CN117669070A - 一种机械组件寿命预测模型构建方法、系统、设备和介质 - Google Patents

一种机械组件寿命预测模型构建方法、系统、设备和介质 Download PDF

Info

Publication number
CN117669070A
CN117669070A CN202311399866.XA CN202311399866A CN117669070A CN 117669070 A CN117669070 A CN 117669070A CN 202311399866 A CN202311399866 A CN 202311399866A CN 117669070 A CN117669070 A CN 117669070A
Authority
CN
China
Prior art keywords
model
determining
target
degradation
library
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
Application number
CN202311399866.XA
Other languages
English (en)
Other versions
CN117669070B (zh
Inventor
张帅
俞聪
庞乐
吴喜
马光耀
陈帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huadian Electric Power Research Institute Co Ltd
Original Assignee
Huadian Electric Power Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huadian Electric Power Research Institute Co Ltd filed Critical Huadian Electric Power Research Institute Co Ltd
Priority to CN202311399866.XA priority Critical patent/CN117669070B/zh
Publication of CN117669070A publication Critical patent/CN117669070A/zh
Application granted granted Critical
Publication of CN117669070B publication Critical patent/CN117669070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Debugging And Monitoring (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本申请涉及一种机械组件寿命预测模型构建方法、系统、设备和介质，其中，该方法通过根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型；基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。

Description

一种机械组件寿命预测模型构建方法、系统、设备和介质
技术领域
本申请涉及机械寿命预测技术领域，特别是涉及一种机械组件寿命预测模型构建方法、系统、设备和介质。
背景技术
机械在长期的运动中健康状态往往会发生退化，可以通过退化建模表征机械健康状态的退化过程，预测机械的故障发生时刻，并在故障前安排预测性维护。
现有退化模型的健康状态观测值主要表征退化趋势是单调增加或减少的。然而，在实际的工业案例中，机械退化过程通常呈现出比预期更复杂的退化趋势，即存在局部波动。局部波动下的退化情况主要分为两种：第一种是理想的情况，状态观测值呈现出随机噪声单调增加的趋势。第二种是状态观测值退化过程中具有明显的局部波动，状态观测值超过了故障阈值并再次下降，常用的统计退化模型无法描述“增加-减少-增加”的趋势，如果模型仍然是使用单调增加趋势这一假设来训练，那么退化过程的不确定性将被放大。因此，故障发生时刻的预测机械剩余寿命的概率密度函数将具有较大的分布范围，无法为维修决策提供可靠的信息。
目前针对相关技术中，机械组件寿命预测模型预测精确度低的问题尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种机械组件寿命预测模型构建方法、系统、设备和介质，以至少机械组件寿命预测模型预测精确度低的问题。
第一方面，本申请实施例提供了一种机械组件寿命预测模型构建方法，所述方法包括：
根据机械性能退化基础模型构建模型库，所述模型库包括至少两个不同的设备性能退化模型；
根据预先获取的性能检测序列和时间序列，在所述模型库中确定目标模型；
基于所述目标模型，确定所述目标组件出现性能故障的密度函数，将所述密度函数确定为所述寿命预测模型。
在一实施例中，所述确定所述目标组件出现性能故障的密度函数，包括：
根据所述目标模型和故障阈值构建超越密度函数和跌落密度函数，
所述超越密度函数表征所述目标模型的检测值高于所述故障阈值，并成增长趋势的概率；
所述跌落密度函数表征所述目标模型的检测值高于所述故障阈值，并成衰减趋势的概率。
在一实施例中，所述在所述模型库中，根据预先获取的性能检测序列和时间序列，在所述模型库中确定目标模型，包括：
基于预先获取的性能检测序列和时间序列，根据所述模型库中的设备性能退化模型确定目标模型参数；
基于所述目标模型参数和所述退化基础模型，确定目标模型。
在一实施例中，基于预先获取的性能检测序列和时间序列，根据所述模型库中的设备性能退化模型确定目标模型参数，在所述模型库中确定非选择模型集合和选择模型集合，对于任一非选择模型集合，构建用于求解估计参数的对数似然函数；
根据所述对数似然函数，按照最小化贝叶斯信息准则确定所述模型库中选择模型的索引；
基于所述索引和所述估计参数，确定所述目标模型的权重；
基于所述目标模型的权重和所述模型库中选择模型的索引重构残差；
根据所述模型库中选择模型的索引和所述对数似然函数确定绝对相对误差；
响应于所述绝对相对误差小于预设值，更新所述非选择模型集合、所述选择模型集合、所述目标模型的权重和所述估计参数，基于所述模型库中选择模型的索引和所述估计参数，确定随机噪声；
响应于达到最大迭代次数，将所述模型库中选择模型的索引、所述目标模型的权重、所述估计参数和所述随机噪声作为所述目标模型的参数。
在一实施例中，基于所述模型库中选择模型的索引和所述估计参数，确定随机噪声，包括：
将所述模型库中选择模型的索引和所述估计参数输入公式：
确定随机噪声，式中，k表示观测时间，ri-1(tk)表示所述重构误差，tk表示第k个观测时间，βj表示权重，表示所述模型库中选择模型的索引，θj表示所述估计参数，表示随机噪声。
在一实施例中，所述根据机械性能退化基础模型构建模型库，包括：
根据性能检测初始值、机械性能退化趋势基础函数、权重系数和随机噪声，确定机械性能退化基础模型；
根据机械性能退化基础模型，构建设备性能全局退化模型和设备性能局部波动退化模型，通过所述设备性能全局退化模型和所述设备性能局部波动退化模型，构建所述模型库。
第二方面，本申请实施例提供了一种机械组件寿命预测模型构建系统，所述系统包括模型库模块、目标模型模块和预测寿命模型模块，其中：
模型库模块，用于根据机械性能退化基础模型构建模型库，所述模型库包括至少两个不同的设备性能退化模型；
目标模型模块，用于根据预先获取的性能检测序列和时间序列，在所述模型库中确定目标模型；
预测寿命模型模块，用于基于所述目标模型，确定所述目标组件出现性能故障的密度函数，将所述密度函数确定为所述寿命预测模型。
在一实施例中，所述预测寿命模型模块在确定所述目标组件出现性能故障的密度函数时用于：
根据所述目标模型和故障阈值构建超越密度函数和跌落密度函数，
所述超越密度函数表征所述目标模型的检测值高于所述故障阈值，并成增长趋势的概率；
所述跌落密度函数表征所述目标模型的检测值高于所述故障阈值，并成衰减趋势的概率。
第三方面，本申请实施例提供了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的一种机械组件寿命预测模型构建方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的一种机械组件寿命预测模型构建方法。
本申请实施例提供的一种机械组件寿命预测模型构建方法、系统、设备和介质至少具有以下技术效果。
通过根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型；基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。通过在模型库中选择退化模型来确定寿命预测模型，融合了多种退化模型来体现局部波动的影响，从而表征复杂的退化趋势，通过退化趋势更准确地确定机械组件寿命情况。以此方式，解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是一种机械组件寿命预测模型构建的流程图；
图2是根据一示例性实施例示出的步骤S101的流程图；
图3是根据一示例性实施例示出的步骤S102的流程图；
图4是根据一示例性实施例示出的步骤S103的流程图；
图5是根据一示例性实施例示出的概率密度函数结果图；
图6是根据一示例性实施例示出的长期退化过程中故障发生时刻的概率密度函数预测结果图；
图7是根据一示例性实施例示出的不同方法的OR得分结果图；
图8是根据一示例性实施例示出的一种机械组件寿命预测模型构建系统的结构框图；
图9是根据一示例性实施例示出的电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
第一方面，本申请实施例提供了一种机械组件寿命预测模型构建方法，图1是一种机械组件寿命预测模型构建的流程图，如图1所示，一种机械组件寿命预测模型构建方法包括：
步骤S101、根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；
步骤S102、根据预先获取的性能检测序列和时间序列，在模型库中确定所述退化模型，并基于确定出的所述退化模型确定目标模型；
步骤S103、基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。
综上，本申请实施例提供的一种机械组件寿命预测模型构建方，通过根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型；基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。通过在模型库中选择退化模型来确定寿命预测模型，融合了多种退化模型来体现局部波动的影响，从而表征复杂的退化趋势，通过退化趋势更准确地确定机械组件寿命情况。以此方式，解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
图2是根据一示例性实施例示出的步骤S101的流程图，如图2所示，步骤S101具体包括：
步骤S1011、根据性能检测初始值、机械性能退化趋势基础函数、权重系数和随机噪声，确定机械性能退化基础模型。
可选地，根据性能检测初始值、机械性能退化趋势基础函数、权重系数和随机噪声，通过公式：
确定机械性能退化基础模型。其中，x(t)是t时刻对应的性能检测值，x0是其性能检测初始值，是描机械性能退化趋势基础函数，它具有连续可微的特性，βn是第n个模型的回归系数，ω(t)为一个独立的同分布的随机噪声，这里，它被假设为具有位置参数μ和尺度参数σ的位置尺度分布的随机样本。
步骤S1012、根据机械性能退化基础模型，构建设备性能全局退化模型和设备性能局部波动退化模型，通过设备性能全局退化模型和设备性能局部波动退化模型，构建模型库。
可选地，根据机械性能退化基础模型，构建设备性能全局退化模型包括和/>根据机械性能退化基础模型，构建设备性能局部波动退化模型包括/>和其中，a和b是需要估计的模型参数，设备性能全局退化模型，即多项式、指数和对数正态模型，描述全局退化趋势。构建设备性能局部波动退化模型主要描述局部波动。
图3是根据一示例性实施例示出的步骤S102的流程图，如图2所示，步骤S102、根据预先获取的性能检测序列和时间序列，在模型库中确定退化模型，并基于确定出的退化模型确定目标模型，具体包括：
步骤S1021、基于预先获取的性能检测序列和时间序列，根据模型库中的设备性能退化模型确定目标模型参数。
可选地，在模型库构建之后，选择最佳匹配模型，随机噪声的位置尺度分布设定为正态分布N(0,σ2)，算法中使用的变量解释如下：tk是第k个观测时间，xk＝x(tk)是相应的观测值，M是基础模型的数量。步骤S1021具体包括：
第一步、在模型库中确定非选择模型集合和选择模型集合，对于任一非选择模型集合，构建用于求解估计参数的对数似然函数。
可选地，初始化迭代计数变量i＝1，选择模型的索引集合(模型库中选择的模型)，非选择模型的索引集合V0＝{1,2,…,M}(模型库中非选择的模型)，模型回归系数集合/>(权重)，模型参数列表/>(估计参数)，残差r0(tk)＝xk-x0，k＝1,2,…,K；设j表示Vi-1中的模型索引。
第二步、在非选择模型集合中，根据对数似然函数，按照最小化贝叶斯信息准则确定模型库中选择模型的索引。
可选地，通过最大化下式中的对数似然函数来估计第j个模型的参数θj，
遍历Vi-1中的所有索引，通过公式找到最小化贝叶斯信息准则的模型索引，也即通过模型索引，确定在模型库中确定退化模型，换言之，αi表征模型库中退化模型的序号。其中，Np是估计参数的数量，Lj是第j个模型的最大似然函数值。值得注意的是，在模型库中确定的退化模型的个数是根据数据的退化特性确定，如果数据本身就有局部波动，那模型至少包含两个：一个描述整体趋势(设备性能全局退化模型)，一个描述局部波动(设备性能局部波动退化模型)。
第三步、基于模型库中选择模型的索引和估计参数，确定目标模型的权重。
可选地，通过将第αi模型和估计参数输入下式来计算系数βi(权重系数)。
第四步、基于目标模型的权重和模型库中选择模型的索引重构残差。
可选地，计算新的残差(重构误差)
第五步、根据模型库中选择模型的索引和对数似然函数确定绝对相对误差；。
可选地，如果i＝1，i代表迭代模型选择模型的第1步，则跳至步骤九，否则，计算绝对相对误差
第六步、响应于所述绝对相对误差小于预设值，更新非选择模型集合、选择模型集合、目标模型的权重和估计参数，基于模型库中选择模型的索引和估计参数，确定随机噪声。
可选地，如果ei<ξ，令i＝i-1跳至步骤十一，ξ默认取值为0.1，参数更新Λi＝Λi-1∪{αi}，Ωi＝Ωi-1∪{βi}，通过附加新选择模型的估计参数/>将列表Θi-1更新为Θi。将第αi模型及其估计参数输入下式，计算/>(随机噪声)。
第七步、响应于达到最大迭代次数，将模型库中选择模型的索引、目标模型的权重、估计参数和随机噪声作为目标模型的参数。
可选地，如果i<M，M代表最大迭代步数，i<M代表迭代步数还没有超过M，则设i＝i+1，并返回步骤三，如果i＞M，则进行下一步骤，输出模型的参数:模型库中选择的模型、目标模型的权重、估计参数和随机噪声；
步骤S1022、基于目标模型参数和退化基础模型，确定目标模型。
可选地，将输出模型的参数:模型库中选择的模型、目标模型的权重、估计参数和随机噪声，输入至机械性能退化基础模型，也即公式(1)中，由此确定目标模型。
图4是根据一示例性实施例示出的步骤S103的流程图，如图2所示，步骤S103具体包括：
根据目标模型和故障阈值构建超越密度函数和跌落密度函数。其中，超越密度函数表征目标模型的检测值高于故障阈值，并成增长趋势的概率；跌落密度函数表征目标模型的检测值高于故障阈值，并成衰减趋势的概率。
可选地，针对复杂退化趋势，其健康状态的观测值具有全局增加趋势和局部波动，在局部波动的影响下，性能检测值在超过后再次降至故障阈值以下。为了分别分析超越和跌落行为，将超越时间和跌落时间分别表示为变量TE和TD，计算表达式如下：
TE＝{t|x(t-Δt)<γ<x(t+Δt)}
TD＝{t|x(t+Δt)<γ<x(t-Δt)}
其中，Δt是一个无穷小的时间间隔，γ表示故障阈值，输入观测值序列X＝(x1,x2,…,xK)′和对应时间序列T；
超越时间和跌落时间的概率密度函数可以使用下式计算：
令可以推导出/> 上述概率密度函数的解析解如下：
fE(t)为超越密度函数，fD(t)为跌落密度函数。
通过超越密度函数和跌落密度函数，强调在局部波动的情况下预测机械组件寿命，提高了机械组件寿命预测精确度。
下面结合具体实施例对本发明做详细描述。
具体实施例：使用滚动轴承加速退化数据集对提出方法进行验证，该试验台通过将转速和载荷控制在较高水平，加速了轴承的退化过程。通过电机速度控制器将转速稳定在2250rpm，通过液压加载系统将负载保持在11kN。两个振动加速度传感器分别安装在测试轴承的水平和垂直方向上，振动信号采样频率设置为25.6kHz，每分钟记录32768个数据点，即采样时长为1.28s。试验结束后，检测到轴承外圈存在严重的剥落故障，失效标准规定为振动信号的振幅超过20g，然而，为了获得完整的退化趋势，当振动信号第一次超过20g时，退化实验没有立即停止，相反，在停止时振幅已经超过了40g。首次退化时刻确定为165分钟，首次退化时刻后退化趋势逐渐增加，并伴有明显的局部波动，由于波动，峰值一次又一次地超过和跌落到故障阈值以下。
为了定量评估预测结果的准确性，对比了两种对比方法并且构造了重叠比(Overlap Ratio，OR)评价标准。OR定义为故障时间间隔内(Failure Time Interval，FTI)的预测故障时间分布的比率。这里，FTI由观测值超过故障阈值时的第一次和最后一次时刻所确定，它们分别表示为tF和tL。OR表示为其中f(t)＝fE(t)-fD(t)，表示故障发生时刻的预测概率密度函数。OR分数越高，意味着预测的概率密度函数与FTI有更大的重叠区域，值得注意的是，该标准仅在随机波动在退化过程中起主要作用的情况下有效。实验轴承在这种情况下，第一次超过阈值时刻为tF＝286分钟。最后一次超过阈值的时刻为tL＝324分钟。FTI在图5中突出显示，可以看出提出方法的预测fE(t)的大部分取值都属于FTI范围，因此，提出方法获得了较高的OR分数为0.96。然而，其他两个对比方法的概率密度函数预测与FTI的重叠较少，OR得分分别为0.53和0.37。为了说明长期预测性能，在250至320分钟的时间段内，每10分钟显示一次故障发生时刻的概率密度函数预测结果，如图6所示，很明显，提出方法中的大多数fE(t)都包含在FTI中。然而，其他两种对比方法的概率密度函数从FTI中泄露出来。三种方法的OR得分如图7所示。可以看到，在270分钟后，提出方法比其他两种方法具有更高的OR取值，这证明了提出方法在处理具有局部波动的预测问题方面的有效性。
综上，本申请实施例提供的一种机械组件寿命预测模型构建方，通过根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型；基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。通过融合多种退化模型来克服局部波动的影响，从而表征复杂的退化趋势，通过超越密度函数和跌落密度函数，强调在局部波动的情况下预测机械组件寿命，提高了机械组件寿命预测精确度。解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
第二方面，本申请实施例提供了一种机械组件寿命预测模型构建系统。图5是根据一示例性实施例示出的一种机械组件寿命预测模型构建系统的框图。如图5所示，该系统包括模型库模块810、目标模型模块820和预测寿命模型模块830，其中：
模型库模块810，用于根据机械性能退化基础模型构建模型库，模型库包括至少两个不同的设备性能退化模型；
目标模型模块820，用于根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型；
预测寿命模型模块830，用于基于目标模型，确定目标组件出现性能故障的密度函数，将密度函数确定为寿命预测模型。
综上，本申请提供的一种机械组件寿命预测模型构建系统。通过模型库模块810、目标模型模块820和预测寿命模型模块830，解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
在一个实施例中，预测寿命模型模块830在确定目标组件出现性能故障的密度函数时用于：
根据目标模型和故障阈值构建超越密度函数和跌落密度函数；
超越密度函数表征目标模型的检测值高于故障阈值，并成增长趋势的概率；
跌落密度函数表征目标模型的检测值高于故障阈值，并成衰减趋势的概率。
在一个实施例中，目标模型模块820在根据预先获取的性能检测序列和时间序列，在模型库中确定目标模型时用于：
基于预先获取的性能检测序列和时间序列，根据模型库中的设备性能退化模型确定目标模型参数；
基于目标模型参数和退化基础模型，确定目标模型。
在一个实施例中，目标模型模块820在基于预先获取的性能检测序列和时间序列，根据模型库中的设备性能退化模型确定目标模型参数时用于：
在所述模型库中确定非选择模型集合和选择模型集合，对于任一非选择模型集合，构建用于求解估计参数的对数似然函数；
根据所述对数似然函数，按照最小化贝叶斯信息准则确定所述模型库中选择模型的索引；
基于所述索引和所述估计参数，确定所述目标模型的权重；
基于所述目标模型的权重和所述模型库中选择模型的索引重构残差；
根据所述模型库中选择模型的索引和所述对数似然函数确定绝对相对误差；
响应于所述绝对相对误差小于预设值，更新所述非选择模型集合、所述选择模型集合、所述目标模型的权重和所述估计参数，基于所述模型库中选择模型的索引和所述估计参数，确定随机噪声；
响应于达到最大迭代次数，将所述模型库中选择模型的索引、所述目标模型的权重、所述估计参数和所述随机噪声作为所述目标模型的参数。在一个实施例中，目标模型模块820在基于模型库中选择模型的索引和估计参数，确定随机噪声时用于：
将模型库中选择模型的索引和估计参数输入公式：
确定随机噪声，式中，k表示观测时间，ri-1(tk)表示重构误差，tk表示第k个观测时间，βj表示权重，表示模型库中选择模型的索引，θj表示估计参数，/>表示随机噪声。
在一个实施例中，模型库模块810在根据机械性能退化基础模型构建模型库时用于：
根据性能检测初始值、机械性能退化趋势基础函数、权重系数和随机噪声，确定机械性能退化基础模型；
根据机械性能退化基础模型，构建设备性能全局退化模型和设备性能局部波动退化模型，通过设备性能全局退化模型和设备性能局部波动退化模型，构建模型库。
综上，本申请提供的一种机械组件寿命预测模型构建系统。通过模型库模块810、目标模型模块820和预测寿命模型模块830，解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
综上，本申请提供的一种机械组件寿命预测模型构建系统。通过模型库模块、目标模型模块和预测寿命模型模块，解决了机械组件寿命预测模型预测精确度低的问题，有效提高机械组件寿命预测模型的预测精确度。
需要说明的是，本实施例提供的一种机械组件寿命预测模型构建系统用于实现上述实施方式，已经进行过说明的不再赘述。如以上所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以上实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
第三方面，本申请实施例提供了一种电子设备，图9是根据一示例性实施例示出的电子设备的框图。如图9所示，该电子设备可以包括处理器91以及存储有计算机程序指令的存储器92。
具体地，上述处理器91可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器92可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器92可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(SolidState Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(Universal SerialBus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器92可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器92可在数据处理装置的内部或外部。在特定实施例中，存储器92是非易失性(Non-Volatile)存储器。在特定实施例中，存储器92包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(RandomAccess Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(Erasable ProgrammableRead-Only Memory，简称为EPROM)、电可擦除PROM(Electrically Erasable ProgrammableRead-Only Memory，简称为EEPROM)、电可改写ROM(Electrically Alterable Read-OnlyMemory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-Access Memory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器(Fast Page Mode Dynamic Random Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic RandomAccess Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器92可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器91所执行的可能的计算机程序指令。
处理器91通过读取并执行存储器92中存储的计算机程序指令，以实现上述实施例中的任意一种机械组件寿命预测模型构建方法。
在一实施例中，一种机械组件寿命预测模型构建设备还可包括通信接口93和总线90。其中，如图9所示，处理器91、存储器92、通信接口93通过总线90连接并完成相互间的通信。
通信接口93用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。通信端口93还可以实现与其他部件例如：外接设备、图像/数据采集设备、数据库、外部存储以及图像/数据处理工作站等之间进行数据通信。
总线90包括硬件、软件或两者，将一种机械组件寿命预测模型构建设备的部件彼此耦接在一起。总线90包括但不限于以下至少之一：数据总线(Data Bus)、地址总线(Address Bus)、控制总线(Control Bus)、扩展总线(Expansion Bus)、局部总线(LocalBus)。举例来说而非限制，总线90可包括图形加速接口(Accelerated Graphics Port，简称为AGP)或其他图形总线、增强工业标准架构(Extended Industry StandardArchitecture，简称为EISA)总线、前端总线(Front Side Bus，简称为FSB)、超传输(HyperTransport，简称为HT)互连、工业标准架构(Industry Standard Architecture，简称为ISA)总线、无线带宽(InfiniBand)互连、低引脚数(Low Pin Count，简称为LPC)总线、存储器总线、微信道架构(Micro Channel Architecture，简称为MCA)总线、外围组件互连(Peripheral Component Interconnect，简称为PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(Serial Advanced Technology Attachment，简称为SATA)总线、视频电子标准协会局部(Video Electronics Standards Association Local Bus，简称为VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线90可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有程序，程序被处理器执行时，实现第一方面中提供的一种机械组件寿命预测模型构建方法。
其中，可读存储介质可以采用的更具体可以包括但不限于：便携式盘、硬盘、随机存取存储器、只读存储器、可擦拭可编程只读存储器、光存储器件、磁存储器件或上述的任意合适的组合。
在可能的实施方式中，本发明还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行实现第一方面提供的一种机械组件寿命预测模型构建方法的步骤。
其中，可以以一种或多种程序设计语言的任意组合来编写用于执行本发明的程序代码，程序代码可以完全地在用户设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户设备上部分在远程设备上执行或完全在远程设备上执行。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种机械组件寿命预测模型构建方法，其特征在于，所述方法包括：
根据机械性能退化基础模型构建模型库，所述模型库包括至少两个不同的设备性能退化模型；
根据预先获取的性能检测序列和时间序列，在模型库中确定出所述退化模型，并基于确定出的所述退化模型确定目标模型；
基于所述目标模型，确定所述目标组件出现性能故障的密度函数，将所述密度函数确定为所述寿命预测模型。
2.根据权利要求1所述的方法，其特征在于，所述确定所述目标组件出现性能故障的密度函数，包括：
根据所述目标模型和故障阈值构建超越密度函数和跌落密度函数；
所述超越密度函数表征所述目标模型的检测值高于所述故障阈值，并成增长趋势的概率；
所述跌落密度函数表征所述目标模型的检测值高于所述故障阈值，并成衰减趋势的概率。
3.根据权利要求1所述的方法，其特征在于，所述根据预先获取的性能检测序列和时间序列，在模型库中确定出所述退化模型，并基于确定出的所述退化模型确定目标模型，包括：
基于预先获取的性能检测序列和时间序列，根据所述模型库中的设备性能退化模型确定目标模型参数；
基于所述目标模型参数和所述退化基础模型，确定目标模型。
4.根据权利要求3所述的方法，其特征在于，基于预先获取的性能检测序列和时间序列，根据所述模型库中的设备性能退化模型确定目标模型参数，包括：
在所述模型库中确定非选择模型集合和选择模型集合，对于任一非选择模型集合，构建用于求解估计参数的对数似然函数；
根据所述对数似然函数，按照最小化贝叶斯信息准则确定所述模型库中选择模型的索引；
基于所述索引和所述估计参数，确定所述目标模型的权重；
基于所述目标模型的权重和所述模型库中选择模型的索引重构残差；
根据所述模型库中选择模型的索引和所述对数似然函数确定绝对相对误差；
响应于所述绝对相对误差小于预设值，更新所述非选择模型集合、所述选择模型集合、所述目标模型的权重和所述估计参数，基于所述模型库中选择模型的索引和所述估计参数，确定随机噪声；
响应于达到最大迭代次数，将所述模型库中选择模型的索引、所述目标模型的权重、所述估计参数和所述随机噪声作为所述目标模型的参数。
5.根据权利要求4所述的方法，其特征在于，基于所述模型库中选择模型的索引和所述估计参数，确定随机噪声，包括：
将所述模型库中选择模型的索引和所述估计参数输入公式：
确定随机噪声，式中，k表示观测时间，ri-1(tk)表示所述重构误差，tk表示第k个观测时间，βj表示权重，表示所述模型库中选择模型的索引，θj表示所述估计参数，/>表示随机噪声。
6.根据权利要求1所述的方法，其特征在于，所述根据机械性能退化基础模型构建模型库，包括：
根据性能检测初始值、机械性能退化趋势基础函数、权重系数和随机噪声，确定机械性能退化基础模型；
根据机械性能退化基础模型，构建设备性能全局退化模型和设备性能局部波动退化模型，通过所述设备性能全局退化模型和所述设备性能局部波动退化模型，构建所述模型库。
7.一种机械组件寿命预测模型构建系统，其特征在于，所述系统包括模型库模块、退化趋势模块、目标模型模块和局部波动寿命预测模型模块，其中：
模型库模块，用于根据机械性能退化基础模型构建模型库，所述模型库包括至少两个不同的设备性能退化模型；
目标模型模块，用于根据预先获取的性能检测序列和时间序列，在模型库中确定出所述退化模型，并基于确定出的所述退化模型确定目标模型；
预测寿命模型模块，用于基于所述目标模型，确定所述目标组件出现性能故障的密度函数，将所述密度函数确定为所述寿命预测模型。
8.根据权利要求7所述的系统，其特征在于，所述预测寿命模型模块在确定所述目标组件出现性能故障的密度函数时用于：
根据所述目标模型和故障阈值构建超越密度函数和跌落密度函数，
所述超越密度函数表征所述目标模型的检测值高于所述故障阈值，并成增长趋势的概率；
所述跌落密度函数表征所述目标模型的检测值高于所述故障阈值，并成衰减趋势的概率。
9.一种电子设备，其特征在于，包括存储器和处理器，存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任一项所述的机械组件寿命预测模型构建方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至6中任一项所述的机械组件寿命预测模型构建方法。
CN202311399866.XA 2023-10-26 2023-10-26 一种机械组件寿命预测模型构建方法、系统、设备和介质 Active CN117669070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311399866.XA CN117669070B (zh) 2023-10-26 2023-10-26 一种机械组件寿命预测模型构建方法、系统、设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311399866.XA CN117669070B (zh) 2023-10-26 2023-10-26 一种机械组件寿命预测模型构建方法、系统、设备和介质

Publications (2)

Publication Number Publication Date
CN117669070A true CN117669070A (zh) 2024-03-08
CN117669070B CN117669070B (zh) 2024-08-02

Family

ID=90066506

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311399866.XA Active CN117669070B (zh) 2023-10-26 2023-10-26 一种机械组件寿命预测模型构建方法、系统、设备和介质

Country Status (1)

Country Link
CN (1) CN117669070B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304685A (zh) * 2018-04-13 2018-07-20 中国人民解放军火箭军工程大学 一种非线性退化设备剩余寿命预测方法及系统
CN108520152A (zh) * 2018-04-13 2018-09-11 中国人民解放军火箭军工程大学 一种工程设备的寿命分布确定方法及系统
US20210089928A1 (en) * 2018-03-16 2021-03-25 Hitachi, Ltd. Failure probability evaluation system and method
CN112800580A (zh) * 2020-12-30 2021-05-14 上海电气风电集团股份有限公司 风电机组的备品备件的储备数量确定方法及其系统
CN115659814A (zh) * 2022-10-31 2023-01-31 重庆长安新能源汽车科技有限公司 预测电池剩余寿命概率分布的方法、系统、设备、汽车及介质
CN115795928A (zh) * 2023-02-10 2023-03-14 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 基于伽马过程的加速退化试验数据处理方法和装置
CN115879372A (zh) * 2022-12-07 2023-03-31 中国人民解放军火箭军工程大学 基于退化模型动态校准的设备剩余寿命预测方法及系统
CN116011214A (zh) * 2022-12-29 2023-04-25 重庆大学 一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法
CN116164945A (zh) * 2022-12-09 2023-05-26 华电电力科学研究院有限公司 一种设备状态监测系统可靠性评估方法及装置
CN116227240A (zh) * 2023-05-08 2023-06-06 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 基于综合应力加速试验的产品寿命评价方法、装置及设备
CN116595865A (zh) * 2023-05-06 2023-08-15 华东理工大学 一种基于维纳过程的设备剩余寿命预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210089928A1 (en) * 2018-03-16 2021-03-25 Hitachi, Ltd. Failure probability evaluation system and method
CN108304685A (zh) * 2018-04-13 2018-07-20 中国人民解放军火箭军工程大学 一种非线性退化设备剩余寿命预测方法及系统
CN108520152A (zh) * 2018-04-13 2018-09-11 中国人民解放军火箭军工程大学 一种工程设备的寿命分布确定方法及系统
CN112800580A (zh) * 2020-12-30 2021-05-14 上海电气风电集团股份有限公司 风电机组的备品备件的储备数量确定方法及其系统
CN115659814A (zh) * 2022-10-31 2023-01-31 重庆长安新能源汽车科技有限公司 预测电池剩余寿命概率分布的方法、系统、设备、汽车及介质
CN115879372A (zh) * 2022-12-07 2023-03-31 中国人民解放军火箭军工程大学 基于退化模型动态校准的设备剩余寿命预测方法及系统
CN116164945A (zh) * 2022-12-09 2023-05-26 华电电力科学研究院有限公司 一种设备状态监测系统可靠性评估方法及装置
CN116011214A (zh) * 2022-12-29 2023-04-25 重庆大学 一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法
CN115795928A (zh) * 2023-02-10 2023-03-14 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 基于伽马过程的加速退化试验数据处理方法和装置
CN116595865A (zh) * 2023-05-06 2023-08-15 华东理工大学 一种基于维纳过程的设备剩余寿命预测方法
CN116227240A (zh) * 2023-05-08 2023-06-06 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 基于综合应力加速试验的产品寿命评价方法、装置及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
AMENEH FOROUZANDEH SHAHRAKI 等: "A Review on Degradation Modelling and Its Engineering Applications", INTERNATIONAL JOURNAL OF PERFORMABILITY ENGINEERING, vol. 13, no. 03, 31 May 2017 (2017-05-31), pages 299 - 314 *
匡正 等: "两种确定热控涂层性能退化模型参数的组合优化算法", 智能计算机与应用, vol. 01, no. 04, 1 August 2011 (2011-08-01), pages 6 - 9 *
史华洁 等: "退化数据驱动的设备剩余寿命在线预测", 计算机工程与应用, vol. 52, no. 23, 29 May 2015 (2015-05-29), pages 249 - 254 *
孙国玺 等: "基于随机退化数据建模的设备 剩余寿命自适应预测方法", 电子学报, vol. 43, no. 06, 15 June 2015 (2015-06-15), pages 1119 - 1126 *
谢吉伟 等: "应用交互式多模型算法的设备剩余寿命预测", 空军工程大学学报(自然科学版), vol. 17, no. 02, 25 April 2016 (2016-04-25), pages 98 - 102 *
邸彦强 等: "装备寿命预测的平行仿真模型在线演化方法", 国防科技大学学报, vol. 45, no. 04, 24 July 2023 (2023-07-24), pages 205 *

Also Published As

Publication number Publication date
CN117669070B (zh) 2024-08-02

Similar Documents

Publication Publication Date Title
CN110008080B (zh) 基于时间序列的业务指标异常检测方法、装置和电子设备
CN110188862B (zh) 用于数据处理的模型超参数的搜索方法、装置、系统
CN108229667A (zh) 基于人工神经网络类别的修剪
US20150269120A1 (en) Model parameter calculation device, model parameter calculating method and non-transitory computer readable medium
EP3806008A1 (en) Model generation device for lifespan prediction, model generation method for lifespan prediction, and storage medium storing model generation program for lifespan prediction
CN105097045B (zh) 用于nand闪存器件中的缺陷修复的方法和装置
CN112232495A (zh) 预测模型的训练方法、装置、介质和计算设备
CN110858062B (zh) 目标优化参数的获取方法及模型训练方法、装置
CN107145446B (zh) 一种应用程序app的测试方法、装置和介质
CN116502679B (zh) 一种模型构建方法、装置、存储介质及电子设备
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
CN110866682B (zh) 基于历史数据的地下电缆预警方法和装置
CN117669070B (zh) 一种机械组件寿命预测模型构建方法、系统、设备和介质
CN107391257B (zh) 业务所需内存容量的预估方法、装置及服务器
US8898389B2 (en) Managing high speed memory
CN116842447A (zh) 分类数据的后处理方法、装置、系统和电子装置
CN111783883A (zh) 一种异常数据的检测方法及装置
CN117233598A (zh) 电机健康状态预测方法、装置、计算机设备、存储介质
JP5985328B2 (ja) 蓄電池の残存価値格付け装置およびプログラム
CN112700043B (zh) 负荷预测方法、装置、计算机可读存储介质及电子设备
CN112784165B (zh) 关联关系预估模型的训练方法以及预估文件热度的方法
JP6662301B2 (ja) 学習装置、識別器、学習方法およびプログラム
CN109002849B (zh) 识别对象发展阶段的方法和装置
CN113554093A (zh) 预测模型训练和账户价值预测方法、装置、设备及介质
CN117252040B (zh) 多应力加速试验分析方法、电子设备和可读存储介质

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