[发明专利]一种基于现场数据的机载设备可靠性预测方法

摘要

本发明公开了一种基于现场数据的机载设备可靠性预测方法，涉及机载设备可靠性预测技术领域；它的预测方法：步骤一：现场运行条件下对机载设备可靠性开展Bayes统计推断；步骤二：结合现场运行过程建立产品故障次数预测模型；步骤三：理论分析、计算、实验方法和步骤；本发明在现场运行条件下，基于现场数据对机载设备进行Bayes统计推断，给出可靠性测度点估计与置信限，达到评估机载设备可靠性的目标；利用现场故障数据预测未来时间区间内产品故障次数。然后再研究数据特征通过机器学习算法实现故障预测，达到对未来可能发生故障的类型以及发生故障与否预测的目标。

主权项

1.一种基于现场数据的机载设备可靠性预测方法，其特征在于：它的预测方法：/n步骤一：现场运行条件下对机载设备可靠性开展Bayes统计推断：/n通过引入位置参数，将异步运行模式下的产品故障过程转化为同步运行模式下的产品故障过程，基于齐次Poisson过程和非齐次 Poisson 过程建立多台产品同步运行模式下的产品故障过程模型，研究模型求解技术；针对现场数据存在左删失特点的问题，依据产品在左截断时间处是否已经投入运行，将产品现场故障数据分为两类，然后在异步运行模式下，分别基于故障过程建立模型，综合得到存在左删失条件下产品故障过程建模型；/n步骤二：结合现场运行过程建立产品故障次数预测模型：/n(2.1)、首先分析现场运行条件下产品所具有的特点，结合其特点考虑将产品投入运行视作独立事件，则装机规模变化过程可视为典型的计数过程，基于齐次 Poisson 过程研究机队规模 N(t)的变化规律；产品故障后采取替换维修，其故障过程可视作更新过程，基于更新过程理论研究产品未来故障次数预测技术；综合计数过程与更新过程建立现场运行条件下未来时间区间内产品故障次数预测模型；然后在获得机载设备现场故障数据的基础上研究模型求解技术给出故障次数预测；/n(2.2)、从现场维修数据中提取特征向量作为机器学习的输入、输出参量，并且将现场数据转换为量化可输入的数据，将其作为训练样本，利用机器学习算法对未来可能发生的故障进行预测，实现对机载设备故障的识别；通过机载设备实例对比几种机器学习算法，分析其故障预测精度，寻找一种最优方法来预测设备故障；/n步骤三：理论分析、计算、实验方法和步骤：/n(3.1)、针对现场数据，在结合实际情况下做出合理假设得到寿命数据，然后结合先验信息对典型液压系统机载设备开展Bayes统计推断；/n(3.2)、将产品投入运行视作独立事件，则装机规模变化过程可视为典型的计数过程，基于齐次 Poisson 过程研究机队规模 N(t)的变化规律；产品故障后采取替换维修，可视作一次更新，其故障过程可视作更新过程，基于更新过程理论研究产品未来故障次数预测技术；据此可认为，现场运行条件下产品故障过程是由 N(t)个独立的更新过程之和；/n(3.3)、针对基于现场数据提取出来的特征向量，可以分析出作为训练样本的原始数据，然后基于这些数据选择一种机器学习算法开始训练样本，达到一定程度稳定后停止训练，最后通过预留数据来验证预测模型能否达到预期要求，以相同的方式利用其他算法进行故障预测。/n