[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

说明书

本发明属于人工智能技术领域，具体公开了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，在离线训练阶段，构建综合寿命预测值与设备实际寿命的均方误差和寿命预测方差的优化目标函数，形成复合健康指标提取与随机退化建模的反馈闭环，对多源传感器融合系数和失效阈值进行反向优化调整，实现两者的交互联动，确定多源传感数据融合系数向量和失效阈值；在线预测时，根据数模联动离线训练得到的融合系数向量和失效阈值，在融合实际运行设备的多源监测数据以获取复合健康指标基础上，采用随机过程模型对其演变过程进行建模，基于贝叶斯序贯更新算法实时更新模型参数和设备退化状态，求得首达时间意义下的设备剩余寿命概率分布。

技术领域

本发明属于人工智能技术领域，涉及一种关键设备剩余寿命预测方法，具体涉及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。

背景技术

剩余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。随着先进传感和状态监测技术的发展，获取能够反映设备健康状态的性能退化过程监测数据已成为可能。在此背景需求下，数据驱动的随机退化设备剩余寿命预测技术已成为国内外可靠性工程、工业工程及自动化技术领域的研究前沿，在过去十余年得到了广泛关注和蓬勃发展。但现有数据驱动的剩余寿命预测研究中一个重要的潜在假设是设备的健康状态由单个性能退化变量直接反映，其监测数据可通过单个传感器获取。单变量假设条件给设备性能退化过程建模及剩余寿命预测提供了很大的便利和灵活性，由此促使基于单变量性能退化建模的剩余寿命预测理论和方法得到了极大的发展，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，对于复杂退化设备而言尤其如此。

已有的多源传感数据在退化数据建模及剩余寿命预测领域更多的关注数据层融合方法，通过优化、加权、融合滤波等方式，将多维数据投影变换到一维数据上来，提取一个单变量复合性能指标，再应用已有针对单变量的方法对此一维复合健康指标的数据进行建模，据此预测设备的剩余寿命。然而，当前基于多源传感监测数据的研究中复合健康指标构建和退化建模及剩余寿命预测基本上是孤立进行的，复合健康指标构建的目的在于提高多源传感监测下随机退化设备剩余寿命预测的准确性，部分文献研究主要关注了拟合的效果，但在复合健康指标构建过程中未考虑退化轨迹预测及剩余寿命预测效果，由此导致拟合效果的改善并不意味着预测效果的提升，这与剩余寿命预测是面向未来失效事件预测的本质还有很大差距。

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基于数模联动的服役设备剩余寿命在线自适应预测方法，根据提出的数模联动方法，在融合得到的最新多源传感监测数据基础上，基于序贯Bayesian更新算法实时更新模型参数和服役设备退化状态，求得首达时间意义下的服役设备剩余寿命概率分布，从而实现设备剩余寿命的自适应在线预测。

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，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。

基于数模联动的服役设备剩余寿命在线自适应预测方法，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}；