每一个电机绝缘材料的变点位置,共得到n*n k 个变点位
置。
式中,m为形状参数,η为尺度参数,利用极大似然法进行参数估计,则其似然函数为:
对上式取对数,得到对数似然函数为:
将上式分别对求m、η偏导,并令偏导数等于0,建立方程组:
求解上式可以得到形状参数m,尺度参数η的估计值,根据该方案,由上述实施
例可知,第一个加速温度应力下个样本的个变点位置估计得到一组变点的分布参数,第二个加速温度应力下个样本的个变点位置估计得到一组变点的分布参数,第三个加速温度应力下个样本个变点位置估计得到一组变点的分布参数,第四个加速温度应力下有个样本个变点位置估计得到一组变点的分布参数,可以得到n个加速温度应力下变点服从两参数威布尔的参数估计值。
第k个加速温度应力T k 下的尺度参数η表示为:
对N组加速退化数据构建两阶段Wiener过程退化模型,对退化模型中的模型参数
进行估计,如图3所示的流程图。设定电机绝缘材料在加速温度应力、加速温度应力
下,定义相当于的加速因子为,根据加速因子不变原则,两阶段Wiener过程退化
模型的漂移参数和扩散参数满足以下关系式:
根据每一个电机绝缘材料变点前的所有加速退化数据建立第一阶段的似然函数为:
根据每一个电机绝缘材料变点后的所有加速退化数据建立第二阶段的似然函数为:
可靠度函数为:
在正常温度应力下,基于加速退化先验信息对待测的电机绝缘材料进行寿命预
测。获取与试验样本同种型号的待测电机绝缘材料,测量得到在正常温度应力下的现场退
化数据。根据正常温度应力下变点的概率密度函数,确
定现场退化数据中变点出现的置信度C:
不同产品个体的退化过程不可能完全一致,为描述不同产品个体之间的异质性,
可将两阶段Wiener过程退化模型的参数服从某种分布的随机参数。对两阶段Wiener过程退
化模型来说,假设服从如下的共轭先验分布:
若现场退化数据在处出现变点,可基于Bayes方法对两阶段Wiener过程退化模
型的参数进行更新。根据两阶段维纳过程退化模型中漂移参数和扩散参数服从共轭先验分
布,将加速退化数据作为先验信息。根据加速退化试验数据作为先验数据,利用EM算法,获
取的超参数的先验估计值和,结合变点前的现场退化数据计算第一阶段超参数的后验估计值,利用变点后的现场
退化数据计算第二阶段超参数的后验估计值。
超参数的的后验估计值可由Bayes公式推导出:
根据第一阶段的漂移参数和扩散参数的后验期望值、以及第二阶段的漂移参数和扩散参数的后验期望值更新正常温度应力下两阶段维纳过程退化模型中两阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品寿命的累积分布函数:
若现场退化数据中变点未出现,则可基于Bayes方法利用现场退化数据对Wiener
过程第一阶段的参数值进行更新。根据加速退化试验数据作为先验数据,利用EM算法获取
的超参数的先验估计值,结合现场退化数据,超参数
的的后验估计值可由Bayes公式推导出:
基于更新后的正常温度应力下产品寿命的累积分布函数,该累积分布函数用以计算产品寿命在某个时刻失效的概率,从而实现对电机绝缘材料产品的寿命预测。参考附图4的流程实现过程。
尽管为示例目的,已经公开了本发明的优选实施方式,但是本领域的普通技术人员将意识到,在不脱离由所附的权利要求书公开的本发明的范围和精神的情况下,各种改进、增加以及取代是可能的。
Claims (10)
1.一种融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述方法包括步骤:
S1、选取N个电机绝缘材料作为试验样本进行恒应力加速退化试验,设定n个加速温度应力,将N个电机绝缘材料分为n组,记录第k个加速温度应力下对应n k 个试验样本,在每一个加速温度应力下对相应的试验样本进行恒应力加速退化试验,得到N组加速退化数据,每一组加速退化数据对应为该电机绝缘材料在第k个加速温度应力下并基于各个测量时刻下所得到的加速退化数据序列,k取值为1~n;
S2、根据每一组加速退化数据建立两阶段Wiener过程退化模型,通过SIC确定每一个电机绝缘材料退化过程中变点的区间,基于残差平方和最小准则得到变点的估计值,进而得到了第k个加速温度应力下n k 个电机绝缘材料的n k 个变点位置,假设每一个加速温度应力下的变点位置服从两参数威布尔分布,对第k个加速温度应力下的n k 个变点位置利用极大似然估计法得到该加速温度应力下的变点分布参数,进而得到n组变点分布参数;
S3、根据变点分布参数和加速温度应力之间的变化规律构建变点分布参数的加速模型,建立变点分布参数与加速温度应力之间的矩阵方程,通过求解矩阵方程得到最小二乘估计值,并根据所述最小二乘估计值得到在正常温度应力下两阶段退化过程中的变点分布参数值,并得到正常温度应力下变点的概率密度函数;
S4、对N组加速退化数据构建两阶段Wiener过程退化模型, 在Wiener过程第一阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点前的所有加速退化数据建立第一阶段的似然函数,求解得到第一阶段的极大似然估计值,在Wiener过程第二阶段中,构建漂移参数和扩散参数与加速温度应力之间的加速退化模型,根据每一个电机绝缘材料变点后的所有加速退化数据建立第二阶段的似然函数,求解得到第二阶段的极大似然估计值;
S5、根据第一阶段的极大似然估计值和第二阶段的极大似然估计值,得到正常温度应力下两阶段Wiener过程退化模型中两阶段的漂移参数和扩散参数,结合正常温度应力下变点的概率密度函数,并根据预设的性能参数失效阈值,得到正常温度应力下产品寿命的累积分布函数;
S6、获取待测电机绝缘材料在正常温度应力下测量得到的现场退化数据,根据正常温度应力下变点的概率密度函数计算现场退化数据出现变点的置信度,以及根据CUSUM控制图辨识退化过程变点,判断现场退化数据中是否出现变点;
S7、若现场退化数据中出现变点,根据两阶段维纳过程退化模型中漂移参数和扩散参数服从共轭先验分布,将加速退化数据作为先验信息,利用变点前的现场退化数据计算第一阶段的漂移参数和扩散参数的后验期望值,利用变点后的现场退化数据计算第二阶段的漂移参数和扩散参数的后验期望值;
S8、根据第一阶段的漂移参数和扩散参数的后验期望值、以及第二阶段的漂移参数和扩散参数的后验期望值更新正常温度应力下两阶段维纳过程退化模型中两阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品寿命的累积分布函数。
2.如权利要求1所述的融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述步骤S7包括:
若现场退化数据中变点未出现,利用现场退化数据计算第一阶段的漂移参数和扩散参数的后验期望值,更新正常温度应力下两阶段维纳过程退化模型第一阶段的漂移参数和扩散参数,并得到更新后的正常温度应力下产品的累积分布函数。
3.如权利要求2所述的融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述步骤S2包括:
根据加速退化数据建立两阶段Wiener过程退化模型,并建立似然函数,利用SIC确定电机绝缘材料退化过程中变点的区间,SIC定义为:
根据SIC假设检验,H 0 表示无变点,H 1 表示有变点,则,
4.如权利要求3所述的融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述步骤S3包括:
式中,m为形状参数,η为尺度参数;
变点分布参数与加速温度应力之间的变化规律符合Arrhenius模型,第k个加速温度应力T k 下的形状参数m表示为:
第k个加速温度应力下T k 的尺度参数η表示为:
建立变点分布参数与加速温度应力之间的矩阵方程为:
8.如权利要求7所述的融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述步骤S6包括:
9.如权利要求8所述的融合现场数据和两阶段加速退化数据的寿命预测方法,其特征在于,所述步骤S7包括:
所述步骤S8包括:
更新后的正常温度应力下产品寿命的累积分布函数:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068042.3A CN114091790B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210068042.3A CN114091790B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114091790A true CN114091790A (zh) | 2022-02-25 |
CN114091790B CN114091790B (zh) | 2022-05-03 |
Family
ID=80308961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210068042.3A Active CN114091790B (zh) | 2022-01-20 | 2022-01-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091790B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330148A (zh) * | 2022-03-11 | 2022-04-12 | 浙江大学 | 基于加速退化数据的电机绝缘寿命预测方法 |
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 (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN110569623A (zh) * | 2019-09-19 | 2019-12-13 | 西安工程大学 | 一种细纱机电机使用寿命预测方法 |
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 |
CN111753416A (zh) * | 2020-06-17 | 2020-10-09 | 重庆大学 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
CN111814331A (zh) * | 2020-07-08 | 2020-10-23 | 重庆大学 | 复杂情况下多变点的设备剩余使用寿命预测方法 |
WO2020216530A1 (de) * | 2019-04-23 | 2020-10-29 | Volkswagen Aktiengesellschaft | Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung |
CN112683535A (zh) * | 2021-01-14 | 2021-04-20 | 大连理工大学 | 基于多阶段维纳过程的轴承寿命预测方法 |
CN112765769A (zh) * | 2020-12-23 | 2021-05-07 | 北京航空航天大学 | 一种多阶段变工况固体推进剂剩余贮存寿命预测方法 |
CN112883550A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军火箭军工程大学 | 一种考虑多重不确定性的退化设备剩余寿命预测方法 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113033015A (zh) * | 2021-04-09 | 2021-06-25 | 中国人民解放军火箭军工程大学 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 |
-
2022
- 2022-01-20 CN CN202210068042.3A patent/CN114091790B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
WO2020216530A1 (de) * | 2019-04-23 | 2020-10-29 | Volkswagen Aktiengesellschaft | Verfahren zum bestimmen von restnutzungszyklen, restnutzungszyklusbestimmungsschaltung, restnutzungszyklusbestimmungsvorrichtung |
CN110569623A (zh) * | 2019-09-19 | 2019-12-13 | 西安工程大学 | 一种细纱机电机使用寿命预测方法 |
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 |
CN111753416A (zh) * | 2020-06-17 | 2020-10-09 | 重庆大学 | 一种基于两阶段Wiener过程的锂离子电池RUL预测方法 |
CN111814331A (zh) * | 2020-07-08 | 2020-10-23 | 重庆大学 | 复杂情况下多变点的设备剩余使用寿命预测方法 |
CN112765769A (zh) * | 2020-12-23 | 2021-05-07 | 北京航空航天大学 | 一种多阶段变工况固体推进剂剩余贮存寿命预测方法 |
CN112683535A (zh) * | 2021-01-14 | 2021-04-20 | 大连理工大学 | 基于多阶段维纳过程的轴承寿命预测方法 |
CN112883550A (zh) * | 2021-01-19 | 2021-06-01 | 中国人民解放军火箭军工程大学 | 一种考虑多重不确定性的退化设备剩余寿命预测方法 |
CN112949060A (zh) * | 2021-03-01 | 2021-06-11 | 中国人民解放军火箭军工程大学 | 一种时变温度下的锂电池健康状态估计与剩余寿命预测方法 |
CN113033015A (zh) * | 2021-04-09 | 2021-06-25 | 中国人民解放军火箭军工程大学 | 考虑两阶段自适应Wiener过程的退化设备剩余寿命预测方法 |
CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 |
Non-Patent Citations (8)
Title |
---|
JIAN ZHANG等: ""Optimal inspection-based preventive maintenance policy for three-state mechanical components under competing failure modes"", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 * |
KAI SONG等: ""Fiducial inference-based failure mechanism consistency analysis for accelerated life and degradation tests"", 《APPLIED MATHEMATICAL MODELLING》 * |
QIN ZHANG等: ""Research on thermo-electric degradation tests based on polyimide degradation data"", 《2021 IEEE 12TH ENERGY CONVERSION CONGRESS & EXPOSITION-ASIA (ECCE-ASIA)》 * |
SEONG-JOON KIM等: ""A cost-driven reliability demonstration plan based on accelerated degradation tests"", 《RELIABILITY ENGINEERING AND SYSTEM SAFETY》 * |
张正新等: ""多阶段随机退化设备剩余寿命预测方法"", 《系统工程学报》 * |
徐志昆: ""基于性能退化数据的产品可靠性建模"", 《中国优秀硕士学位论文全文数据库 社会科学II辑》 * |
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》 * |
钟立强: ""面向型号任务的电连接器贮存寿命加速评估方法研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330148A (zh) * | 2022-03-11 | 2022-04-12 | 浙江大学 | 基于加速退化数据的电机绝缘寿命预测方法 |
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 |
---|---|
CN114091790B (zh) | 2022-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114091790B (zh) | 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 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN102262191B (zh) | 一种固体钽电解电容器寿命预测方法 | |
CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN112926144B (zh) | 一种多应力加速寿命试验耦合效应分析及寿命预测方法 | |
CN110046453A (zh) | 一种激光雷达的寿命预测方法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN113484813A (zh) | 多环境应力下的智能电表故障率预估方法及系统 | |
CN111426957A (zh) | 一种模拟车辆工况动力电池荷电状态soc估算优化方法 | |
CN112836720B (zh) | 建筑运维设备异常诊断方法、系统及计算机可读存储介质 | |
CN111881124A (zh) | 一种基于改进算法的状态估计的数据处理方法及系统 | |
CN112816881A (zh) | 电池压差异常检测方法、装置及计算机存储介质 | |
CN111221811A (zh) | 一种基于集抄系统的低压配电网络线路参数估计方法 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN112329272B (zh) | 综合光伏组件退化和寿命数据的剩余寿命拟合预测方法 | |
CN107204616B (zh) | 基于自适应稀疏伪谱法的电力系统随机状态估计方法 | |
CN110895626A (zh) | 基于留一交叉验证的性能退化模型精度验证方法 | |
CN111192163B (zh) | 基于风电机组运行数据的发电机可靠度中短期预测方法 | |
CN110927597B (zh) | 一种确定电池放电曲线的方法 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN117805649A (zh) | 基于soh量化电池容量衰减对异常电芯进行识别的方法 | |
CN116879763A (zh) | 一种基于卡尔曼滤波算法的电池故障预警方法 |
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 |