[发明专利]一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法

说明书

本发明涉及深度学习和设备维护领域，特别涉及一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，包括以下步骤：训练阶段：(1)利用实验平台对轴承数据进行收据采集；(2)利用通过RNN‑FW方法对对象进行特征提取；(3)在HMM的基础上优化参数组成HMM‑FW；(4)将训练数据导入深度学习网络，生成实验对象的RUL；测试阶段：(1)将测试样本输入已经训练好的HMM‑FW模型中进行退化曲线预测；(2)对测试数据整个全寿命周期里的完整退化趋势进行复原；(3)计算出测试样本的RUL；分析阶段；提供一个综合框架来实现设备故障诊断和剩余寿命预测；适用于动态过程时间序列建模，具有很强的时间序列模式分类能力，适用于非平稳、重现性差的信号分析。

技术领域

本发明涉及深度学习和设备维护领域，特别涉及一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法。

背景技术

近十年来，机械设备的健康评估技术已经成为长寿命、高可靠性机械设备运行管理的关键技术。健康评估具有检测早期系统性能退化、给出设备运行健康状况、将现有的设备定期维护发展为情景维护等优点。设备剩余寿命的预测是对设备运行健康状况最直接的评价，而剩余寿命的预测精度和预测效率是该问题的最大难点。

隐马尔可夫模型(HMM)是一种处理时间序列的模型。在这一点上，它与卡尔曼滤波算法非常相似。事实上，HMM和卡尔曼滤波的算法基本相同，只是HMM假设隐藏变量是离散的，而卡尔曼滤波则假设隐藏变量是连续的。 HMM已被广泛用于手写识别、地图匹配、金融预测、DNA序列分析等方面。

HMM也被广泛应用于故障诊断和故障预测领域，而故障预测是PHM的核心课题之一。HMM可以根据测量信号检测和识别系统的健康状态，并估计未来一段时间的健康状态，实现系统的RUL预测。将概率结构发展为分类器形式，以便在模型获取过程中融合各种类型的过程信息。使用分段聚合近似和符号聚合近似的时间序列数据挖掘表征，结合HMM应用于过程变量监测数据，并与过程缺陷相关联，以捕捉隐藏在观察数据中的有意义的信息，从而识别特定的异常情况；使用隐马尔科夫模型-贝叶斯网络混合系统预测和隔离Tennesse-Isman过程中的10个已识别的故障，成功预测了选定的10个过程故障并准确隔离了其中8个故障。

然而，从上述众多研究中可以看出，HMM的主要局限性在于：

(1)HMM状态持续的概率随着时间的推移呈指数下降的趋势。也就是说，系统在状态i下持续d的概率为P(d)＝1，其中o表示系统停留在状态i的概率，这显然与实际情况不一致，从而影响其建模和分析能力。

(2)HMM假设每个变量是相互独立的。但这与大多数的工作情况是不一致的。

(3)因为马尔科夫链具有齐次性，即一步转移概率与起始时刻无关。这一特性与实际情况严重不符，因为在设备功能退化的过程中，随着设备使用时间的增加，设备状态转移的概率肯定会发生变化。

所以综上所述可以看出目前现有技术中需要一个综合框架来实现设备故障诊断和剩余寿命预测

发明内容

针对背景技术中提到的问题，本发明的目的是提供一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法。

本发明的上述技术目的是通过以下技术方案得以实现的：一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，包括以下步骤：

训练阶段：

(5)利用实验平台对轴承数据进行收据采集；

(6)利用通过RNN-FW方法对对象进行特征提取；

(7)在HMM的基础上优化参数组成HMM-FW；

(8)将训练数据导入深度学习网络，生成实验对象的RUL；

测试阶段：