[发明专利]一种基于多变量关联数据的设备剩余寿命预测方法

说明书

本发明公开了一种基于多变量关联数据的设备剩余寿命预测方法，首先分析设备状态监测数据与剩余寿命之间的相关性；然后对具有相关性的状态监测数据选用主成分分析算法进行降维处理；最后采用长短时记忆网络搭建剩余寿命预测模型并进行剩余寿命预测。本发明解决了现有技术中存在的基于多传感器关联数据的退化模型建模难度大、模型复杂、参数辨识困难的问题。

技术领域

本发明属于预测与健康管理技术领域，具体涉及一种基于多变量关联数据的设备剩余寿命预测方法。

背景技术

预测与健康管理技术是一种对产品或系统在实际应用条件下进行可靠性评估的方法，可以大大提高系统设备的可靠性和安全性，还能降低复杂系统设备的维护费用。当建立一个完整的预测与健康管理系统时，估计系统目前状态以及预测系统未来状态的能力，对之后的视情维修决策定量化、精细化有很大影响。针对具体设备来说，预测设备的未来状态，即为对设备剩余寿命的预测。因此，剩余寿命(Remaining Useful Life，RUL)预测技术是设备故障预测与健康管理技术中一项核心问题。

工业系统正朝着复杂化的方向发展，仅仅考虑单一变量对系统剩余寿命的影响存在一定的局限性，多种监测变量均和退化过程有关，全面考虑多种关联数据与剩余寿命之间的关系将能够得到更加准确的预测结果。面向多变量关联数据的剩余寿命预测，首先，分析设备状态监测数据与剩余寿命之间的相关性；然后对具有相关性的状态监测数据选用主成分分析算法进行降维处理；并采用循环神经网络的改进算法—长短时记忆网络寻找降维处理后的序列和剩余寿命之间的映射关系，从而得到剩余寿命预测模型；最后当给预测模型中输入新的状态监测数据将能够得到对应的剩余寿命。

发明内容

本发明的目的是提供一种基于多变量关联数据的设备剩余寿命预测方法，解决了现有技术中存在的基于多传感器关联数据的退化模型建模难度大、模型复杂、参数辨识困难的问题。

本发明所采用的技术方案是，基于多变量关联数据的设备剩余寿命预测方法，具体按照以下步骤实施：

步骤1、分析设备状态监测数据与剩余寿命之间的相关性；

步骤2、对具有相关性的状态监测数据选用主成分分析算法进行降维处理；

步骤3、采用长短时记忆网络搭建剩余寿命预测模型并进行剩余寿命预测。

本发明的特点还在于，

步骤1具体为：

步骤1.1、采集设备的状态监测量和对应的剩余寿命，假设设备有n个状态监测量，共监测t个时刻的状态特征，则状态监测量X表示为：

X＝{x₁,x₂,...,x_n}

其中，x_i＝[x_i1,x_i2,...,x_it]^T，i＝1,2,....n，即状态监测量X可以表示为：

设备的状态监测量对应的剩余寿命Y表示为：

Y＝[y₁,y₂,...,y_t]^T；

其中，y_j表示j时刻的设备剩余寿命，j＝1,2,...,t；

步骤1.2、判断多种监测量X＝{x₁,x₂,...,x_n}和剩余寿命Y＝[y₁,y₂,...,y_t]^T之间的相关性，采用计算Spearman系数的方法判断相似性，相关系数ρ计算公式为：