CN114936504A - 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 - Google Patents
基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN114936504A CN114936504A CN202111579012.0A CN202111579012A CN114936504A CN 114936504 A CN114936504 A CN 114936504A CN 202111579012 A CN202111579012 A CN 202111579012A CN 114936504 A CN114936504 A CN 114936504A
- Authority
- CN
- China
- Prior art keywords
- mechanical equipment
- state model
- data
- source
- model
- 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.)
- Pending
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
Abstract
本发明公开了基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统,属于工业数据挖掘技术领域,要解决的技术问题为如何对发动机等复杂机械设备剩余寿命进行预测。包括:构建基于多源监测数据融合的虚拟健康指标;通过中心标准化方法对多源历史监测数据进行数据预处理;通过PCA方法对标准多源历史监测数据进行数据融合;通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;基于贝叶斯理论建立参数评估模型,通过参数评估模型估计退化状态模型的参数分布,并基于随机采样方法更新退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
Description
技术领域
本发明涉及工业数据挖掘技术领域,具体地说是基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统。
背景技术
当前,PHM是目前机械设备智能管理领域的研究热点,而机械设备剩余寿命预测则是最后一道技术流程和最终目标,因此,其在机械设备故障预测方面具有非常重要的地位。针对此应用,目前研究者也提出了众多机械设备剩余寿命的预测方法,根据使用的基础理论及方法可以分为四类:基于物理模型的方法、基于统计模型的方法、基于人工智能的方法以及以上方法的混合使用。目前,基于概率模型和人工智能的方法应用越来越广泛,表明基于数据驱动的方法在该应用领域具有不可替代的优势。
发动机是一个复杂的机械系统,其性能退化可以分为三个阶段,第一阶段为发动机初始退化阶段,这是由于发动机从出厂到投入工业应用一定有一段时间的初始退化;第二阶段是发动机在正常工作过程中性能逐渐退化的阶段,也是性能退化最为迅速的阶段;第三阶段是发动机的使用期限达到阈值,处于完全失效阶段,因此,进行发动机剩余寿命预测,基于退化过程建立状态模型最为重要。
基于上述分析,如何对发动机等复杂机械设备剩余寿命进行预测,以便于对发动机等复杂机械设备进行更好、更准确的监测,是需要解决的技术问题。
发明内容
本发明的技术任务是针对以上不足,提供基于贝叶斯多源数据融合的设备剩余寿命预测方法,来解决如何对发动机等复杂机械设备剩余寿命进行预测,以便于对发动机等复杂机械设备进行更好、更准确的监测的技术问题。
第一方面,本发明的基于贝叶斯多源数据融合的设备剩余寿命预测方法,包括如下步骤:
获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;
获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对所述多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;
通过PCA方法对所述标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;
通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;
基于贝叶斯理论建立参数评估模型,通过所述参数评估模型估计所述退化状态模型的参数分布,并基于随机采样方法更新所述退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
作为优选,所述虚拟健康质指标的数学表达式为:
VHI=fh(x1,x2,...,xn)
其中,变量x1,x2,...,xn表示多源监测数据,fh表示将监测数据映射为虚拟健康指标的变换函数。
作为优选,通过中心标准化方法对标准多源历史监测数据进行数据融合,对应的计算公式为:
作为优选,通过PCA方法对所述标准多源历史监测数据进行数据融合,包括如下步骤:
对输入的m维数据,采用线性投影变换之后得到相互独立的m维输出数据,称之为m维主成分,每一维主成分都由原始m维数据以不同的系数线性组合而成,数学表达式如下:
计算各主成分的方差,根据方差从大到小排列,具有最大方差的主成分成为最大主成分。
作为优选,单调性度量指标的计算公式为:
Mon(X)的值在0~1之间,且值越大表示健康指标序列的局部单调性越好。
作为优选,所述退化状态模型为指数模型,在负时间刻度下数学表达式为:
所述退化状态模型在正时间刻度下数学表达式为:
Hi(ti)=exp[ai(ti-Ti)+bi]+citi∈[1,Ti]
其中,ai、bi、ci是机械设备i的退化状态模型参数;
其中,以机械设备完全失效为基点,建立机械设备状态模型,机械设备由正常时间刻度到负时间刻度的变换表达式为:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti] 。
作为优选,健康指标和退化状态模型容易受到外部扰动影响,健康指标计算值和实际健康指标测量值之间存在偏差,假定噪声服从高斯分布,通过以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2)
基于机械设备的实际寿命以及模型参数具有随机性,根据贝叶斯理论,结合正常时间刻度下机械设备状态模型的数学表达式,得到一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t))
其中fP(θ,T,μ,σ2)是随机参数的先验分布;
假定机械设备双目为m,基于每个机械设备对应的历史监测数据,基于上述参数模型的构建方法,得到m个机械设备退化状态模型及相关参数模型的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取的;
基于以上估计值,可以得到所述退化状态模型参数的经验分布,并将所述退化状态模型参数的经验分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则所述退化状态模型参数的后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
多源监测数据Y(t)是独立采集的,各个分量之间是相互独立的,基于采集的(Y(t)|t=1,2,...,n),离散时间刻度下时刻n状态模型参数的后验分布如下:
机械设备剩余寿命预测阶段为预测机械设备在指定运行时刻n之后的剩余使用寿命,根据指定运行时刻n之前的多源监测数据和已建立的参数估计模型,通过随机采样估计方法对退化状态模型进行模型参数更新,得到运行时刻n的剩余寿命的后验分布,从而完成机剩余寿命的预测。
第二方面,本发明的基于贝叶斯多源数据融合的设备剩余寿命预测系统,通过如第一方面任一项所述的基于贝叶斯多源数据融合的设备剩余寿命预测方法对机械设备剩余寿命进行预测,所述系统包括:
健康指标构建模块,所述健康指标构建模块用于获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;
预处理模块,所述预处理模块用于获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对所述多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;
多源融合模块,所述多源融合模块用于通过PCA方法对所述标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;
健康指标计算及退化状态模型构建模块,所述健康指标计算及退化状态模型构建模块用于通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;
剩余寿命预测模块,所述剩余寿命预测模块用于基于贝叶斯理论建立参数评估模型,通过所述参数评估模型估计所述退化状态模型的参数分布,并基于随机采样方法更新所述退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
作为优选,所述虚拟健康质指标的数学表达式为:
VHI=fh(x1,x2,...,xn)
其中,变量x1,x2,...,xn表示多源监测数据,fh表示将监测数据映射为虚拟健康指标的变换函数;
所述预处理模块用于通过中心标准化方法对标准多源历史监测数据进行数据融合,对应的计算公式为:
所述多源融合模块用于通过PCA方法对所述标准多源历史监测数据进行数据融合,包括如下步骤:
对输入的m维数据,采用线性投影变换之后得到相互独立的m维输出数据,称之为m维主成分,每一维主成分都由原始m维数据以不同的系数线性组合而成,数学表达式如下:
计算各主成分的方差,根据方差从大到小排列,具有最大方差的主成分成为最大主成分。
所述健康指标计算机退化状态模型构建模块中,单调性度量指标的计算公式为:
Mon(X)的值在0~1之间,且值越大表示健康指标序列的局部单调性越好;
所述退化状态模型为指数模型,在负时间刻度下数学表达式为:
所述退化状态模型在正时间刻度下数学表达式为:
Hi(ti)=exp[ai(ti-Ti)+bi]+citi∈[1,Ti]
其中,ai、bi、ci是机械设备i的退化状态模型参数;
其中,以机械设备完全失效为基点,建立机械设备状态模型,机械设备由正常时间刻度到负时间刻度的变换表达式为:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti] 。
作为优选,所述剩余寿命预测模块用于通过如下步骤预测机械设备的剩余寿命:
健康指标和退化状态模型容易受到外部扰动影响,健康指标计算值和实际健康指标测量值之间存在偏差,假定噪声服从高斯分布,通过以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2)
基于机械设备的实际寿命以及模型参数具有随机性,根据贝叶斯理论,结合正常时间刻度下机械设备状态模型的数学表达式,得到一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t))
其中fP(θ,T,μ,σ2)是随机参数的先验分布;
假定机械设备双目为m,基于每个机械设备对应的历史监测数据,基于上述参数模型的构建方法,得到m个机械设备退化状态模型及相关参数模型的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取的;
基于以上估计值,可以得到所述退化状态模型参数的经验分布,并将所述退化状态模型参数的经验分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则所述退化状态模型参数的后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
多源监测数据Y(t)是独立采集的,各个分量之间是相互独立的,基于采集的(Y(t)|t=1,2,...,n),离散时间刻度下时刻n状态模型参数的后验分布如下:
机械设备剩余寿命预测阶段为预测机械设备在指定运行时刻n之后的剩余使用寿命,根据指定运行时刻n之前的多源监测数据和已建立的参数估计模型,通过随机采样估计方法对退化状态模型进行模型参数更新,得到运行时刻n的剩余寿命的后验分布,从而完成机剩余寿命的预测。
本发明的基于贝叶斯多源数据融合的设备剩余寿命预测方法具有以下优点:
(1)该方法基于对发动机设备信号数据,使用数学统计及机器学习算法对数据进行挖掘,预测发动机在指定运行时刻n之后的剩余使用寿命,达到对发动机使用状况进行及时监控的目的,降低由于对发动机使用期限不明确而造成巨大的经济损失;
(2)该方法对采集到的多维发动机监测信号进行了数据融合,提高了数据的利用率;
(3)该方法对采集到的发动机多维历史监测数据进行数据降维,提取监测数据的主成分,实现对高维数据的降维,减少计算的复杂度,提高预测效率;
(4)该方法基于贝叶斯后验分布的方法进行发动机剩余寿命的预测,克服了发动机的多层次性、非线性导致的性能退化物理模型难以直接建立的难题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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,对于本领域的普通技术人员来讲,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。
下面结合附图对本发明进一步说明。
图1为实施例1基于贝叶斯多源数据融合的设备剩余寿命预测方法的流程框图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定,在不冲突的情况下,本发明实施例以及实施例中的技术特征可以相互结合。
本发明实施例提供基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统,用于解决如何对发动机等复杂机械设备剩余寿命进行预测,以便于对发动机等复杂机械设备进行更好、更准确的监测的技术问题。
实施例1:
本发明基于贝叶斯多源数据融合的设备剩余寿命预测方法,基于Bayes 理论以及多源数据融合的方式,实现对发动机等复杂机械设备剩余寿命更加准确的预测。该方法包括如下步骤:
S100、获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;
S200、获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;
S300、通过PCA方法对标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;
S400、通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;
S500、基于贝叶斯理论建立参数评估模型,通过参数评估模型估计退化状态模型的参数分布,并基于随机采样方法更新退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
本实施例步骤S100为建立健康指标,构建健康指标在发动机剩余寿命预测问题中是非常重要的一步,其主要作用是表示设备性能的退化程度,从而反映性能随时间衰退的内在规律。健康指标一般可以分为两类:物理健康指标与虚拟健康指标。物理健康指标与发动机性能退化、失效机理直接相关,其通常由发动机的传感监测信号经过统计分析或信号处理之后所得;虚拟健康指标是通过多种传感监测信号或多个物理健康指标融合而成,不具备实际物理意义,只是对设备退化过程的一种虚拟描述。具体应用到发动机剩余寿命预测中,传感监测信号众多,但基于单个监测量或少数监测量的物理健康指标在反映整机的性能退化过程中较为困难,因此基于多源传感监测数据融合建立虚拟健康指标作为发动机健康指标是较为合适的选择。根据以上结论,构建基于多源数据融合的虚拟健康指标数学表达式如下:
VHI=fh(x1,x2,...,xn) (1)
式中,变量x1,x2,...,xn是发动机多源监测数据,fh是将这些监测量映射为发动机虚拟健康指标的变换函数。
通过众多传感器采集的反映发动机运行状况的多源监测数据,本质上就是一个多维数据集,并且每一维都是时间序列数据,即随着循环次数的不断增加而得到的发动机退化监测数据,为了构造发动机虚拟健康指标,就需要采取有效的方法对这些多维数据进行融合。本发明中所使用的数据融合方法是主成分分析法(PCA),该方法可以很好地将高维数据映射到低维数据空间。
在进行数据融合过程之前,考虑到采集到的各种监测数据存在较大的差异,先采用中心标准化方法对多维数据进行预处理,其数学表达式如下:
式中,Xi={xi(t),t=1,2,...,n}表示第i维原始数据,为标准化处理之后的第i维数据,ui,σi分别代表第i维数据的均值和标准差。整体数据融合的过程如下:对输入的m维数据,采用线性投影变换之后得到相互独立的m 维输出数据,称之为m维主成分,每一维主成分都由原始m维数据以不同的系数线性组合而成,数学表达式如下:
式中,Yj维第i维主成分,是中心标准化处理后的第K维数据,是对应主成分的线性组合系数。之后计算各主成分的方差,依据信号处理理论可知,信号具有较大的方差,噪声量的方差较小,相应的信噪比就是信号与噪声的方差比。因此方差越大的主成分越重要、需要优先进行保留,再根据方差从大到小排列,具有最大方差的主成分成为最大主成分,根据以上分析结论,本实施例选择最大主成分计算发动机健康指标。
在实际中,由于不同发动机其制造工艺、装配方式及结构材料都有所不同,那么就会导致初始退化状态也有所不同。因此,本发明选择以发动机完全失效作为基点,建立发动机状态模型,发动机由正常时间刻度到负时间刻度的变换表达式如下:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti] (6)
由于所构建的设备健康指标的性能对预测模型复杂度及精确度会产生直接且重要的影响,因此合适的健康指标是进行剩余寿命预测的首要条件。本发明中,为了能够更好地评价健康指标的适用性,选择使用单调性来评估健康指标的性能,改评价方法适合度量单个健康指标,而发动机运行数据所建立的健康指标就是一个单个健康指标的序列,鲁棒性、可识别性、一致性等这些评价方法适合处理混合健康指标,在该应用中并不适用,以下给出单调性度量指标的计算公式;
根据Mon(X)的定义可知其值在0~1之间,且值越大表示健康指标序列的局部单调性越好。
构建发动机的健康指标并进行性能评估之后,需要从随机过程理论出发,建立发动机退化状态模型。在综合考虑数据建模难度及发动机退化过程的非线性特性,本发明采用基于指数过程进行发动机性能退化状态模型构建。指数模型在负时间刻度下数学表达式如下:
在正时间刻度下数学表达式如下:
Hi(ti)=exp[ai(ti-Ti)+bi]+citi∈[1,Ti] (9)
式中,ai,bi,ci是发动机i的指数模型参数。
不同发动机的性能退化过程受到众多因素影响具有随机性和差异性,这给发动机剩余寿命预测带来了较大困难,本发明针对这一问题,基于贝叶斯理论建立发动机系统状态模型参数的贝叶斯估计模型来解决预测过程中可能出现的随机问题。
发动机健康指标量及状态模型容易受到外部扰动影响,从而健康指标量与实际健康指标测量值存在一定的偏差,一般假定噪声服从高斯分布,因此可以按照以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε (10)
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2) (11)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2) (12)
考虑发动机的实际寿命,噪声及方差等模型参数具有随机性,根据贝叶斯理论,结合式(6),可得如下一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t)) (13)
式中,fP(θ,T,μ,σ2)是随机参数的先验分布。考虑多个同类发动机的情况,假设发动机数目为m,利用每台发动机上众多传感器采集的历史监测数据,按照上述模型建立方法,可以获得m个发动机退化状态模型及相关模型参数的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取。基于以上估计值,可以得到模型参数的经验分布,并将此分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则模型的参数后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2) (14)
发动机系统监测量Y(t),其监测分量是由不同传感器独立采集获取,因此,各分量之间是相互独立的,基于采集的监测数据(Y(t)|t=1,2,...,n),那么离散时间刻度下时刻n状态模型参数的后验分布如下:
发动机剩余寿命预测阶段的主要任务是预测发动机在指定运行时刻n之后的剩余使用寿命,根据该时刻之前的发动机监测数据和已建立的发动机退化状态模型,进行模型参数更新,就可以得到时刻n的剩余寿命的后验分布,从而完成发动机剩余寿命的预测。
本实施例的方法使用数据驱动原理融合发动机多元状态监测数据,建立可以表征发动机性能衰退程度的健康指标及性能退化状态模型;其次,基于Bayes 理论,估计性能退化状态模型参数分布;然后,基于测试发动机采集的实时监测数据和已建立的Bayes参数估计模型,利用随机采样估计方法更新性能退化状态模型的参数,以发动机寿命后验分布预测测试发动机的剩余使用寿命。通过该方法可对发动机等复杂机械设备进行剩余寿命预测。
本实施例的方法使用数学统计及机器学习算法对数据进行挖掘,预测发动机在指定运行时刻n之后的剩余使用寿命,达到对发动机使用状况进行及时监控的目的,降低由于对发动机使用期限不明确而造成巨大的经济损失;对采集到的多维发动机监测信号进行了数据融合,提高了数据的利用率;对采集到的发动机多维历史监测数据进行数据降维,提取监测数据的主成分,实现对高维数据的降维,减少计算的复杂度,提高预测效率;使用贝叶斯后验分布的方法进行发动机剩余寿命的预测,克服了发动机的多层次性、非线性导致的性能退化物理模型难以直接建立的难题。
实施例2:
本发明基于贝叶斯多源数据融合的设备剩余寿命预测系统,包括健康指标构建模块、预处理模块、多源融合模块、健康指标计算及退化状态模型构建模块、以及剩余寿命预测模块,健康指标构建模块用于获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;预处理模块用于获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对所述多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;多源融合模块用于通过 PCA方法对所述标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;健康指标计算及退化状态模型构建模块用于通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;剩余寿命预测模块用于基于贝叶斯理论建立参数评估模型,通过所述参数评估模型估计所述退化状态模型的参数分布,并基于随机采样方法更新所述退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
其中,健康指标构建模块中虚拟健康质指标的数学表达式为:
VHI=fh(x1,x2,...,xn)
其中,变量x1,x2,...,xn表示多源监测数据,fh表示将监测数据映射为虚拟健康指标的变换函数;
预处理模块用于通过中心标准化方法对标准多源历史监测数据进行数据融合,对应的计算公式为:
所述多源融合模块用于通过PCA方法对所述标准多源历史监测数据进行数据融合,包括如下步骤:
对输入的m维数据,采用线性投影变换之后得到相互独立的m维输出数据,称之为m维主成分,每一维主成分都由原始m维数据以不同的系数线性组合而成,数学表达式如下:
计算各主成分的方差,根据方差从大到小排列,具有最大方差的主成分成为最大主成分。
健康指标计算机退化状态模型构建模块中,单调性度量指标的计算公式为:
Mon(X)的值在0~1之间,且值越大表示健康指标序列的局部单调性越好;
退化状态模型为指数模型,在负时间刻度下数学表达式为:
所述退化状态模型在正时间刻度下数学表达式为:
Hi(ti)=exp[ai(ti-Ti)+bi]+citi∈[1,Ti]
其中,ai、bi、ci是机械设备i的退化状态模型参数;
其中,以机械设备完全失效为基点,建立机械设备状态模型,机械设备由正常时间刻度到负时间刻度的变换表达式为:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti] 。
剩余寿命预测模块用于通过如下步骤预测机械设备的剩余寿命:
(1)健康指标和退化状态模型容易受到外部扰动影响,健康指标计算值和实际健康指标测量值之间存在偏差,假定噪声服从高斯分布,通过以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2)
(2)基于机械设备的实际寿命以及模型参数具有随机性,根据贝叶斯理论,结合正常时间刻度下机械设备状态模型的数学表达式,得到一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t))
其中fP(θ,T,μ,σ2)是随机参数的先验分布;
(3)假定机械设备双目为m,基于每个机械设备对应的历史监测数据,基于上述参数模型的构建方法,得到m个机械设备退化状态模型及相关参数模型的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取的;
(4)基于以上估计值,可以得到所述退化状态模型参数的经验分布,并将所述退化状态模型参数的经验分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则所述退化状态模型参数的后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
(5)多源监测数据Y(t)是独立采集的,各个分量之间是相互独立的,基于采集的(Y(t)|t=1,2,...,n),离散时间刻度下时刻n状态模型参数的后验分布如下:
(6)机械设备剩余寿命预测阶段为预测机械设备在指定运行时刻n之后的剩余使用寿命,根据指定运行时刻n之前的多源监测数据和已建立的参数估计模型,通过随机采样估计方法对退化状态模型进行模型参数更新,得到运行时刻n的剩余寿命的后验分布,从而完成机剩余寿命的预测。
本实施例的系统可通过执行实施例1公开的于贝叶斯多源数据融合的设备剩余寿命预测方法对发动机等复杂机械设备进行剩余寿命预测。
上文通过附图和优选实施例对本发明进行了详细展示和说明,然而本发明不限于这些已揭示的实施例,基与上述多个实施例本领域技术人员可以知晓,可以组合上述不同实施例中的手段得到本发明更多的实施例,这些实施例也在本发明的保护范围之内。
Claims (10)
1.基于贝叶斯多源数据融合的设备剩余寿命预测方法,其特征在于包括如下步骤:
获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;
获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对所述多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;
通过PCA方法对所述标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;
通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;
基于贝叶斯理论建立参数评估模型,通过所述参数评估模型估计所述退化状态模型的参数分布,并基于随机采样方法更新所述退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
2.根据权利要求1所述的基于贝叶斯多源数据融合的设备剩余寿命预测方法,其特征在于所述虚拟健康质指标的数学表达式为:
VHI=fh(x1,x2,...,xn)
其中,变量x1,x2,...,xn表示多源监测数据,fh表示将监测数据映射为虚拟健康指标的变换函数。
6.根据权利要求1-5任一项所述的基于贝叶斯多源数据融合的设备剩余寿命预测方法,其特征在于所述退化状态模型为指数模型,在负时间刻度下数学表达式为:
所述退化状态模型在正时间刻度下数学表达式为:
Hi(ti)=exp[ai(ti-Ti)+bi]+ci ti∈[1,Ti]
其中,ai、bi、ci是机械设备i的退化状态模型参数;
其中,以机械设备完全失效为基点,建立机械设备状态模型,机械设备由正常时间刻度到负时间刻度的变换表达式为:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti]。
7.根据权利要求6所述的1所述的基于贝叶斯多源数据融合的设备剩余寿命预测方法,其特征在于健康指标和退化状态模型容易受到外部扰动影响,健康指标计算值和实际健康指标测量值之间存在偏差,假定噪声服从高斯分布,通过以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2)
基于机械设备的实际寿命以及模型参数具有随机性,根据贝叶斯理论,结合正常时间刻度下机械设备状态模型的数学表达式,得到一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t))
其中fP(θ,T,μ,σ2)是随机参数的先验分布;
假定机械设备双目为m,基于每个机械设备对应的历史监测数据,基于上述参数模型的构建方法,得到m个机械设备退化状态模型及相关参数模型的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取的;
基于以上估计值,可以得到所述退化状态模型参数的经验分布,并将所述退化状态模型参数的经验分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则所述退化状态模型参数的后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
多源监测数据Y(t)是独立采集的,各个分量之间是相互独立的,基于采集的(Y(t)|t=1,2,...,n),离散时间刻度下时刻n状态模型参数的后验分布如下:
机械设备剩余寿命预测阶段为预测机械设备在指定运行时刻n之后的剩余使用寿命,根据指定运行时刻n之前的多源监测数据和已建立的参数估计模型,通过随机采样估计方法对退化状态模型进行模型参数更新,得到运行时刻n的剩余寿命的后验分布,从而完成机剩余寿命的预测。
8.基于贝叶斯多源数据融合的设备剩余寿命预测系统,其特征在于通过如权利要求1-7任一项所述的基于贝叶斯多源数据融合的设备剩余寿命预测方法对机械设备剩余寿命进行预测,所述系统包括:
健康指标构建模块,所述健康指标构建模块用于获取反应机械设备运行状态的多源监测数据,构建基于多源监测数据融合的虚拟健康指标,作为表征机械设备退化程度的健康指标;
预处理模块,所述预处理模块用于获取反应机械设备运行状态的多源历史监测数据,并通过中心标准化方法对所述多源历史监测数据进行数据预处理,得到标准化多源历史监测数据;
多源融合模块,所述多源融合模块用于通过PCA方法对所述标准多源历史监测数据进行数据融合,并选取最大主成分计算计算机械设备的健康指标;
健康指标计算及退化状态模型构建模块,所述健康指标计算及退化状态模型构建模块用于通过单调性度量评估健康指标的适应性,并基于指数过程构建反映机械设备性能退化的退化状态模型;
剩余寿命预测模块,所述剩余寿命预测模块用于基于贝叶斯理论建立参数评估模型,通过所述参数评估模型估计所述退化状态模型的参数分布,并基于随机采样方法更新所述退化状态模型的参数,得到退化状态模型参数的后验分布,并基于退化状态模型参数的后验分布预测机械设备的剩余寿命。
9.根据权利要求8所述的基于贝叶斯多源数据融合的设备剩余寿命预测系统,其特征在于所述虚拟健康质指标的数学表达式为:
VHI=fh(x1,x2,...,xn)
其中,变量x1,x2,...,xn表示多源监测数据,fh表示将监测数据映射为虚拟健康指标的变换函数;
所述预处理模块用于通过中心标准化方法对标准多源历史监测数据进行数据融合,对应的计算公式为:
所述多源融合模块用于通过PCA方法对所述标准多源历史监测数据进行数据融合,包括如下步骤:
对输入的m维数据,采用线性投影变换之后得到相互独立的m维输出数据,称之为m维主成分,每一维主成分都由原始m维数据以不同的系数线性组合而成,数学表达式如下:
计算各主成分的方差,根据方差从大到小排列,具有最大方差的主成分成为最大主成分。
所述健康指标计算机退化状态模型构建模块中,单调性度量指标的计算公式为:
Mon(X)的值在0~1之间,且值越大表示健康指标序列的局部单调性越好;
所述退化状态模型为指数模型,在负时间刻度下数学表达式为:
所述退化状态模型在正时间刻度下数学表达式为:
Hi(ti)=exp[ai(ti-Ti)+bi]+ci ti∈[1,Ti]
其中,ai、bi、ci是机械设备i的退化状态模型参数;
其中,以机械设备完全失效为基点,建立机械设备状态模型,机械设备由正常时间刻度到负时间刻度的变换表达式为:
Mi:Hi(ti)=f(ti-Ti,θi)ti∈[0,Ti]。
10.根据权利要求9所述的基于贝叶斯多源数据融合的设备剩余寿命预测系统,其特征在于所述剩余寿命预测模块用于通过如下步骤预测机械设备的剩余寿命:
健康指标和退化状态模型容易受到外部扰动影响,健康指标计算值和实际健康指标测量值之间存在偏差,假定噪声服从高斯分布,通过以下表达式计算健康指标的测量值Y(t):
Y(t)=H(t)+ε
式中,ε为噪声偏差分量,一般假定其服从均值为0的高斯分布:
ε~N(0,σ2)
因此健康指标测量值Y(t)也服从高斯分布:
Y(t)~N(H(t),σ2)
基于机械设备的实际寿命以及模型参数具有随机性,根据贝叶斯理论,结合正常时间刻度下机械设备状态模型的数学表达式,得到一般性模型参数联合分布的分布结果:
f(Y(t),θ,T,μ,σ2)=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
=fP|Y(θ,T,μ,σ2|Y(t))fY(Y(t))
其中fP(θ,T,μ,σ2)是随机参数的先验分布;
假定机械设备双目为m,基于每个机械设备对应的历史监测数据,基于上述参数模型的构建方法,得到m个机械设备退化状态模型及相关参数模型的估计结果,(μ,σ2)是由理论计算健康指标及测量所得健康指标的残差计算获取的;
基于以上估计值,可以得到所述退化状态模型参数的经验分布,并将所述退化状态模型参数的经验分布作为贝叶斯模型参数的先验分布,由于给定的Y(t)和fp(Y(t))是定值,则所述退化状态模型参数的后验分布表达式如下:
fP|Y(θ,T,μ,σ2|Y(t))=fY|P(Y(t)|θ,T,μ,σ2)fP(θ,T,μ,σ2)
多源监测数据Y(t)是独立采集的,各个分量之间是相互独立的,基于采集的(Y(t)|t=1,2,...,n),离散时间刻度下时刻n状态模型参数的后验分布如下:
机械设备剩余寿命预测阶段为预测机械设备在指定运行时刻n之后的剩余使用寿命,根据指定运行时刻n之前的多源监测数据和已建立的参数估计模型,通过随机采样估计方法对退化状态模型进行模型参数更新,得到运行时刻n的剩余寿命的后验分布,从而完成机剩余寿命的预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579012.0A CN114936504A (zh) | 2021-12-22 | 2021-12-22 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111579012.0A CN114936504A (zh) | 2021-12-22 | 2021-12-22 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936504A true CN114936504A (zh) | 2022-08-23 |
Family
ID=82862097
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111579012.0A Pending CN114936504A (zh) | 2021-12-22 | 2021-12-22 | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114936504A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640652A (zh) * | 2022-10-10 | 2023-01-24 | 武汉科技大学 | 一种轴向柱塞泵剩余寿命预测方法 |
CN115982976A (zh) * | 2022-12-19 | 2023-04-18 | 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 |
CN116449135A (zh) * | 2023-04-19 | 2023-07-18 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
-
2021
- 2021-12-22 CN CN202111579012.0A patent/CN114936504A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115640652A (zh) * | 2022-10-10 | 2023-01-24 | 武汉科技大学 | 一种轴向柱塞泵剩余寿命预测方法 |
CN115640652B (zh) * | 2022-10-10 | 2023-05-05 | 武汉科技大学 | 一种轴向柱塞泵剩余寿命预测方法 |
CN115982976A (zh) * | 2022-12-19 | 2023-04-18 | 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 |
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 |
CN116449135A (zh) * | 2023-04-19 | 2023-07-18 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
CN116449135B (zh) * | 2023-04-19 | 2024-01-30 | 北京航空航天大学 | 一种机电系统部件健康状态确定方法、系统及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114936504A (zh) | 基于贝叶斯多源数据融合的设备剩余寿命预测方法及系统 | |
CN109813544B (zh) | 一种基于在线监测的旋转机械早期故障诊断方法及系统 | |
KR20100116502A (ko) | 발전소 계측기 성능 감시 예측 방법 | |
CN101436057A (zh) | 数控机床热误差贝叶斯网络补偿方法 | |
CN111638707B (zh) | 基于som聚类和mpca的间歇过程故障监测方法 | |
JP2010257227A (ja) | 監視装置およびサーバー | |
CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
CN112116198A (zh) | 数据驱动的流程工业状态感知网络关键节点筛选方法 | |
CN112904266A (zh) | 一种电能表寿命预测方法及装置 | |
CN111881574A (zh) | 一种基于分布函数优选的风电机组关键部件可靠性建模方法 | |
CN117289168A (zh) | 基于传感器数据和智能算法的产品质量监测系统 | |
CN117289668B (zh) | 分布式减速机网络协同控制方法、装置、设备及存储介质 | |
CN112149054B (zh) | 基于时序扩展的正交邻域保持嵌入模型的构建与应用 | |
CN117421994A (zh) | 一种边缘应用健康度的监测方法和监测系统 | |
Dong et al. | Prognostics 102: efficient Bayesian-based prognostics algorithm in Matlab | |
CN114417681B (zh) | 基于动态决策和神经网络的二维结构变形监测方法及装置 | |
CN114814707A (zh) | 一种智能电表应力误差分析方法、设备、终端及可读介质 | |
CN113255207A (zh) | 基于迭代多输出-马尔科夫链的空分系统氩馏分变量多步预测方法 | |
CN111539096A (zh) | 一种基于实时测试参数的电驱动系统可靠度评估方法 | |
CN115022348B (zh) | 一种高端电池智能工厂云级架构数据存储方法 | |
CN117725543B (zh) | 一种多元时间序列异常预测方法、电子设备及存储介质 | |
Li et al. | Research on Prediction of Press-Assembly Quality Based on Grey Markov Model | |
CN112180893B (zh) | Cstr过程中故障相关分布式正交邻域保持嵌入模型的构建方法及其故障监控方法 | |
CN114997220A (zh) | 一种基于cps架构的设备phm系统 |
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 |