[发明专利]基于数模联动的服役设备剩余寿命在线自适应预测方法

权利要求书

1.一种基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，包括以下步骤：

步骤1，对于复杂工程系统中实际服役运行的随机退化设备，收集服役设备从开始运行时刻t₀到当前时刻t_K的多源传感监测数据在线构建服役设备从开始运行时刻t₀到当前时刻t_K的复合健康指标序列z_0:K＝{z₀,z₁,z₂,...,z_K}；

其中，k＝0,1,2,…,K，K为服役设备的监测时间点个数；为第j个传感器的融合系数估计值，其值通过离线训练获取；为第j个传感器在t_k时刻采集的监测数据，z_k为服役设备在t_k时刻的复合健康指标，1≤j≤S，S为参与融合计算的传感器个数；

步骤2，采用线性Wiener随机过程对服役设备的复合健康指标序列z_0:K＝{z₀,z₁,z₂,...,z_K}与监测时刻t_0:K＝{t₀,t₁,t₂,…,t_K}的对应关系进行建模，得到复合健康指标随机退化模型；

所述复合健康指标随机退化模型为：Z(t)＝z₀+θt+σB(t)；

其中，Z(t)为服役设备的复合健康指标随机退化过程在t时刻的退化量Z(t)，σ为扩散系数，B(t)为标准布朗运动；

步骤3，采用序贯Bayesian方法更新漂移系数θ的后验分布，即将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于Bayesian方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新；

考虑到服役设备与历史数据集中的随机退化设备之间存在共性的同时不可避免的存在个体差异性，这种差异性用漂移系数θ来表征，θ为随机变量；

步骤3的具体过程为：

3.1，令漂移系数θ服从正态分布，即和通过下式计算：

其中，和分别为第i个历史随机退化设备的随机退化模型对应的漂移系数估计值和扩散系数估计值，其值由离线训练获得；N为历史随机退化设备的数量，i为历史随机退化设备的序号；θ为随机变量；为正态分布，其中μ_θ,0为正态分布均值，为正态分布方差，为μ_θ,0估计值，为估计值；

3.2，将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于序贯Bayesian更新方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新，即：

p(θ|z_0:K)∝p(z_k|z_0:K-1,θ)·p(θ|z_0:K-1) (2)

其中，p(θ|z_0:K-1)为上一时刻的模型参数θ后验分布，p(z_k|z_0:K-1,θ)为给定至上一时刻的复合健康指标序列z_0:K-1和θ时的当前时刻复合健康指标的条件概率密度函数，其表示为：

其中，z_K＝z(t_K)；

当K＝1时，即仅有第一个复合健康指标数据时，p(z_0:1|θ)和p(θ)是共轭的，则后验估计p(θ|z_0:1)服从高斯分布，即即

μ_θ,1,的估计值通过下式得到：

当K≥2时，利用式(2)的递推结构以及数学归纳法，得到即：

将式(3)和式(6)带入式(2)，得到即：

的估计值由下式得到：

步骤4，基于首达时间的概念，对服役设备在当前时刻t_K的剩余寿命L_K进行描述，基于复合健康指标随机退化模型和漂移系数θ的后验估计，求解服役设备t_K时刻剩余寿命L_K的概率密度函数和累积分布函数，将L_K的数学期望作为服役设备剩余寿命的预测值

所述服役设备在当前时刻t_K的剩余寿命基于首达时间的描述为：

L_K＝inf{l_K0:Z(l_K+t_K)≥ω^*}

其中，ω^*为失效阈值估计值，其通过离线训练过程获得；l_K为t_K时刻的剩余寿命对应的随机变量；inf表示下确界。