CN117196591B - 一种设备失效模式预判与剩余寿命预测耦合系统及方法 - Google Patents
一种设备失效模式预判与剩余寿命预测耦合系统及方法 Download PDFInfo
- Publication number
- CN117196591B CN117196591B CN202311467012.0A CN202311467012A CN117196591B CN 117196591 B CN117196591 B CN 117196591B CN 202311467012 A CN202311467012 A CN 202311467012A CN 117196591 B CN117196591 B CN 117196591B
- Authority
- CN
- China
- Prior art keywords
- equipment
- failure mode
- time
- residual life
- prediction
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000010168 coupling process Methods 0.000 title claims abstract description 45
- 230000008878 coupling Effects 0.000 title claims abstract description 41
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 41
- 238000012423 maintenance Methods 0.000 claims abstract description 55
- 230000036541 health Effects 0.000 claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 14
- 230000001186 cumulative effect Effects 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 230000003139 buffering effect Effects 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 230000008439 repair process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种设备失效模式预判与剩余寿命预测耦合系统及方法，其系统包括互相通信连接的设备维修网络和设备维修决策平台；设备维修网络用于确定失效模式，并预测剩余寿命；设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员。该系统以传感器集合所提供的运行设备健康状态实时监测与感知为条件，实现失效模式预判与剩余寿命预测的耦合；传感器集合位于设备节点，实现设备健康信息的不间断收集；异常状态识别模块位于设备节点，实现多元时序数据流的缓存和设备异常发生时刻的识别；失效模式预判与剩余寿命预测耦合模块实现失效模式的预判以及剩余寿命的预测。
Description
技术领域
本发明属于故障预测技术领域，具体涉及一种设备失效模式预判与剩余寿命预测耦合系统及方法。
背景技术
物联网背景下，在设备上加装智能数据采集终端，形成数字化的设备健康状态感知，并在此基础上，构建设备智能故障预测与健康管理系统，已经越来越受到设备使用企业的青睐。
故障预测与健康管理的核心任务是剩余寿命预测。实践中，所收集的设备监测数据通常具有初始状态不确定和价值密度差异化的特点。其中，初始状态不确定是指设备维修效果的不确定会在设备监测数据中体现；价值密度差异化是指设备运行接近失效发生时刻，监测数据对剩余寿命预测的价值更高。
实践中，对设备进行不间断地监测，会产生大量监测数据。随着技术的发展，设备失效的概率越来越低，相邻设备失效发生的时间间隔会更长。受制于储存或传输介质，故障预测与健康管理系统需要采用旧监测数据不断被新监测数据擦除和覆盖的方式，来维持设备监控系统的正常运转和设备监测成本的合理性。
此外，由多个设备组成的设备维修网络通常具有显著的地理空间分散特征。例如，油气田设备维修网络、风电场设备维修网络和路网设备维修网络等。考虑设备因其复杂性所具有的多失效模式，设备失效发生的空间离散性和时间随机性相叠加，要求在预测剩余寿命的同时，进行设备失效模式的判断。设备失效模式预判和剩余寿命预测的耦合，可以优化设备维修活动安排、提升设备维修资源管理能力、提高设备群组的整体维修效率以及降低设备维修的管理成本。
发明内容
本发明为了解决上述问题，提出了一种设备失效模式预判与剩余寿命预测耦合系统及方法。
本发明的技术方案是：一种设备失效模式预判与剩余寿命预测耦合系统包括互相通信连接的设备维修网络和设备维修决策平台；设备维修网络用于确定失效模式，并预测剩余寿命；设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员；
设备维修网络包括设备节点、传感器集合、异常状态识别模块以及设备失效模式预判与剩余寿命预测耦合模块；
传感器集合包括若干个传感器，用于采集对应设备节点的设备健康信息；
异常状态识别模块用于接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
设备失效模式预判与剩余寿命预测耦合模块用于根据异常发生时刻确定失效模式，并预测剩余寿命，并将失效模式和剩余寿命传输至设备维修决策平台。
本发明的有益效果是：该系统以传感器集合所提供的运行设备健康状态实时监测与感知为条件，实现失效模式预判与剩余寿命预测的耦合；传感器集合位于设备节点，实现设备健康信息的不间断收集；异常状态识别模块位于设备节点，实现多元时序数据流的缓存和设备异常发生时刻的识别；失效模式预判与剩余寿命预测耦合模块实现失效模式的预判以及剩余寿命的预测。
基于以上系统，本发明还提出一种设备失效模式预判与剩余寿命预测耦合方法，包括以下步骤：
S1：通过传感器采集待检测设备的设备健康信息；
S2：利用异常状态识别模块接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
S3：根据待检测设备的异常发生时刻，利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式，并预测剩余寿命；
S4：将失效模式和剩余寿命传输至设备维修决策平台。
进一步地，步骤S1中，t时刻的设备健康信息包括设备运行环境信息和设备运行状态信息；
其中，t时刻的设备健康信息x(t)的表达式为，t时刻的设备运行环境信息的表达式为/>，t时刻的设备运行状态信息的表达式为；
式中，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，表示t时刻针对各个设备类型所监测的运行环境变量，/>表示t时刻针对各个设备类型所监测的运行状态变量。
进一步地，S2包括以下子步骤：
S21：利用异常状态识别模块接收并缓存t时刻的设备健康信息；
S22：根据t时刻的设备健康信息，利用ARIMA 模型预测t+1时刻的设备健康预测信息以及预测区间；
S23：根据预测t+1时刻的设备健康预测信息以及预测区间，确定异常发生时刻。
进一步地，步骤S22中，t+1时刻的设备健康预测信息的表达式为，设备运行环境信息的预测区间的表达式为/>，设备运行状态信息的预测区间的表达式为/>；
式中，表示t+1时刻针对各个设备类型所监测的运行环境变量的预测值，/>表示t+1时刻针对各个设备类型所监测的运行状态变量的预测值，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，L表示预先设置的预警下限，U表示预先设置的预警上限。
进一步地，步骤S23中，若A v (t+1)不属于设备运行环境信息的预测区间内，则t+1时刻设备运行环境异常；
若B u (t+1) 不属于设备运行状态信息的预测区间内，则t+1时刻设备运行状态异常；
式中，A v (t+1)表示t+1时刻针对设备类型所监测的第v个运行环境变量的实际观测值，表示t+1时刻针对设备类型所监测的第u个运行状态变量的实际观测值，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限。
进一步地，步骤S3包括以下子步骤：
S31：提取设备失效模式预判与剩余寿命预测耦合模块的时序样本；
S32：利用概率图模型计算时序样本的失效累计发生概率；
S33：根据时序样本的失效累计发生概率，计算各概率图模型片段的经验分布函数，将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值；
S34：利用DKW不等式确定设备剩余寿命预测值的置信区间，利用边缘密度函数计算失效模式预测值的方差；
S35：将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果。
进一步地，步骤S31中，时序样本x pq 的表达式为；
式中，表示根据周期性提取时刻/>所收集的/>个关于设备类型为p的设备节点q的健康信息片段。
进一步地，步骤S32中，计算时序样本的失效累计发生概率的具体方法为：利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片，计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率，直至各概率图模型片段的最右端到各元素最右端的距离为零，确定失效累计发生概率；
其中，概率图模型集合的表达式为，式中，/>表示设备类型p的K p 个失效模式对应的概率图模型；
各失效模式的累计发生概率的计算公式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式。
进一步地，步骤S33中，各概率图模型片段的经验分布函数的表达式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式，F(·)表示概率函数，T p 表示概率图模型包含时间片的数量，表示周期性提取时刻。
本发明的有益效果是：该方法可以同时提供失效模式预判结果和剩余寿命预测结果；在设备维修网络情景中，避免了只有剩余寿命预测而没有失效模式预判的情况；可以提高设备预测性维护的智能化水平；并可以为设备维修网络情景下的维修活动精简、维修效率提升以及维修成本减少提供基础条件。
附图说明
图1为设备失效模式预判与剩余寿命预测耦合系统的结构图；
图2为设备失效模式预判与剩余寿命预测耦合方法的流程图；
图3为关于设备类型的失效模式的概率图模型示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示，本发明提供了一种设备失效模式预判与剩余寿命预测耦合系统，包括互相通信连接的设备维修网络和设备维修决策平台；设备维修网络用于确定失效模式，并预测剩余寿命；设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员；运维人员可以管理设备维修活动和设备维修资源，其中，设备维修活动涉及失效位置定位、失效原因定位、维修策略制定、维修策略实施、设备维修活动的各环节形成对何种故障、需要在何时、以何种维修方式以及实现何种预期维修效果的整体描述；设备维修资源涉及确保设备正常运行、延长设备寿命的、设备制造商或设备使用企业所拥有和管理的各种资源，包括人力、物资、知识和工具。
设备维修网络包括设备节点、传感器集合、异常状态识别模块以及设备失效模式预判与剩余寿命预测耦合模块；
传感器集合包括若干个传感器，用于采集对应设备节点的设备健康信息；
异常状态识别模块用于接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
设备失效模式预判与剩余寿命预测耦合模块用于根据异常发生时刻确定失效模式，并预测剩余寿命，并将失效模式和剩余寿命传输至设备维修决策平台。
设备节点是指一台设备。设备维修网络中，每台设备配备若干传感器，形成传感器集合，并且每台设备配备一个异常状态识别模块。设备健康信息的持续监测，会形成多元时序数据流。异常状态识别模块对多元时序数据流进行缓存。在缓存中，多元时序数据的长度不随时间变化，其为常数；新数据覆盖旧数据，遵循先进先出原则。
基于以上系统，本发明还提出一种设备失效模式预判与剩余寿命预测耦合方法，如图2所示，包括以下步骤：
S1：通过传感器采集待检测设备的设备健康信息；
S2：利用异常状态识别模块接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
S3：根据待检测设备的异常发生时刻，利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式，并预测剩余寿命；
S4：将失效模式和剩余寿命传输至设备维修决策平台。
在本发明实施例中，步骤S1中，t时刻的设备健康信息包括设备运行环境信息和设备运行状态信息；
其中，t时刻的设备健康信息x(t)的表达式为，t时刻的设备运行环境信息的表达式为/>，t时刻的设备运行状态信息的表达式为；
式中，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，表示t时刻针对各个设备类型所监测的运行环境变量，/>表示t时刻针对各个设备类型所监测的运行状态变量。
在本发明实施例中，S2包括以下子步骤：
S21：利用异常状态识别模块接收并缓存t时刻的设备健康信息；对于设备类型p，异常状态识别模块所缓存的多元时序数据的长度为n p 。
S22：根据t时刻的设备健康信息，利用ARIMA 模型预测t+1时刻的设备健康预测信息以及预测区间；
S23：根据预测t+1时刻的设备健康预测信息以及预测区间，确定异常发生时刻。
步骤S2中，判断预测数据信息是否超过设定阈值；若超过阈值，将多元时序数据上传至设备失效模式预判与剩余寿命预测耦合模块，若未超出，则继续进行设备健康状态信息收集。异常状态识别模块将异常类型、引起异常的被监测变量名称和异常发生时间，发送至失效模式预判结果和剩余寿命预测模块，当得到失效模式预判结果和剩余寿命预测结果后，将这些异常信息发送至远程设备维修决策平台，以支持设备维修活动的安排和设备维修资源的管理。失效会引起设备报警或停机，异常不包括失效。
ARIMA 模型：即差分整合移动平均自回归模型，又称整合移动平均自回归模型（移动也可称作滑动），是时间序列预测分析方法之一。
在本发明实施例中，步骤S22中，t+1时刻的设备健康预测信息的表达式为/>，设备运行环境信息的预测区间的表达式为/>，设备运行状态信息的预测区间的表达式为/>；
式中，表示t+1时刻针对各个设备类型所监测的运行环境变量的预测值，/>表示t+1时刻针对各个设备类型所监测的运行状态变量的预测值，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，L表示预先设置的预警下限，U表示预先设置的预警上限。
在本发明实施例中，步骤S23中，若A v (t+1)不属于设备运行环境信息的预测区间内，则t+1时刻设备运行环境异常；
若B u (t+1) 不属于设备运行状态信息的预测区间内，则t+1时刻设备运行状态异常；
式中，A v (t+1)表示t+1时刻针对设备类型所监测的第v个运行环境变量的实际观测值，表示t+1时刻针对设备类型所监测的第u个运行状态变量的实际观测值，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限。
在本发明实施例中，步骤S3包括以下子步骤：
S31：提取设备失效模式预判与剩余寿命预测耦合模块的时序样本；
S32：利用概率图模型计算时序样本的失效累计发生概率；
S33：根据时序样本的失效累计发生概率，计算各概率图模型片段的经验分布函数，将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值；
S34：利用DKW不等式确定设备剩余寿命预测值的置信区间，利用边缘密度函数计算失效模式预测值的方差；
S35：将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果。
概率图模型：用图来表示变量概率依赖关系的理论，结合概率论与图论的知识，利用图来表示与模型有关的变量的联合概率分布。
DKW不等式：概率与统计理论中，估算经验分布理论函数与样本分布的差值界限的方法。
在本发明实施例中，步骤S31中，时序样本x pq 的表达式为；
式中，表示根据周期性提取时刻/>所收集的/>个关于设备类型为p的设备节点q的健康信息片段。
在本发明实施例中，步骤S32中，计算时序样本的失效累计发生概率的具体方法为：利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片，计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率，直至各概率图模型片段的最右端到各元素最右端的距离为零，确定失效累计发生概率；
其中，概率图模型集合的表达式为，式中，/>表示设备类型p的K p 个失效模式对应的概率图模型；
各失效模式的累计发生概率的计算公式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式。
对于设备类型p的每个失效模式k=1,2,...,K p ，计算其累积发生概率。将从概率图模型集合各元素提取的概率图模型片段向右平移一个时间片，假设时序样本x pq 在该片段被观测到，记录该片段最右端到G pk 最右端的距离，并计算各失效模式的累积发生概率。例如，对于设备类型p的失效模式k，其累积发生概率为。以此类推，每次将概率图模型集合各元素提取的概率图模型片段向右平移一个时间片，记录各模型片段最右端到各元素最右端的距离，并计算各失效模式的累积发生概率，直到各模型片段的最右端与各元素的最右端重合。通过上述过程，计算设备类型p在各个失效模式k下观测到x pq 的累积概率。
在本发明实施例中，步骤S33中，各概率图模型片段的经验分布函数的表达式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式，F(·)表示概率函数，T p 表示概率图模型包含时间片的数量，表示周期性提取时刻。
概率图模型G pk 包含时间片的数量为T p 。每个时间片包含关于设备类型p的所有被监测变量；如图3所示，即对于任何时间片，。G pk 的所有时间片，构成了设备类型p关于失效模式k的设备退化过程节点集。节点/>表示被监测变量在/>时刻的取值。
概率图模型G pk 可以反映出被监测变量之间的条件独立性。即当选择两个被监测变量，并且给定这两个被监测变量与其它被监测变量的关系时，如果这两个被监测变量的之间没有连线，那么可以判断它们之间具有条件独立性。
概率图模型G pk 的边集包含无向边和有向边。其中，无向边用来刻画时间片内的相同类型被监测变量之间的关系；时间片间的被监测变量关系和时间片内不同类型被监测变量间的关系用有向边刻画。
概率图模型G pk 的边集遵循两点约束：一是，不同时间片的运行环境被监测变量之间没有连线；二是，有向边始终是从更早的时间片指向更晚的时间片，或者从运行环境被监测变量指向运行状态被监测变量。
概率图模型G pk 包含三类参数：一是，对于没有父节点的节点，定义它的边缘概率分布函数；二是，对于有父节点的节点，定义它在父节点变量下的条件概率分布函数；三是，在每个时间片内无向边连接的节点，定义它们的协方差矩阵。概率图模型G pk 的结构及其参数共同定义了设备类型p的关于失效模式的设备退化过程和各被监测变量之间的关系随时间的变化。
概率图模型G pk 的每个时间片代表以时间周期为单位的剩余寿命。即概率图模型的最后一个时间片表示设备失效发生，倒数第二个时间片表示距离设备失效还有一个时间周期，以此类推，直到概率图模型G pk 的最左端时间片表示观测值的最长生命周期。
设备维修网络中的设备节点数量为Q。当设备节点发生异常时，该设备节点会向汇聚节点持续报送多元时序数据。汇聚节点识别异常设备节点的设备类型为p，并设定设备节点发生异常的时刻为0。考虑设备节点q的设备类型为p，在T＞0时刻，汇聚节点储存的、关于异常设备节点q的多元时序数据形如：。因异常设备节点q会向汇聚节点持续报送多元时序数据，变量/>的值会不断增大。如果变量/>，则失效模式预判与剩余寿命预测耦合模块停止工作，其中T p 为G pk 所包含的时间片数量。
对于设备节点和设备节点/>，如果q 1和q 2的设备类型相同，则当q 1或q 2发生异常时，失效模式预判与剩余寿命预测耦合的过程是一致的。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (6)
1.一种设备失效模式预判与剩余寿命预测耦合系统，其特征在于，包括互相通信连接的设备维修网络和设备维修决策平台；所述设备维修网络用于确定失效模式，并预测剩余寿命；所述设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员；
所述设备维修网络包括设备节点、传感器集合、异常状态识别模块以及设备失效模式预判与剩余寿命预测耦合模块；
所述传感器集合包括若干个传感器，用于采集对应设备节点的设备健康信息；
所述异常状态识别模块用于接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
所述设备失效模式预判与剩余寿命预测耦合模块用于根据异常发生时刻确定失效模式，并预测剩余寿命，并将失效模式和剩余寿命传输至设备维修决策平台；
所述设备失效模式预判与剩余寿命预测耦合系统利用设备失效模式预判与剩余寿命预测耦合方法实现，所述方法包括以下步骤：
S1：通过传感器采集待检测设备的设备健康信息；
S2：利用异常状态识别模块接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
S3：根据待检测设备的异常发生时刻，利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式，并预测剩余寿命；
S4：将失效模式和剩余寿命传输至设备维修决策平台；
所述步骤S3包括以下子步骤：
S31：提取设备失效模式预判与剩余寿命预测耦合模块的时序样本；
S32：利用概率图模型计算时序样本的失效累计发生概率；
S33：根据时序样本的失效累计发生概率，计算各概率图模型片段的经验分布函数，将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值；
S34：利用DKW不等式确定设备剩余寿命预测值的置信区间，利用边缘密度函数计算失效模式预测值的方差；
S35：将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果；
所述步骤S31中，时序样本x pq 的表达式为；
式中，表示根据周期性提取时刻/>所收集的个关于设备类型为p的设备节点q的健康信息片段；
所述步骤S32中，计算时序样本的失效累计发生概率的具体方法为：利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片，计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率，直至各概率图模型片段的最右端到各元素最右端的距离为零，确定失效累计发生概率；
其中，概率图模型集合的表达式为 ，式中，/>表示设备类型p的K p 个失效模式对应的概率图模型；
各失效模式的累计发生概率的计算公式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式；
所述步骤S33中，各概率图模型片段的经验分布函数的表达式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式，F(·)表示概率函数，T p 表示概率图模型包含时间片的数量，表示周期性提取时刻。
2.一种设备失效模式预判与剩余寿命预测耦合方法，其特征在于，包括以下步骤：
S1：通过传感器采集待检测设备的设备健康信息；
S2：利用异常状态识别模块接收并缓存设备健康信息，并识别待检测设备的异常发生时刻；
S3：根据待检测设备的异常发生时刻，利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式，并预测剩余寿命；
S4：将失效模式和剩余寿命传输至设备维修决策平台；
所述步骤S3包括以下子步骤：
S31：提取设备失效模式预判与剩余寿命预测耦合模块的时序样本；
S32：利用概率图模型计算时序样本的失效累计发生概率；
S33：根据时序样本的失效累计发生概率，计算各概率图模型片段的经验分布函数，将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值；
S34：利用DKW不等式确定设备剩余寿命预测值的置信区间，利用边缘密度函数计算失效模式预测值的方差；
S35：将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果；
所述步骤S31中，时序样本x pq 的表达式为；
式中，表示根据周期性提取时刻/>所收集的个关于设备类型为p的设备节点q的健康信息片段；
所述步骤S32中，计算时序样本的失效累计发生概率的具体方法为：利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片，计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率，直至各概率图模型片段的最右端到各元素最右端的距离为零，确定失效累计发生概率；
其中，概率图模型集合的表达式为 ，式中，/> 表示设备类型p的K p 个失效模式对应的概率图模型；
各失效模式的累计发生概率的计算公式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式；
所述步骤S33中，各概率图模型片段的经验分布函数的表达式为：
式中，l pk 表示概率图模型片段的最右端到元素最右端的距离，x pq 表示时序样本，RUL表示剩余寿命，Pr(·)表示概率函数，k表示设备类型p的每个失效模式，F(·)表示概率函数，T p 表示概率图模型包含时间片的数量，表示周期性提取时刻。
3.根据权利要求2所述的设备失效模式预判与剩余寿命预测耦合方法，其特征在于，所述步骤S1中，t时刻的设备健康信息包括设备运行环境信息和设备运行状态信息；
其中，t时刻的设备健康信息x(t)的表达式为，t时刻的设备运行环境信息的表达式为/>，t时刻的设备运行状态信息的表达式为；
式中，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，表示t时刻针对各个设备类型所监测的运行环境变量，/>表示t时刻针对各个设备类型所监测的运行状态变量。
4.根据权利要求2所述的设备失效模式预判与剩余寿命预测耦合方法，其特征在于，所述S2包括以下子步骤：
S21：利用异常状态识别模块接收并缓存t时刻的设备健康信息；
S22：根据t时刻的设备健康信息，利用ARIMA 模型预测t+1时刻的设备健康预测信息以及预测区间；
S23：根据预测t+1时刻的设备健康预测信息以及预测区间，确定异常发生时刻。
5.根据权利要求4所述的设备失效模式预判与剩余寿命预测耦合方法，其特征在于，所述步骤S22中，t+1时刻的设备健康预测信息的表达式为，设备运行环境信息的预测区间的表达式为/>，设备运行状态信息的预测区间的表达式为/>；
式中，表示t+1时刻针对各个设备类型所监测的运行环境变量的预测值，/>表示t+1时刻针对各个设备类型所监测的运行状态变量的预测值，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，/>表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限，v p 表示设备类型p的运行环境被监测变量的数量，u p 表示设备类型p的运行状态被监测变量的数量，L表示预先设置的预警下限，U表示预先设置的预警上限。
6.根据权利要求4所述的设备失效模式预判与剩余寿命预测耦合方法，其特征在于，所述步骤S23中，若A v (t+1)不属于设备运行环境信息的预测区间内，则t+1时刻设备运行环境异常；
若 B u (t+1) 不属于设备运行状态信息的预测区间内，则t+1时刻设备运行状态异常；
式中，A v (t+1)表示t+1时刻针对设备类型所监测的第v个运行环境变量的实际观测值，表示t+1时刻针对设备类型所监测的第u个运行状态变量的实际观测值，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的下限，表示t+1时刻针对设备类型所监测的第v个运行环境变量预测区间的上限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的下限，表示t+1时刻针对设备类型所监测的第u个运行状态变量预测区间的上限。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467012.0A CN117196591B (zh) | 2023-11-07 | 2023-11-07 | 一种设备失效模式预判与剩余寿命预测耦合系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467012.0A CN117196591B (zh) | 2023-11-07 | 2023-11-07 | 一种设备失效模式预判与剩余寿命预测耦合系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117196591A CN117196591A (zh) | 2023-12-08 |
| CN117196591B true CN117196591B (zh) | 2024-02-09 |
Family
ID=88987270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467012.0A Active CN117196591B (zh) | 2023-11-07 | 2023-11-07 | 一种设备失效模式预判与剩余寿命预测耦合系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117196591B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN112713649A (zh) * | 2020-10-22 | 2021-04-27 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于极限学习机的电力设备剩余寿命预测方法 |
| CN113051839A (zh) * | 2021-05-12 | 2021-06-29 | 中国人民解放军海军航空大学 | 一种基于深度学习的设备剩余寿命预测模型构建方法 |
| CN113378482A (zh) * | 2021-07-07 | 2021-09-10 | 哈尔滨工业大学 | 一种基于变结构动态贝叶斯网络的数字孪生建模推理方法 |
| CN113468721A (zh) * | 2021-06-07 | 2021-10-01 | 太原科技大学 | 一种对齿轮减速箱中齿轮和轴承剩余寿命的预测方法 |
| CN114492507A (zh) * | 2021-12-24 | 2022-05-13 | 北京航空航天大学 | 一种数模协同驱动下的轴承剩余寿命预测方法 |
| CN115577551A (zh) * | 2022-10-26 | 2023-01-06 | 成都工元科技有限公司 | 基于71度法模型的变环境输入寿命评估方法及系统 |
| CN116755964A (zh) * | 2023-06-13 | 2023-09-15 | 北京计算机技术及应用研究所 | 一种加固服务器的故障预测与健康管理系统 |
| US20230316075A1 (en) * | 2021-11-23 | 2023-10-05 | Strong Force TX Portfolio 2018, LLC | Training models for prediction and monitoring using internet of things data collection |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10732618B2 (en) * | 2017-09-15 | 2020-08-04 | General Electric Company | Machine health monitoring, failure detection and prediction using non-parametric data |
| CN113298278B (zh) * | 2020-02-19 | 2023-12-05 | 硕天科技股份有限公司 | 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 |
| US20230249349A1 (en) * | 2020-12-18 | 2023-08-10 | Strong Force Vcn Portfolio 2019, Llc | Deployment System for Additive Manufacturing Robot Fleet |
-
2023
- 2023-11-07 CN CN202311467012.0A patent/CN117196591B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112713649A (zh) * | 2020-10-22 | 2021-04-27 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于极限学习机的电力设备剩余寿命预测方法 |
| CN112580153A (zh) * | 2020-12-29 | 2021-03-30 | 成都运达科技股份有限公司 | 一种车辆走行部监测部件健康状态管理系统及方法 |
| CN113051839A (zh) * | 2021-05-12 | 2021-06-29 | 中国人民解放军海军航空大学 | 一种基于深度学习的设备剩余寿命预测模型构建方法 |
| CN113468721A (zh) * | 2021-06-07 | 2021-10-01 | 太原科技大学 | 一种对齿轮减速箱中齿轮和轴承剩余寿命的预测方法 |
| CN113378482A (zh) * | 2021-07-07 | 2021-09-10 | 哈尔滨工业大学 | 一种基于变结构动态贝叶斯网络的数字孪生建模推理方法 |
| US20230316075A1 (en) * | 2021-11-23 | 2023-10-05 | Strong Force TX Portfolio 2018, LLC | Training models for prediction and monitoring using internet of things data collection |
| CN114492507A (zh) * | 2021-12-24 | 2022-05-13 | 北京航空航天大学 | 一种数模协同驱动下的轴承剩余寿命预测方法 |
| CN115577551A (zh) * | 2022-10-26 | 2023-01-06 | 成都工元科技有限公司 | 基于71度法模型的变环境输入寿命评估方法及系统 |
| CN116755964A (zh) * | 2023-06-13 | 2023-09-15 | 北京计算机技术及应用研究所 | 一种加固服务器的故障预测与健康管理系统 |
Non-Patent Citations (3)
| Title |
|---|
| Failure Mode Remaining useful Life;Zhen Li等;《IEEE Transactions on Instrumentation and Measurement》;第71卷;1-11 * |
| 基于数据驱动的液压泵退化与寿命评估技术研究;李玉航;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅱ辑》(第04期);1-113 * |
| 基于随机退化模型的油气输送管道剩余寿命预测及维修成本优化研究;吕品品;《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅰ辑》(第06期);1-82 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117196591A (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | An opportunistic condition-based maintenance strategy for offshore wind farm based on predictive analytics | |
| CN117610322B (zh) | 基于数字孪生的智慧水务动态监测系统及监测方法 | |
| KR20160073945A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| CN109784574A (zh) | 设备状态的预测方法及装置、存储介质、电子装置 | |
| CN109977624A (zh) | 基于深度神经网络的光伏电站缓变故障监测方法 | |
| KR20160017681A (ko) | 풍력플랜트 관리 시스템 및 그 방법 | |
| CN117196159A (zh) | 基于互联网大数据分析的智慧水务分区计量系统 | |
| CN105574604B (zh) | 一种面向电网运行事件的监控预判分析系统 | |
| CN110460454B (zh) | 基于深度学习的网络设备端口故障智能预测方法 | |
| ES2967447T3 (es) | Método, sistema y producto de programa informático para la evaluación del consumo de energía en entornos industriales | |
| CN106021719A (zh) | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 | |
| CN117494547A (zh) | 一种基于数字孪生水电厂运维数据处理建模的方法及系统 | |
| CN117973877B (zh) | 基于智慧燃气物联网的燃气管井安全管理方法与系统 | |
| US11101050B2 (en) | Systems and methods to evaluate and reduce outages in power plants | |
| Christodoulou et al. | Wireless sensor networks for water loss detection | |
| CN117422938B (zh) | 基于三维分析平台的坝坡混凝土结构异常分析方法 | |
| CN117196591B (zh) | 一种设备失效模式预判与剩余寿命预测耦合系统及方法 | |
| CN118309644A (zh) | 基于数字孪生的管道泵运行流量监测方法及系统 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN105302476B (zh) | 一种用于核电站设备的可靠性数据在线采集分析存储系统及其存储方法 | |
| Jiang et al. | Understanding wind turbine interactions using spatiotemporal pattern network | |
| CN114189456B (zh) | 物联网设备的在线状态预测方法、装置及电子设备 | |
| CN108335044A (zh) | 一种输变电设备状态评价方法 | |
| CN112884170A (zh) | 一种综合管廊预测性智能运维系统及方法 | |
| CN118351659B (zh) | 基于gps定位与无线传感器网络的管道堵塞预警方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |