一种数据驱动的系统剩余使用寿命预测方法

摘要

本发明公布了一种数据驱动的系统剩余使用寿命预测方法，系统包括设备和零件；对已采集的系统退化数据设定退化增量步长，通过处理得到相应的退化增量；对退化增量进行基于相关向量机RVM的建模并计算参数，得到退化系统当前时刻的剩余使用寿命的分布，从而预测得到系统的剩余使用寿命。采用本发明技术方案，能够更准确更灵活地描述非线性退化过程，提高系统剩余使用寿命预测的准确性。

说明书

技术领域

本发明属于系统预测与健康管理技术领域，涉及系统(设备或零件)的剩余使用寿命预测技术，具体涉及一种针对非线性退化过程的系统剩余使用寿命预测方法，是一种基于相关向量机回归的数据驱动的剩余使用寿命预测方法。

背景技术

由于预测与健康管理(PHM)在改善军用和工业系统的设备或零件的可用性、操作风险和降低成本方面的贡献，在过去几十年里，PHM引起了学者和工程师的高度关注。剩余使用寿命(RUL)预测是PHM的重要组成部分，可以计划实施替换活动和安排维护计划，以确保不断恶化的系统可靠、安全和经济地运行，例如锂离子电池、旋转轴承、电力变压器、绝缘栅双极晶体管(IGBT)、电机等。针对系统非线性的退化过程，已有方法利用状态变换或时间尺度变换将非线性退化过程

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于相关向量机回归的数据驱动的系统剩余使用寿命预测方法。通过使用相关向量机(RVM)模型描述系统的随机退化过程增量来更准确地描述系统退化过程中的更一般的非线性，并给出更准确的系统剩余使用寿命的预测结果。

本发明中，系统指的是在服役工作的过程中存在老化和退化的设备或零件，包括锂离子电池、旋转轴承、电力变压器、绝缘栅双极晶体管(IGBT)、电机等系统。

本发明提供的技术方案是：

一种针对非线性退化的数据驱动的系统剩余使用寿命预测方法，对已采集的系统退化数据(例如：锂电池容量退化数据、炼铁高炉炉壁温度退化数据)选择合适的退化增量步长，通过处理得到相应的退化增量，对退化增量进行基于RVM的建模和参数计算，再根据数学定理得到当前时刻退化系统的剩余使用寿命的分布，预测得到系统的剩余使用寿命。包括如下步骤：

1)基于RVM对系统退化过程进行建模，得到系统退化模型；包括：

考虑如下形式的维纳退化过程(如式1):

其中，X(t)为体现设备或零件的退化状态的随机变量，X(0)为系统退化初始状态，μ(t；θ)为漂移系数函数，扩散系数σ为常数，B(t)为标准的布朗运动；t为时间；θ为漂移系数函数的参数向量；

则本发明选取的预测步长τ的退化增量ΔX

其中，步长τ是选取的退化增量的时间区间长度；扩散增量η(t)＝σB(t+τ)-σB(t)～N(0,σ

其中，ω

1)线性基函数:K(t,t

显然，如果t

2)多项式基函数:K(t,t

显然，如果p＝b，那么式1成为幂指数退化模型。在这种情况下，基于幂指数退化模型的退化过程变成了本发明的系统退化过程模型。

3)高斯基函数:

这是非线性模型预测中最常用的基函数。

4)指数基函数:

同样明显的是，当

上述K(t,t

2)计算得到系统退化模型中的参数，得出系统剩余使用寿命RUL的分布；

接下来，本发明采用离线稀疏贝叶斯参数计算算法计算退化模型中的参数。上述的本发明模型(式1)中的参数向量θ由两部分组成，θ＝[θ

给定退化增量数据集

其中，α＝[α

因此ω＝[ω

其中：

μ＝σ

∑＝(σ

A＝diag{α

其中

通过使边缘概率最大化，本发明可以得到α和σ的最优值。边缘概率密度p(ΔX|,α,σ

其中I是单位矩阵。事实上，很难最大化式9以获得α和σ封闭形式的最优值，但是可以推导出它们迭代重新估计的公式(式10～11)。

其中，

式11中，(σ

3)基于上述维纳过程模型和计算参数，得出系统剩余使用寿命RUL的分布公式。

假设预测时间t

其中

与现有技术相比，本发明的有益效果是：

本发明提供一种针对非线性退化的数据驱动的系统剩余使用寿命预测方法，通过对退化增量建立RVM模型，实现对具有更一般的非线性的退化过程进行数据驱动的建模，更准确更灵活地描述非线性退化过程，提高系统剩余使用寿命预测的准确性。

附图说明

图1为本发明实施例轴承退化过程温度数据。

图2为本发明实施例轴承退化增量建模效果图。

图3为本发明实施例剩余使用寿命预测结果对比图。

具体实施方式

下面结合附图，通过实施例进一步描述本发明，但不以任何方式限制本发明的范围。

本发明提供一种针对非线性退化的数据驱动的剩余使用寿命预测方法，通过对退化增量建立RVM模型，实现对具有更一般的非线性的退化过程进行数据驱动的建模。

本发明的剩余使用寿命预测方法包括以下步骤：

1)采集退化数据，确定退化增量步长，并处理得到退化增量数据。

2)对退化增量建立RVM模型，应用稀疏贝叶斯算法计算模型参数。

3)计算RUL的概率密度函数的数值，预测RUL。

具体实施时，数据驱动的剩余使用寿命预测算法如下：

算法数据驱动的剩余使用寿命预测

以下实施例对某轴承系统退化进行剩余使用寿命预测。

图1显示的是轴承退化过程的温度数据，总寿命为27951.7秒，失效阈值为第27951.7秒的温度值164.37摄氏度。应用本发明的建模方法对此轴承退化增量数据进行建模，以在第27700秒进行剩余使用寿命预测为例，包括如下步骤：

1)选取预测步长τ为10秒，处理得到相应的退化增量数据；

2)按上述算法计算，根据返回的F

图2显示的是用前27700秒退化增量数据进行建模回归预测效果，散点表示实际退化增量，实线表示RVM模型回归结果，圆圈表示相关向量，可以看出RVM模型能较好地描述退化增量的非线性退化趋势，也就等同于较好表达了非线性退化过程。

应用本发明提供的系统剩余使用寿命预测算法对轴承系统进行预测，图3显示的是分别在第27300、27350、27400、27450、27500、27550、27600秒进行预测的轴承剩余使用寿命与真实剩余使用寿命的对比结果，其中圆圈为本发明预测的剩余使用寿命，星号表示真实的剩余使用寿命，可以看出本发明的算法能较准确地预测轴承剩余使用寿命。

综上描述的具体实施方法便实现了针对非线性退化的数据驱动的剩余使用寿命预测。

需要注意的是，公布实施例的目的在于帮助进一步理解本发明，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换和修改都是可能的。因此，本发明不应局限于实施例所公开的内容，本发明要求保护的范围以权利要求书界定的范围为准。