时变工况下的机械设备剩余使用寿命预测方法、装置及电子设备
本发明属于机械设备预测与健康管理,具体涉及一种时变工况下的机械设备剩余使用寿命预测方法、装置及电子设备。
背景技术:
1、机械设备广泛应用于航空航天、能源动力、轨道交通、智能制造等领域,其关键部件如滚动轴承、齿轮和转子的健康状态直接关系到设备运行安全和生产效率。对机械设备开展预测与健康管理,准确预测设备剩余使用寿命,能够为设备状态评估、维修决策和预测性维护提供重要依据,对于降低维护成本、避免突发停机以及保障装备安全运行具有重要意义。当前主流的数据驱动的剩余使用寿命预测方法,主要针对恒定工况条件建立模型。而在实际工业中,设备通常长期运行于转速、载荷、温度等不断变化的时变工况下。工况变化会引起监测信号分布发生变化,使监测信号中既包含设备退化信息,又包含工况变化带来的干扰信息。
2、针对时变工况下的设备异常检测与剩余寿命预测,现有技术中已有一些尝试。例如,中国专利申请cn121365338a公开了一种旋转机械时变工况异常检测与剩余使用寿命预测一体化方法及设备。该方法初始化两阶段混合状态空间模型,在退化阶段,将当前时刻的振动信号均方根值和转速输入两阶段混合状态空间模型,采用非线性滤波算法计算当前时刻旋转机械的健康状态。随后,该方法根据当前时刻及当前时刻之前的健康状态,基于模型选择准则从预设的多个退化拟合模型中选择最佳退化拟合模型,并基于最佳退化拟合模型更新状态转移系数。最后,基于更新后的模型采用数值仿真技术预测剩余使用寿命的概率密度分布。
3、尽管上述现有技术在一定程度上考虑了转速等工况信息,但在实际复杂的工业适用性上仍存在一定不足,主要如下:第一,仅是将振动信号的统计特征与转速等工况参数同时作为观测方程的直接输入。这种方式未能从深层表示空间中对退化信息与工况信息进行有效剥离解耦,导致模型容易学习到与工况变化相关的伪退化特征,难以准确表征设备的真实健康状态。第二,状态的递推也依赖于预设的几个独立的经验退化拟合模型进行离散切换。实际机械设备的退化是一个受时变工况连续调制的物理过程,简单套用离散时间下的退化拟合模型,难以充分利用退化过程中的物理动态演化规律,导致模型在复杂时变工况下的长期预测精度和泛化能力有待提高。第三,状态空间模型在进行状态递推时,采用扩展卡尔曼滤波等非线性滤波算法计算健康状态。在这种滤波算法的状态更新步骤中,卡尔曼滤波增益的计算依赖于预设的健康状态先验方差和观测函数的雅可比矩阵。在面对复杂多变存在非线性扰动的时变工况时,这种固定的状态更新逻辑缺乏对先验预测状态与实时观测状态之间状态残差的自适应特征提取与权重分配能力,模型在长期递推过程中无法及时纠正预测偏移,易产生误差累积和状态漂移,最终导致长期的寿命预测结果失真。
技术实现思路
1、针对现有技术中存在的问题,本发明提供了一种时变工况下的机械设备剩余使用寿命预测方法、装置及电子设备,其目的在于实现退化特征与工况特征的有效解耦,克服经验退化拟合模型缺乏物理动态演化约束的缺陷,并在长期状态递推中基于状态残差自适应纠正预测偏移,从而有效抑制误差累积和状态漂移。
2、为了解决上述技术问题,本发明通过以下技术方案予以实现:
3、根据本发明的第一方面,提供一种时变工况下的机械设备剩余使用寿命预测方法,包括:
4、获取机械设备运行过程中的当前时刻振动信号及当前时刻工况参数;
5、基于所述当前时刻振动信号和所述当前时刻工况参数,通过预先建立的工况解耦健康状态模型,分离退化信息与工况信息,获得当前时刻健康状态观测值以及当前时刻工况特征;
6、通过预先建立的物理退化状态空间模型,基于上一时刻健康状态后验值、所述当前时刻工况特征以及所述当前时刻健康状态观测值,获得当前时刻健康状态后验值;其中,所述物理退化状态空间模型的处理过程包括:根据所述上一时刻健康状态后验值及所述当前时刻工况特征进行动态预测,获得当前时刻健康状态先验值;并根据所述当前时刻健康状态观测值与所述当前时刻健康状态先验值之间的状态残差自适应计算状态更新权重,利用所述状态更新权重对所述当前时刻健康状态先验值进行动态校正,获得所述当前时刻健康状态后验值;
7、将所述当前时刻健康状态后验值输入至预先建立的剩余使用寿命预测模型,输出机械设备的剩余使用寿命预测结果;
8、其中,所述物理退化状态空间模型是基于相邻时刻健康状态变化关系构建的连续时间物理退化约束联合训练得到的,以使得由所述物理退化状态空间模型最终输出的健康状态后验值的演化过程满足设备连续退化规律。
9、在第一方面的一种可能的实现方式中,所述工况解耦健康状态模型包括信号编码网络、工况编码网络和健康状态编码网络;
10、所述获得当前时刻健康状态观测值以及当前时刻工况特征的步骤,包括:
11、将所述当前时刻振动信号输入所述信号编码网络,提取得到退化特征;
12、将所述当前时刻工况参数输入所述工况编码网络,提取得到所述当前时刻工况特征;
13、将所述退化特征和所述当前时刻工况特征共同输入所述健康状态编码网络,生成健康状态的概率分布参数,并通过重参数化采样得到所述当前时刻健康状态观测值。
14、在第一方面的一种可能的实现方式中,所述工况解耦健康状态模型是通过引入变分约束和工况对抗解耦约束联合训练得到的,以使得所述概率分布参数对应的健康状态分布接近预设先验分布,并抑制所述当前时刻健康状态观测值中的工况干扰信息。
15、在第一方面的一种可能的实现方式中,所述物理退化状态空间模型包括动力学先验预测模块,所述动力学先验预测模块包括循环状态更新单元和预测补偿网络;
16、所述根据所述上一时刻健康状态后验值及所述当前时刻工况特征进行动态预测,获得当前时刻健康状态先验值的步骤,包括:
17、将所述上一时刻健康状态后验值与所述当前时刻工况特征输入所述循环状态更新单元,得到健康状态基础预测值;
18、利用所述预测补偿网络对所述健康状态基础预测值与所述当前时刻工况特征进行非线性退化变化补偿,计算得到健康状态预测补偿量;
19、利用补偿控制系数控制所述健康状态预测补偿量对所述健康状态基础预测值的影响,结合得到所述当前时刻健康状态先验值。
20、在第一方面的一种可能的实现方式中,所述物理退化状态空间模型还包括后验值更新模块,所述后验值更新模块包括预先建立的状态增益网络;
21、所述根据所述当前时刻健康状态观测值与所述当前时刻健康状态先验值之间的状态残差自适应计算状态更新权重,利用所述状态更新权重对所述当前时刻健康状态先验值进行动态校正,获得所述当前时刻健康状态后验值的步骤,包括:
22、将所述当前时刻健康状态先验值、所述当前时刻健康状态观测值和所述当前时刻工况特征进行拼接,并输入至所述状态增益网络,计算得到所述状态更新权重;
23、将所述状态更新权重与所述状态残差进行对应元素相乘后,补偿至所述当前时刻健康状态先验值中,得到所述当前时刻健康状态后验值。
24、在第一方面的一种可能的实现方式中,所述物理退化状态空间模型在联合训练过程中使用的所述连续时间物理退化约束,是通过以下方式建立的:
25、采用相邻时刻健康状态后验值之间的有限差分,近似计算得到健康状态关于时间的一阶导数;
26、将所述当前时刻健康状态后验值及所述当前时刻工况特征输入至健康状态连续退化动力学模型,输出健康状态变化率预测值;
27、计算所述一阶导数与所述健康状态变化率预测值之间的差异,以构建最小化的所述连续时间物理退化约束。
28、在第一方面的一种可能的实现方式中,所述剩余使用寿命预测模型包括剩余使用寿命特征映射网络;
29、所述输出机械设备的剩余使用寿命预测结果的步骤,包括:
30、将所述当前时刻健康状态后验值输入所述剩余使用寿命特征映射网络,得到寿命预测特征;
31、基于所述寿命预测特征,分别输出当前时刻的剩余使用寿命预测均值以及预测不确定性;
32、基于所述预测均值和所述预测不确定性,构建所述剩余使用寿命预测结果的置信区间。
33、在第一方面的一种可能的实现方式中,所述当前时刻工况参数至少包括转速、载荷和温度中的一种;所述当前时刻振动信号为原始时域振动信号,或者为经滤波、归一化或分段处理后的振动信号。
34、根据本发明的第二方面,提供一种时变工况下的机械设备剩余使用寿命预测装置,应用于所述的预测方法,所述装置包括:
35、数据获取模块,用于获取机械设备运行过程中的当前时刻振动信号及当前时刻工况参数;
36、状态观测模块,用于基于所述当前时刻振动信号和所述当前时刻工况参数,通过预先建立的工况解耦健康状态模型,分离退化信息与工况信息,获得当前时刻健康状态观测值以及当前时刻工况特征;
37、状态跟踪模块,用于通过预先建立的物理退化状态空间模型,基于上一时刻健康状态后验值、所述当前时刻工况特征以及所述当前时刻健康状态观测值,获得当前时刻健康状态后验值;其中,所述物理退化状态空间模型的处理过程包括:根据所述上一时刻健康状态后验值及所述当前时刻工况特征进行动态预测,获得当前时刻健康状态先验值;并根据所述当前时刻健康状态观测值与所述当前时刻健康状态先验值之间的状态残差自适应计算状态更新权重,利用所述状态更新权重对所述当前时刻健康状态先验值进行动态校正,获得所述当前时刻健康状态后验值;
38、寿命输出模块,用于将所述当前时刻健康状态后验值输入至预先建立的剩余使用寿命预测模型,输出机械设备的剩余使用寿命预测结果。
39、其中,所述物理退化状态空间模型是基于相邻时刻健康状态变化关系构建的连续时间物理退化约束联合训练得到的,以使得由所述物理退化状态空间模型最终输出的健康状态后验值的演化过程满足设备连续退化规律。
40、根据本发明的第三方面,提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述的一种时变工况下的机械设备剩余使用寿命预测方法。
41、根据本发明的第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述的一种时变工况下的机械设备剩余使用寿命预测方法。
42、根据本发明的第五方面,提供一种计算机程序产品,该计算机程序产品被处理器执行时实现所述的一种时变工况下的机械设备剩余使用寿命预测方法。
43、与现有技术相比,本发明至少具有以下有益效果:
44、本发明提供的一种时变工况下的机械设备剩余使用寿命预测方法,通过预先建立的工况解耦健康状态模型,在深层表示空间中分离了工况变化带来的干扰信息,降低了模型学习到与工况变化相关的伪退化特征,从而能够更准确的表征机械设备在复杂工况下的真实健康状态;同时,根据健康状态观测值与健康状态先验值之间的状态残差自适应计算状态更新权重并对健康状态先验值进行动态校正,能够及时地纠正非线性扰动带来的预测偏移,抑制了模型在长期递推过程中的误差累积和状态漂移问题;且物理退化状态空间模型受基于相邻时刻健康状态变化关系构建的连续时间物理退化约束,使得健康状态的递推演化过程契合受时变工况连续调制的真实物理退化规律,提高模型物理一致性及长期预测稳定性。上述技术手段紧密配合协同,最终实现了在复杂多变的时变工况下,机械设备剩余使用寿命预测结果得到提升。
45、进一步地,通过剩余使用寿命特征映射网络,输出当前时刻的剩余使用寿命预测均值及预测不确定性,并据此构建预测结果的置信区间,将设备寿命预测由绝对的点估计转化为概率分布表达,客观的反映了模型对当前退化趋势的认知程度。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com