基于数模联动的服役设备剩余寿命在线自适应预测方法与流程

技术特征：
1.一种基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，包括以下步骤：步骤1，对于复杂工程系统中实际服役运行的随机退化设备，收集服役设备从开始运行时刻t0到当前时刻t
k
的多源传感监测数据在线构建服役设备从开始运行时刻t0到当前时刻t
k
的复合健康指标序列z
0：k
＝{z0，z1，z2，...，z
k
}；其中，k＝0，1，2，...，k，k为服役设备的监测时间点个数；为第j个传感器的融合系数估计值，其值通过离线训练获取；为第j个传感器在t
k
时刻采集的监测数据，z
k
为服役设备在t
k
时刻的复合健康指标，1≤j≤s，s为参与融合计算的传感器个数；步骤2，采用线性wiener随机过程对服役设备的复合健康指标序列z
0：k
＝{z0，z1，z2，...，z
k
}与监测时刻t
0：k
＝{t0，t1，t2，
…
，t
k
}的对应关系进行建模，得到复合健康指标随机退化模型；步骤3，采用序贯bayesian方法更新漂移系数θ的后验分布，即将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于bayesian方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新；步骤4，基于首达时间的概念，对服役设备在当前时刻t
k
的剩余寿命l
k
进行描述，基于复合健康指标随机退化模型和漂移系数θ的后验估计，求解服役设备t
k
时刻剩余寿命l
k
的概率密度函数和累积分布函数，将l
k
的数学期望作为服役设备剩余寿命的预测值2.根据权利要求1所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，所述复合健康指标随机退化模型为：z(t)＝z0 θ
t
σb(t)；其中，z(t)为服役设备的复合健康指标随机退化过程在t时刻的退化量z(t)，σ为扩散系数，b(t)为标准布朗运动。3.根据权利要求1所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，步骤3的具体过程为：3.1，令漂移系数θ服从正态分布，即3.1，令漂移系数θ服从正态分布，即知通过下式计算：其中，和分别为第i个历史随机退化设备的随机退化模型对应的漂移系数估计值和扩散系数估计值，其值由离线训练获得；n为历史随机退化设备的数量，i为历史随机退化设备的序号；3.2，将上一时刻得到的漂移系数θ的后验分布作为复合健康指标随机退化模型中θ的先验分布，然后基于序贯bayesian更新方法利用当前时刻的数据对新的复合健康指标随机退化模型中参数θ的先验分布进行更新，即：p(θ|z
0：k
)
∝
p(z
k
|z
0：k
‑1，θ)
·
p(θ|z
0：k
‑1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，p(θ|z
0：k
‑1)为上一时刻的模型参数θ后验分布，p(z
k
|z
0：k
‑1，θ)为给定至上一时刻的复合健康指标序列z
0：k
‑1和θ时的当前时刻复合健康指标的条件概率密度函数，其表示为：
其中，z
k
＝z(t
k
)；当k＝1时，即仅有第一个复合健康指标数据时，p(z
0：1
|θ)和p(θ)是共轭的，则后验估计p(θ|z
0：1
)服从高斯分布，即即μ
θ，1
，的估计值通过下式得到：当k≥2时，利用式(2)的递推结构以及数学归纳法，得到即：将式(3)和式(6)带入式(2)，得到即：μ
θ，k
，的估计值由下式得到：4.根据权利要求3所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，所述服役设备在当前时刻t
k
的剩余寿命基于首达时间的描述为：l
k
＝inf{l
k
＞0：z(l
k
t
k
)≥ω
*
}其中，ω
*
为失效阈值估计值，其通过离线训练过程获得；l
k
为t
k
时刻的剩余寿命对应的随机变量；inf表示下确界。5.根据权利要求4所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，在所述复合健康指标随机退化模型和参数后验估计式(3)的基础上，求解服役设备t
k
时刻剩余寿命l
k
的概率密度函数和累积分布函数
其中，φ(
·
)表示标准正态分布的累积分布函数；则l
k
的数学期望作为服役设备剩余寿命预测的点估计的数学期望作为服役设备剩余寿命预测的点估计其中，是对实数z的道森积分，且当实数z足够大时有d(z)≈1/2z，因此，当时，有：6.根据权利要求1所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，还包括：通过计算l
k
的方差以量化寿命预测结果的不确定性，有：7.根据权利要求1
‑
5任一项所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，所述离线训练的具体过程为：(a)对于n个同类历史随机退化设备，每个设备安装有s个传感器，获取第i个随机退化设备的第j个传感器的历史监测数据集和每个随机退化设备的实际寿命1≤i≤n，1≤j≤s，k
i
为第i个随机退化设备的监测时间点个数；为第i个随机退化设备的第j个传感器在t
i，k
时刻采集到的原始监测数据经归一化、窗平滑滤波后的状态监测数据；表示第
i
个随机退化设备的实际使用寿命；监测时刻从0开始，且监测时间间隔为等间隔；(b)将各个传感器的状态监测数据进行直接加权组合，构建多源传感监测复合健康指标；其中，w＝[w1…
w
j
…
w
s
]
t
为融合系数向量，w
j
表示第j个传感器的融合系数；(c)基于标准布朗运动驱动的线性wiener过程对多源传感监测复合健康指标的时变演变过程进行建模；利用复合健康指标数据通过极大似然估计方法进行模型参数的估计，得
到每个设备的复合健康指标随机退化模型的参数估计值；(d)基于以上建立的随机退化过程，通过首达时间的概念，推导寿命t
i
的概率密度函数和数学期望，从而得到随机退化设备的寿命预测模型；(e)基于n个历史随机退化设备的预测寿命和实际寿命，构建表征预测效果的优化目标函数，通过最小化目标函数，得到所述寿命预测模型的参数最优解。8.根据权利要求7所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，步骤(c)的具体过程为：(c1)线性wiener过程建模退化特征时变演化过程考虑标准布朗运动驱动的线性wiener过程，对第i(1≤i≤n)个多源传感监测随机退化设备复合健康指标的时变演变过程进行建模，则第i个随机退化设备复合健康指标的随机退化过程{z
i
(t)，t≥0}在t时刻的退化量z
i
(t)表示为：z
i
(t)＝z
i，0
θ
i
t σ
i
b(t)其中，b(t)为标准布朗运动；θ
i
为第i个随机退化设备的漂移系数，σ
i
为第i个随机退化设备的扩散系数，进一步，用表示随机退化模型的参数向量；(c2)线性wiener过程模型参数估计利用复合健康指标数据通过极大似然估计方法进行模型参数θ的确定，复合健康指标数据的对数似然函数为：其中，δt＝t
i，k
‑
t
i，k
‑1；根据极大似然估计方法，使l(θ)对θ求导后等于零并解方程，得第i个随机退化设备的复合健康指标随机退化模型参数θ的极大似然估计具体如下：其中，k＝0，1，2，
…
，k
i
；δz
i，k
＝z
i，k
‑
z
i，k
‑1。9.根据权利要求8所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，步骤(d)的具体过程为：基于上述随机退化过程{z
i
(t)，t≥0}，通过首达时间的概念，第i个随机退化设备的寿命定义为：t
i
＝inf{t：z
i
(t)≥ω|z
i，0
＜ω}
其中，ω为失效阈值；对于随机退化过程和首达时间下的寿命的定义，寿命t
i
服从逆高斯分布，其概率密度函数数学期望e[t
i
]和方差var[t
i
]分别如下：]分别如下：]分别如下：进一步可得第
i
个随机退化设备寿命预测结果的点估计和估计方差为：个随机退化设备寿命预测结果的点估计和估计方差为：至此，得到多源传感监测下n个随机退化设备寿命预测结果的点估计和寿命预测方差，分别为和且是融合系数向量w＝[w
1 w2…
w
s
]
t
和失效阈值ω的函数。10.根据权利要求9所述的基于数模联动的服役设备剩余寿命在线自适应预测方法，其特征在于，步骤(e)的具体过程为：基于n个同类随机退化设备的寿命估计值寿命预测方差以及对应的设备实际寿命构建如下式所示综合寿命预测值与设备实际寿命的均方误差以及表征预测不确定性的寿命预测方差的优化目标函数：
其中，γ为调节因子，0＜γ＜1；利用拟牛顿法进行多维搜索求解最小化j(w，ω)，得到最优解{w
*
，ω
*
}。

技术总结
本发明属于人工智能技术领域，具体公开了一种基于数模联动的服役设备剩余寿命在线自适应预测方法，在离线训练阶段，构建综合寿命预测值与设备实际寿命的均方误差和寿命预测方差的优化目标函数，形成复合健康指标提取与随机退化建模的反馈闭环，对多源传感器融合系数和失效阈值进行反向优化调整，实现两者的交互联动，确定多源传感数据融合系数向量和失效阈值；在线预测时，根据数模联动离线训练得到的融合系数向量和失效阈值，在融合实际运行设备的多源监测数据以获取复合健康指标基础上，采用随机过程模型对其演变过程进行建模，基于贝叶斯序贯更新算法实时更新模型参数和设备退化状态，求得首达时间意义下的设备剩余寿命概率分布。概率分布。概率分布。


技术研发人员：司小胜 李天梅 裴洪 刘翔 张建勋 杜党波
受保护的技术使用者：中国人民解放军火箭军工程大学
技术研发日：2021.06.29
技术公布日：2021/10/28