[发明专利]一种完全截断数据条件下的机电系统及其关键部件寿命预测方法

摘要

本发明公开了一种完全截断数据条件下的机电系统及其关键部件寿命预测方法。本发明首先基于小波包分解提取原始完全截断数据特征，得到完全截断数据的特征向量序列集；然后基于SOM网络的特征融合计算截断MQE序列；再CPMLP建模并基于CPMLP模型，确定延伸MQE序列及失效时间；最后基于iPLE的生存概率计算，构建FFNN网络目标向量，进行FFNN训练与测试及寿命预测。该方法在建立机电系统及其关键部件性能衰退指标的同时，通过利用拟合残差获取预测对象的寿命估计值，获取预测对象未来一段时间区间的生存概率。进而，解决机电系统及关键部件寿命预测面临的“完全截断数据”问题。

主权项

1.一种完全截断数据条件下的机电系统及其关键部件寿命预测方法，其特征在于：步骤一、基于小波包分解提取原始完全截断数据特征，得到完全截断数据的特征向量序列集；步骤二、基于SOM网络的特征融合，计算截断MQE序列；利用SOM网络对各原始完全截断数据的特征向量序列集进行特征融合，从而，获取样本总体χ所有完全截断数据的截断MQE序列步骤三、CPMLP建模：基于混沌理论，由G-P算法计算原始完全截断数据的混沌关联维D，利用公式（2）、公式(3）确定CPMLP模型的中心子网络的输入节点数In_[n/2]和除中心子网络外其它子网络的输入节点数，In_[n/2]＝[2D+1]    (2)In_[i]＝In_[n/2]+(i-[n/2])    (3)其中，i＝1,2,…,n，[·]表示向上取整，n为CPMLP模型中所有子网络的个数，包括中心子网络和其它子网络；从样本总体χ所有的截断MQE序列中，随机抽取γ个截断MQE序列，用于CPMLP模型的训练与测试，每个CPMLP模型的子网络i的输入形式如下：IN[i]＝[x_k,mqe(t),x_k,mqe(t-1),…,x_k,mqe(t-In_[i]+1)]    (4)其中，x_k,mqe(t)表示所抽取第k个原始完全截断数据的第t个MQE值γ<F，F为样本总体中样本总数；每个子网络i的输出为x_k,i,mqe(t+1)；CPMLP模型的输入形式为：IN＝[IN[1],IN[2],…,IN[n]]，输出为：如此，基于随机抽取的γ个截断MQE序列构成的输入输出数据对的个数为：Nγ=Σk=1γ(Nk-In[n])---(5)]]>其中，In_[n]是CPMLP模型的子网络中输入节点数目最大值，N_k为特征向量序列集_TS^f的元素个数；利用输入输出数据对，对CPMLP模型进行训练，并利用公式（6）和公式（7）实现权重参数ω_i的最优处理，完成对CPMLP模型的训练与测试；x~k,mqe(t+1)=Σi=1nωi×x~k,i,mqe(t+1)---(6)]]>minJCPMLP=minΣk=1γΣt=1Nk-1[xk,mqe(t+1)-Σi=1nωi·x~k,i,mqe(t+1)]2---(7)]]>其中，n为CPMLP模型中所有子网络的个数，包括中心子网络和其它子网络；步骤四、基于CPMLP模型，确定延伸MQE序列及失效时间：在已建立的CPMLP模型的基础上，把步骤三中随机抽取的γ个截断MQE序列，分为训练集与测试集两个部分；利用训练集数据完成CPMLP模型的训练并预测；利用γ个截断数据测试集中已知的MQE序列值与相应的MQE序列预测值进行对比，得到预测残差序列；r_v＝R_v-P_v    (8)其中r_v,R_v,P_v分别为预测残差、测试集中已知的截断MQE序列值与相应MQE序列预测值；根据预测残差序列的变化特点，采用多项式对预测残差序列进行最小二乘拟合，得出预测残差序列的拟合函数：y＝ax⁴+bx³+cx²+dx¹+e    (9)其中，y为均方误差,x为预测残差，a,b,c,d,e为多项式系数；在建立完成多项式后，利用预测残差序列的拟合函数，对预测残差序列进行外延扩展，并得到延伸残差序列，结合由CPMLP模型预测得到的预测MQE序列，根据公式(8)得到经修正的各被随机抽取出的截断MQE序列的延伸MQE序列；在得到γ个截断MQE序列的延伸MQE序列后，根据预定的失效阈值θ_th，确定γ个截断MQE序列的γ个失效时间值，同时，得到γ个截断MQE序列对应的γ个全寿MQE序列；步骤五、FFNN网络故障预报模型结构确定；步骤六、FFNN网络输入集构建：利用γ个全寿MQE序列与F-γ个截断MQE序列，并基于由步骤五得到的FFNN网络输入节点数α，以{x_t,x_t-1,x_t-2,x_t-3,…,x_t-α+1}的形式构建FFNN网络输入集，以训练与测试FFNN网络；步骤七、完全截断数据条件下，基于iPLE计算生存概率，构建FFNN网络目标向量：利用γ个全寿MQE序列及其γ个寿命值，与剩余的F-γ个截断MQE序列的截断时间值，利用iPLE方法计算生存概率S_K+N，并按已确定的FFNN输出节点数β，构建FFNN的网络目标向量训练与测试样本集T＝{S_k+1,S_k+2,…,S_k+β}；步骤八、FFNN训练与测试及寿命预测。