[发明专利]一种数模联动的随机退化设备寿命预测方法

说明书

本发明属于关键设备寿命预测技术领域，具体公开了一种数模联动的随机退化设备寿命预测方法，根据复杂工程系统中的关键设备的多源传感监测数据，在数据层进行多源传感器加权融合构建复合健康指标用于表征设备退化特征，采用Wiener线性随机过程模型建模该复合健康指标时变演化趋势，通过求解复合健康指标首达失效阈值的时间实现寿命预测，基于寿命预测值与实际寿命的偏差构建目标函数，对多源传感器融合系数和随机退化建模中的失效阈值进行反向优化调整，形成两者之间的反馈闭环，实现复合健康指标提取与随机退化建模的交互联动、交叉融合，保证了大型复杂工程系统中关键设备的服役寿命的准确预测。

技术领域

本发明属于人工智能技术领域，涉及一种关键设备寿命预测方法，具体涉及一种数模联动的随机退化设备寿命预测方法。

背景技术

寿命预测与健康管理技术是现代复杂工程系统、重大产品、重大设施提高运行可靠性、安全性、可维护性的关键技术，可为重大装备的长周期安全可靠运行提供重要保障。近年来，随着工业4.0、物联网等技术的快速兴起与普及，各式传感器犹如一张庞大的神经网络密布在复杂设备内部，这些多源传感监测数据在提供了丰富的设备健康状态及寿命信息的同时，由于多源信号差异大、采样策略形式多、信息之间相互耦合，导致各个传感器获取的数据呈现不同的统计特性，只能部分的反映设备健康状态。

现有单变量假设条件给设备性能退化过程建模及寿命预测提供了很大的便利和灵活性，但单一传感器获取的该性能退化变量监测数据往往难以全面、充分反映设备潜在健康状态并表征其随机演化过程。而已有的多源传感数据融合方法主要依赖于原始数据的质量以及数据分析处理的方式，当前研究中复合健康指标构建和退化建模及寿命预测基本上是孤立进行的，构建复合健康指标的过程中主要关注了指标本身的特性(如单调性、趋势性、凹凸性等)，但如此构建的指标能否适应并匹配所采用的退化模型失效阈值以及能否导向寿命预测准确性的提高，难以保证。因此，若能根据设备状态监测信息，建立其性能退化过程的时变演化模型，实现多源传感监测数据退化特征提取与特征时变演化过程随机退化建模的交互联动、交叉融合，进而实现随机退化设备寿命的智能精准预测，就能够根据预测信息对设备实施及时精准的预测性维护、提前规划维修资源配置，对于切实保障复杂设备的运行安全性、可靠性与经济性具有重要意义。

发明内容

针对现有技术中存在的问题，本发明的目的在于提供一种数模联动的随机退化设备寿命预测方法，所述数模联动中的“数”是指构建复合健康指标提取数据退化特征，“模”是指所提取退化特征时变演化过程随机建模，通过两者之间的联动，构建表征寿命预测准确性的优化目标函数，从而实现数据特征提取与所提取特征时变演化过程随机建模之间的“联动”。

为了达到上述目的，本发明采用以下技术方案予以实现。

一种数模联动的随机退化设备寿命预测方法，包括以下步骤：

步骤1，对于复杂工程系统，设该系统中有N个退化失效的同类随机退化设备，每个设备安装有M个传感器，获取第i个随机退化设备的第j个传感器的历史监测数据集和每个随机退化设备的实际寿命1≤i≤N，1≤j≤M，K_i为第i个随机退化设备的监测时间点个数；表示第i个随机退化设备的第j个传感器在初始时刻采集到的原始监测值；表示第N个随机退化设备的实际使用寿命；

步骤2，对第i个随机退化设备的第j个传感器的历史监测数据集中的每个监测数据依次进行归一化处理和平滑滤波处理，得到每个随机退化设备的每个传感器预处理后的监测数据；

步骤3，根据每个随机退化设备的每个传感器预处理后的监测数据，计算对应的皮尔逊相关系数，基于皮尔逊相关系数，选择一致性好且皮尔逊相关系数的均值较大的传感器数据作为复合健康指标的构建数据；

步骤4，将选取的复合健康指标的构建数据进行直接加权组合，构建多源传感监测复合健康指标，并将其作为多源传感监测数据提取的退化特征；