[发明专利]一种基于深度学习的设备剩余寿命预测模型构建方法有效
申请号: | 202110518516.5 | 申请日: | 2021-05-12 |
公开(公告)号: | CN113051839B | 公开(公告)日: | 2022-09-30 |
发明(设计)人: | 王瑞奇;徐廷学;李海君;顾钧元 | 申请(专利权)人: | 中国人民解放军海军航空大学 |
主分类号: | G06F30/27 | 分类号: | G06F30/27;G06K9/62;G06N3/04;G06N3/08;G06F111/08;G06F119/02 |
代理公司: | 深圳国联专利代理事务所(特殊普通合伙) 44465 | 代理人: | 张锋 |
地址: | 264001 山*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 基于 深度 学习 设备 剩余 寿命 预测 模型 构建 方法 | ||
1.一种基于深度学习的设备剩余寿命预测模型构建方法,其特征在于以下步骤:
步骤S10:收集产品可靠性增长试验数据,初始化n台样品设备全寿命周期监测数据,包括任务剖面、环境应力、试验时间、各项性能参数,通过滑窗将每台设备的数据分为多个监测批次,设第i台设备监测批次为mi;取各设备前两批数据,并标注其性能退化量为0.01~0.05的随机数,取各设备的最后一批数据,标注其性能退化量为0.9~0.91的随机数,倒数第二批数据,标注其性能退化量为0.89~0.9之间的随机数;
步骤S20:选用基于Transformer的多头注意力机制的深度学习模型,将各设备首尾批监测数据、环境应力、性能退化量标签值,以及试验时间的位置编码,输入性能退化仿真模型进行训练;
步骤S30:将试验样本全寿命监测数据,通过位置编码,输入Transformer模型进行再训练和预测,模型最终预测结果即为试验样本全寿命周期里的性能退化指标DHI;然后画出所有样品设备全寿命周期中性能退化指标,选择产品性能退化的早期阶段,即DHI变化不大的剩余寿命区间[rulwmin,rulwmax],并以样本在剩余寿命区间[rulwmin,rulwmax]的DHI的均值加2倍方差,作为早期退化过程的失效阈值,其计算如下:
DHIfault=μwmin+2σwmin;
其中为剩余寿命区间最后阶段rulwmin的各样本性能退化指标,DHIfault为早期退化过程的失效阈值,μwmin为剩余寿命区间最后阶段rulwmin的各样本性能退化指标的均值,σwmin为剩余寿命区间最后阶段rulwmin的各样本性能退化指标的方差;
步骤S40:对性能退化指标变化不大的剩余寿命区间[rulwmin,rulwmax],采用n台样本可靠性增长试验数据以及Wiener过程模型,得到Wiener过程的未知参数μ和σ的似然函数,并计算参数μ和σ的极大似然估计值如下:
其中Wiener过程模型模型如下:
其中Δxij=DHIij+1-DHIij为i设备j+1时刻与j时刻性能退化的差值,σ和μ为Wiener过程待求解参数,rulj为i设备j时刻的剩余寿命;
利用以下方程组求解参数μ和σ的极大似然估计值和
步骤S50:将所述的均值和方差参数估计值和以及设备性能失效阈值DHIfault,代入Wiener过程损伤累积模型的失效概率密度函数f(t),计算设备失效概率随时间变化的分布密度函数如下:
其中MTBF(DHIfault)表示设备从性能退化指标为0的健康状态退化到故障失效阈值DHIfault的预测时间;f(t)为Wiener过程损伤累积模型的失效概率密度函数;DHIfault为设备性能失效阈值;与为基于Wiener过程的设备退化性能指标均值和方差参数估计值;
步骤S60:根据所述的设备退化性能指标均值和方差参数估计值与Wiener过程损伤累积模型,计算任意时刻i的设备状态到故障状态的平均故障时间MTBFi如下:
MTBFi=MTBF(DHIfault)-MTBF(DHIi),
其中DHIi表示设备当前的性能退化指标值;MTBFi为设备i时刻的平均故障时间,即设备的可靠性指标;DHIfault为设备从性能退化指标为0的健康状态退化到故障失效阈值的预测时间,MTBFi为设备i时刻的可靠性指标;
步骤S70,通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布P(L),并计算各剩余寿命条件下,可靠性指标和性能指标的联合条件概率分布函数如下:
其中MTBFl为剩余寿命RUL=l条件下的i时刻设备可靠性指标,为剩余寿命RUL=l条件下的i时刻设备性能退化指标;Lmax为设备的可能最长剩余寿命,选取为试验数据的最大寿命值即Lmax=max(mij),和为在剩余寿命RUL=l条件下,性能指标和可靠性指标的均值,为在剩余寿命RUL=l条件下,性能指标和可靠性指标的协方差;P(MTBF,DHI|RUL=l)为样品在各剩余寿命条件下,可靠性指标和性能指标的联合条件概率分布函数;
步骤S80:选取实际运行环境中的产品,将当前监测的性能参数以及历史环境应力、运行时长记录信息输入基于Transformer的性能退化仿真模型,得到性能指标DHInew,然后,将性能指标和运行时间T带入可靠性评估模型,得到可靠性评估指标MTBFnew;最后,通过贝叶斯公式,计算在MTBFnew和DHInew条件下,各剩余寿命l=1,2,....RULmax的后验概率P(RUL=l|MTBFnew,DHInew)如下:
MTBFnew=MTBF(DHIfault)-MTBF(DHInew)-T;
最后根据设备后验概率分布P(RUL=l|MTBFnew,DHInew),求剩余寿命的期望值即得到设备基于可靠性与性能一体化的剩余寿命预测结果:
MTBFnew为将正在运行的设备的性能退化评估值带入可靠性评估模型通过模型计算得到的设备可靠性评估指标;P(RUL=l|MTBFnew,DHInew)为在MTBFnew和DHInew条件下,设备在各剩余寿命l=1,2,....RULmax条件下的后验概率,P(L)为通过统计获得样品设备在各寿命长度L下的故障概率先验概率分布,为根据设备后验概率分布P(RUL=l|MTBFnew,DHInew)求取的设备剩余寿命的期望值,也是设备基于可靠性与性能一体化的剩余寿命预测结果。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于中国人民解放军海军航空大学,未经中国人民解放军海军航空大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110518516.5/1.html,转载请声明来源钻瓜专利网。