机器剩余使用寿命的预测方法与流程

1.本发明涉及对机器和/或部件(以下统称“机器”)的剩余使用寿命(remaining useful life，缩写“rul”)进行预测方法，尤其是基于概率统计对机器的剩余使用寿命进行预测的方法。


背景技术：

2.回归分析是确定关联变量之间定量关系(基于数学模型)的常用方法，在预测机器剩余使用寿命的方法中得到了广泛的应用。在现有方法中，回归分析仅用于得出机器寿命的最佳拟合曲线，但基于单一最佳拟合方案的预测结果往往是偏执的(paranoid)，因而难以作为启动维护措施的可靠依据。在实践中，人们仍然不得不面对未知的机器故障以及由此带来的停机损失。现实呼唤一种能够满足现代化生产对可靠预测的需要的机器寿命预测方法。


技术实现要素：

3.为解决上述技术问题，本发明提供一种基于时间——特征值的历史数据记录对机器剩余使用寿命进行预测的方法，包含：步骤1)采用回归分析法拟合出反映时间与特征值之间变量关系的机器寿命曲线的数学模型，并根据所述模型计算出机器寿命曲线抵达预先设定的失效阈值所需的时间，即预期的剩余使用寿命；和步骤2)以随机剔除部分数据的方式重复执行步骤1，并根据重复执行的结果统计出预期剩余使用寿命的概率分布，其中最大概率分布所对应的预期剩余使用寿命被确定为机器最有可能的预期剩余使用寿命。
4.以上方法避免了以单一寿命曲线模型预测机器剩余使用寿命的偏执性，能够显著提高预测的可靠性和准确性。
附图说明
5.图1显机器处于稳定运行状态的函数模型示意图；
6.图2显示机器处于线性失效运行状态的函数模型示意图；
7.图3a显示机器处于加速失效运行状态的二次多项式函数模型示意图；
8.图3b显示机器处于加速失效运行状态的指数函数模型示意图；
9.图4显示以累计损失函数最小为原则来确定最佳状态拐点组合的方法示意图；
10.图5显示通过随机剔除部分数据拟合出的寿命曲线束抵达失效阈值的示意图；
11.图6显示图5所示寿命曲线束抵达失效阈值所需时间(即预期剩余使用寿命)的概率分布图。
具体实施方式
12.图1-3显示机器从稳定运行状态发展到加速失效状态的典型生命周期的全过程。其中，图1显示机器处于稳定运行的状态(状态1)，相关性能指标大体恒定，数学模型以函数
关系式f(t)＝b0(t≥0)(公式
①
)表示；图2显示设备处于早期损坏阶段，相关性能指标处于线性恶化的状态(状态2)，数学模型以函数关系式f(t)＝a1t b1(a1>0)(公式
②
)表示；图3a和3b显示设备处于严重损坏阶段，相关性能指标处于加速恶化的状态(状态3)，典型的数学模型以二次多项式函数f(t)＝a2(t b2)2 c2(a2>0,b2<0)(公式
③
)或者指数函数表示。
13.所述相关性能指标在本发明中是以特征值加以描述的。所谓特征值是一个开放的概念，在理论上包含任何可用于表征机器的性能、品质、状态等方面特性的信息指标，可被量化为任何能够通过人体感知或者技术获取的计量单位。它既可以是振动特征(比如噪音)，也可以是非振动特征(比如油脂老化程度)；既可以是故障特征，也可以是非故障特征；既可以是有益特征，也可以是有害特征。以振动特征为例，转动机器(包含部件)，例如电机、转子、转轴、齿轮、轴承、轴承座等，其机械性能、质量瑕疵和故障演化往往都包含在其输出的振动信号中。因此，以振动信号为基础的特征值包括时域或者频域的速度、加速度、能量、频率等信号数据，也可以是在这些数据的基础上单独或者组合形成的衍生数据，包含但不限于函数值、统计值、比较值等。图1-5中的纵坐标均为表征机器某(些)方面性能指标的特征值。
14.在典型情况下，机器的整个生命周期会从状态1发展到状态2，再进一步发展到状态3，其间先后经历状态拐点t0和t1(t1≥t0)。这通常是一个渐进的过程，但也存在例外。在有些情况下，设备会跳过某一状态，直接进入到下一个状态。例如，从状态1直接进入到状态3，或者从一开始就直接进入状态2或者状态3。导致机器状态恶化的原因有多种，包括系统内因素，比如部件失效或者设计缺陷，也包含系统外因素，比如异物侵入或者安装不当等。
15.如前所述，机器寿命曲线的数学模型可以采用回归分析法进行拟合，这是预测机器剩余使用寿命的前提条件。然而，相邻状态之间拐点(位置)的确定是目前已知回归分析方法中的难点。为此，本发明采用的方法是至少部分遍历所有可能的拐点组合，通过比较每种组合下寿命曲线的累计损失函数值(value of cumulative loss function)来得出机器寿命曲线的最佳拟合方案。顺便指出，损失函数是评价预测值与真实值之间离散程度的函数，是回归分析中常用的以最小值来判定最佳回归模型的函数。常用的损失函数有均方差(mean squared error，缩写mse)函数等，此处不再展开。
16.图4显示以累计损失函数最小为原则来确定最佳状态拐点组合的方法示意图。首先，假设状态拐点t0和t1均对应时间——特征值数据记录中的第一个数据点，那么据此拟合出的寿命曲线应当只包含状态3。在这种情况下，可以使用公式
③
或
④
进行拟合。当然，拟合之后，需要对结果进行校验。以公式
④
为例，需要判断拟合结果是否满足条件a2>0且b2>1。若不满足条件，则放弃此次拟合；若满足条件，则计算拟合曲线与数据的均方差(损失函数)，通过比较损失函数的大小找出状态3的最佳拟合曲线模型(公式
④
)。这里以最小均方差所对应的状态3的曲线模型为最佳拟合方案。
17.接下来，假设t0对应于第一个数据点，t1对应于第二个数据点，则在这种拐点组合情况下机器的寿命曲线应只包含状态2和状态3。类似于之前对状态3的拟合，仍以均方差最小为原则通过比较分别得出状态2的最佳拟合曲线(公式
②
)和状态3的最佳拟合曲线(公式
③
或
④
)。然后，记录当下拐点组合的状态2最佳拟合曲线和状态3最佳拟合曲线的均方差累加值，用于后续比较之目的。
18.再接下来，假设t0对应于第一个数据点，t1对应于第三个数据点，则在这种拐点组合情况下机器的寿命曲线应当仍旧只包含状态2和状态3。重复以上对状态2和状态3的拟合过程，直到t1遍历了t0之后所有的数据点(或者所有指定的数据点)。
19.对于特定位置的t0，当t1遍历了t0之后所有(指定)的数据点以后，就应把t0从当前的数据点移动到下一个(指定的)数据点，直至t0也抵达最后一个(指定的)数据点。通过这种方式，本发明遍历了所有可能的(或者指定的)拐点组合，从而分别得出每种组合下机器的寿命曲线。所述指定的拐点组合可以是分布在特定区间范围内的拐点组合，也可以是按照一定规则选取出来的拐点组合。
20.如前所述，每一种拐点组合下机器的拟合寿命曲线都会形成一个均方差累加值，由其中包含的全部状态(状态1-3)的最佳拟合曲线的均方差累加形成。本发明以均方差累加值为评判标准，通过比较确定最小均方差累加值所对应的拐点组合为最佳拐点组合，所述最佳拐点组合包含的全部状态(状态1-3)的最佳拟合曲线构成机器寿命曲线的最佳拟合方案。换言之，本发明通过遍历所有可能的或者指定的拐点组合，以每种组合下损失函数累加值最小为评判标准，通过比较损失函数累加值得到整体上最适配的机器寿命曲线。
21.转动机器的生命周期一般都包含从稳定运行到逐步失效的演化全过程，以分段函数描述其寿命曲线是一个有效的方法。本发明以损失函数累加值最小为原则，通过比较所有拐点组合对应寿命曲线的损失函数累加值来筛选出最优拟合方案。该方法适于拟合所有以分段函数为模型的机器寿命曲线(不论其中包含的状态和拐点的数量有多少)，因而在确定状态拐点这一难题中具有重要的实践价值。
22.在确定机器寿命曲线的函数模型以后，就能够根据所述模型计算出对应的寿命曲线到达预定失效阈值所需的时间，即机器的预期剩余使用寿命。具体而言，当寿命曲线仅满足公式
①
时，机器被认为处于稳定运行阶段，尚未损坏，这种情况下难以预测rul；当寿命曲线满足公式
②
时，机器被认为处于损坏的早期阶段，rul取决于公式
②
与失效阈值相交的时间点；当寿命曲线满足公式
③
或
④
时，设备处于严重的损坏状态，rul取决于公式
③
或
④
与失效阈值的预期交点。
23.然而，如前所述，上述方法建立在单一寿命曲线(尽管是最佳拐点组合对应的拟合方案)的基础之上，由此得出的rul有可能是偏执的。从数学上讲，rul是寿命曲线到达失效阈值的所需时间，是一个拟合结果(寿命曲线)的后续衍生值，因而其准确性、可靠性都难以令人信服，难以作为实践种启动维护措施的可靠依据。
24.图5显示随机剔除部分数据后拟合出的寿命曲线束与失效阈值交汇的示意图。为避免单一拟合结果的偏执性，本发明随机剔除部分数据，并根据其余的数据记录拟合出不同的寿命曲线。在不同数据基础上拟合出的寿命曲线组成的曲线束在统计意义上覆盖了大部分可能性，由此得出的rul具有统计意义上的概率分布(比如正态分布)，其中对应最大概率分布处的rul意味的可能性最大，可作为预测剩余使用寿命的可靠依据。
25.然而，剔除数据的多少会对拟合曲线的走势造成显著的影响。倘若剔除数据过多，则有可能造成数据失真而与真实情况不符；若剔除数据太少，则对拟合结果不构成显著影响，无法得出在统计意义上分布广泛的曲线束。经过比较，剔除数据比例(即占数据总量的百分比)不宜超过50％，优选介于20
±
10％之间，进一步优选介于15
±
5％之间。随着剔除数据比例的逐渐汇聚，拟合曲线束也趋于集中，与失效阈值交汇的区域逐渐收窄。如图5所示，
该区域决定了rul的范围分布，范围过宽则不利于做出准确的预测，范围过窄则易造成偏执。
26.图6显示通过随机剔除部分数据拟合出的寿命曲线束到达失效阈值所需时间(即rul)的概率分布图。图中显示，随着时间的推移，预期剩余使用寿命越来越短。例如，在机器运行的第89天，预期剩余使用寿命为17-22天；在机器运行的第94天，预期剩余使用寿命为7-10天。据此，可以在故障的早期阶段制定维护计划，并根据随后的信息更新随时进行调整。从图中还可以看出，随着时间的推移，预期剩余使用寿命的概率分布也呈现汇聚的趋势。例如，在机器运行的第91天，对应最大概率分布(约25％)的剩余寿命为21-22天；而在机器运行的第94天，对应最大概率分布(约50％)的剩余使用寿命为8天。随着机器寿命趋近终结，剩余使用寿命的概率分布也趋于集中，预测的可靠性也得到逐步提高，由此触发的信息预警可作为启动维护的可靠依据，确保设备在故障到来之前得到及时维护。
27.在上述方法中，还有一些细节特征可以变更或者完善。例如，倘若状态拐点t0和/或t1出现在寿命曲线的末段，则可能造成其后状态由于数据量不足而偏执，据此得出的rul可靠性不高。为此，可以设定一个时间范围，比如位于寿命曲线的后30％、50小时或者50天，倘若t0或t1出现在该时间范围内，则不对其后的状态进行拟合，或者拟合出的状态模型不得作为预测rul的模型基础。
28.另外，停机时的数据不反映机器的真实状态，应予以剔除。在本发明中，倘若特征值小于平均值的20％，则认为机器处于停机状态。这里采用相对阈值对数据进行过滤是因为不同设备在的运行状态下的特征值范围不同，基于相对值进行过滤能有效降低误判。
29.以上描述的设备寿命预测方法适用于所有类型的机器设备，尤其适用于转动机器(包括部件)，例如电机、转子、轴承和齿轮等。本领域的技术人员应当理解，本发明所述的方法不受具体实施方式的限制。对本发明的任何变更和改进，只要符合随附权利要求书的限定，均属于本发明的保护范围。