[发明专利]旋转机械装备关键零部件服役退化轨迹预测方法及设备

说明书

本发明的一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，其方法采用四元数框架下加权增量分数阶卡尔曼滤波算法作为退化预测模型，包括利用加速度传感器采集旋转机械装备关键零部件运行过程中的多通道振动加速度数据；对采集数据进行预处理，计算得到设备关键零部件的多通道健康因子时间序列及其Hurst指数与分数阶数；根据建立的四元数框架下加权增量分数阶卡尔曼滤波预测模型，可对未来退化趋势健康因子时间序列进行预测跟踪。本发明无需考虑外界环境与复杂工况对设备关键零部件的性能退化影响，也无需考虑系统物理结构参数的影响，考虑了多通道健康因子序列的时空与分数阶特性，适合多通道退化数据一次性预测，运行速度快，预测精度高。

技术领域

本发明涉及设备预测与健康管理技术领域，具体涉及一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，尤其是涉及一种基于四元数框架下加权增量分数阶卡尔曼滤波模型的设备关键零部件服役退化轨迹预测方法及设备。

背景技术

在大数据与云计算理论背景下，机械装备预测与健康管理领域的核心问题是通过传感器监测设备运行状态云数据，通过分析监测云数据对设备的运行状态进行故障诊断、故障劣化评估与预测剩余寿命，使机械系统在最小失效风险下安全可靠运行，进而实现设备的预测性维护与自主式保障。

为了获取准确的预测精度与快速的预测时间，需要建立尽可能完全描述设备退化历程的预测模型。目前，报道的设备运行退化轨迹预测模型大体可分为三类：物理基预测模型，数据驱动型预测模型和前两者相融合的预测模型。但在实际工程应用中，常常面临多维度、多变量、多通道数据，利用传感器网络(如振动传感器、热传感器、力传感器)收集多维度时间序列数据，尽可能揭示设备退化的全面信息。依赖多维度、多变量、多通道数据进行设备退化轨迹预测存在以下三个难点：第一，现存的预测技术，需要逐通道、逐维度进行依次预测，运行时间慢，预测精度低，不能满足工业快速响应的需求。第二，若设备存在多个独立故障源，且数据具有动态快变特性，在衡量设备整体运行状态与寿命预测时，现存的预测模型大多仅考虑数据的时间历史演化相关性，不能获取多通道传感器数据的空间相关性。第三，构建合适的数据驱动预测模型用以描述跟踪随机时间序列的演化趋势，揭示设备服役退化历程与精确寿命预测是知识工程、数据科学、人工智能等领域的瓶颈问题。

发明内容

本发明提出的一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，即本发明提出了一种基于四元数框架下加权增量分数阶卡尔曼滤波模型的设备关键零部件服役退化轨迹预测方法及设备，考虑了设备多通道退化监测数据的时空特性，模型设计合理，克服了现有技术的不足，具有良好的技术推广潜力。

为实现上述目的，本发明采用了以下技术方案：

一种旋转机械装备关键零部件服役退化轨迹预测方法及设备，包括以下步骤，

步骤1：利用加速度传感器采集旋转机械装备关键零部件运行过程中的多通道振动加速度数据；

步骤2：对采集的多通道振动加速度数据进行预处理，剔除数据的野点；然后根据预处理后的数据，计算得到旋转机械装备关键零部件的多通道健康因子(如峭度值、均方根、峰峰值等)时间序列；

步骤3：计算多通道健康因子时间序列的Hurst指数与分数阶数。其具体步骤如下：

根据重标极差法估计Hurst指数，对于单通道随机时间序列X(t),其Hurst指数方法估计方法为，

其中R(n)为数据重整化范围，S(n)为标准差，即则Hurst指数H(i),i＝1:k(k为通道个数)，可通过在对数图上绘制log(R(n)/S(n))与log(S(n))的曲线得到。对于多通道时间序列数据,其Hurst指数得到，分数阶数为γ＝H-0.5。

步骤4：基于四元数框架下加权增量分数阶卡尔曼滤波算法，建立退化预测模型，将多通道健康因子时间序列作为多通道输入，未来多通道健康因子退化时间序列作为预测输出。其具体步骤如下：