用于设备监测的方法与流程

1.本发明涉及一种用于设备监测的方法、一种用于设备监测的装置、以及一种计算机程序单元和计算机可读介质。


背景技术：

2.退化模型跟踪相关变量的变化，以便测量或预测其未来演变，直到达到特定限制，此时设备超出规格或无法执行其预期功能，这通常被称为“软故障”。对设备寿命建模的一个重要方面是需要尽可能精确地计算这些退化变量的未来演变。需要模拟或预测设备的个体行为，可能没有太多现有的测量数据或观察结果。而一个或多个类似设备通常有更多的测量数据或观察结果，其中该测量数据的总和称为机群(fleet)数据。预测的故障、故障时间或故障概率(pof(t))分布然后可以与其他数据结合使用来推断设备的状态并且从中推断可能的服务或维护活动，以避免故障或中断或根据预测寿命安排维护。
3.结合先验知识以使参数估计对于附加测量更准确是统计学中众所周知的方法，其中利用例如贝叶斯统计。这通常用于确定个体设备的参数或结合先验数据和测量来提高个体设备的知识。还使用过去的数据来预测未来的演变，并且由此可知故障的可能性。
4.us 2015/0100284描述了一种使用机群和测量数据以便计算系统的危险率并且由此计算未来的可靠性的系统。
5.n.z.gebraeel等人在“residual life distributions from component degradation signals:a bayesian approach”(iie transactions 37,543-557(2005))中描述了机群/先前数据与个体退化测量的组合。
6.s.tang等人的“remaining useful life prediction of lithium-ion batteries based on the wiener process with measurement error”(energies 7,520-547(2014))描述了一种结合机群数据和增加测量数据的方法。
7.g.a.whitmore“estimating degradation by a wiener diffusion process subject to measurement error”(lifetime data analysis 1,307-319(1995))描述了实施例中的一个的mle参数估计的背景。作为改进的一部分，还描述了如何仅结合部分参数(测量误差)来改进预测。
8.然而，作者发现现有技术无法准确地对新设备或相对较新的设备进行准确建模以确定其故障概率。
9.有必要解决这个问题。


技术实现要素：

10.因此，具有改进的监测设备的能力以提供与其预期的故障寿命相关的信息将是有利的。
11.本发明的目的通过独立权利要求的主题解决，其中其他实施例并入从属权利要求中。
12.在第一方面，提供了一种设备监测方法，该方法包括：
13.a)为至少一个设备提供多个机群测量数据，其中多个机群测量数据包括机群设备数据测量次数“n
fleet”；
14.b)为被监测设备提供多个设备测量数据，其中多个设备测量数据包括监测设备数据测量次数“n
data”；
15.c)确定被确定为多个机群测量数据的连续测量之间的差异的分布的机群分布“f
dist”；
16.d)确定被确定为设备测量数据的连续测量之间的差异的分布的设备分布“d
dist”；
17.e)确定有效数据测量次数“n
eff”；
18.f)确定被监测设备的故障概率，该确定包括利用机群分布“f
dist”、设备分布“d
dist”、监测设备数据测量次数“n
data”和有效数据测量次数“n
eff”。
19.在一个示例中，在步骤a)中，多个机群测量数据是针对多个设备的，并且其中在步骤c)中，机群分布“f
dist”的确定包括为设备中的每个设备确定连续测量之间的差异。
20.在一个示例中，在步骤e)中，确定有效数据测量次数“n
eff”包括利用机群分布“f
dist”和/或设备分布“d
dist”。
21.在一个示例中，在步骤e)中，有效数据测量次数“n
eff”被全局确定为固定值。该值可以根据实际经验预先选择，也可以使用测量值的分布来确定，即，输入n
fleet
和/或f
dist
的不同设备的机群数据
22.在一个示例中，步骤f)包括：
23.x1)从多个设备测量数据中获取开始测量数据；
24.x2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；
25.x3)从在步骤x2)中选择的分布中选择数据值；以及
26.其中被监测设备的故障概率是根据统计模拟技术确定的，统计模拟技术从在x1中选择的值开始并且使用在多个步骤x3)中选择的连续值。
27.在一个示例中，统计模拟技术是涉及对大量可能的未来路径的模拟的蒙特卡洛方法。
28.在一个示例中，在步骤x2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤a2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
29.在一个示例中，步骤x3)包括从在步骤x2)中选择的分布中随机选择数据值。
30.在一个示例中，步骤f)包括：
31.y1)从多个设备测量数据中获取开始测量数据；
32.y2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；以及
33.其中被监测设备的故障概率的确定包括针对在y1)中确定的初始值和在y2)中确定的分布利用数学上已知的第一通道(passage)分布。
34.在一个示例中，在步骤y2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤y2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测
量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
35.在一个示例中，步骤f)包括：
36.a1)从多个设备测量数据中获取起始测量数据；
37.a2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；
38.a3)从在步骤a2)中选择的分布中选择数据值；
39.a4)确定所计算的设备测量值，所计算的设备测量值被确定为在步骤a3)中选择的数据值加上第一迭代的开始测量值或者被确定为在步骤a3)中选择的数据值加上在第一迭代之后的迭代的现有的所计算的设备测量值；
40.a5)迭代步骤a2)至a4)，直到在一定迭代次数之后，所计算的设备测量值达到阈值，并且其中故障概率的确定包括利用迭代次数以达到阈值。
41.在一个示例中，该方法包括：
42.a6)多次执行步骤a5)，并且其中故障概率的确定包括针对多次执行步骤a5)中的每次，利用迭代次数以达到阈值。
43.在一个示例中，在步骤a2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤a2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
44.在一个示例中，步骤a3)包括从在步骤a2)中选择的分布中随机选择数据值。
45.在一个示例中，步骤f)包括：
46.b1)利用机群分布“f
dist”和设备分布“d
dist”确定组合分布。
47.在一个示例中，组合分布中的数据值被确定为有效数据测量次数乘以机群分布加上监测设备数据测量次数乘以设备分布并且上述整体除以有效数据测量次数和监测设备数据测量次数的总和“(n
eff
*f
dist
n
data
*d
dist
)/(n
eff
n
data
)”。
48.在一个示例中，组合分布中的数据值通过应用统计推断来确定，其中有效数据测量次数“n
eff”和监测设备数据测量次数“n
data”是推断的组成部分。
49.在一个示例中，步骤f)包括：
50.b2)从多个设备测量数据中获取开始测量数据；
51.b3)从在步骤b1)中确定的组合分布中选择数据值；
52.b4)确定所计算的设备测量值，所计算的设备测量值被确定为在步骤b3)中选择的数据值加上第一迭代的开始测量值或者被确定为在步骤b3)中选择的数据值加上在第一迭代之后的迭代的现有的所计算的设备测量值；
53.b5)迭代步骤b3)到b4)，直到在一定迭代次数之后，所计算的设备测量值达到阈值，并且其中故障概率的确定包括利用迭代次数以达到阈值。
54.在一个示例中，该方法包括：
55.b6)多次执行步骤b5)，并且其中故障概率的确定包括针对多次执行步骤b5)中的每次，利用迭代次数以达到阈值。
56.在一个示例中，步骤b3)包括从组合分布中随机选择数据值。
57.在一个示例中，步骤f)包括：
58.d1)确定第一故障概率“prob1”，包括机群分布“f
dist”的利用；
59.d2)确定第二故障概率“prob2”，包括设备分布“d
dist”的利用；
60.d3)确定被监测设备的故障，包括第一故障概率“prob1”和第二故障概率“prob2”的利用。
61.在一个示例中，步骤d1)包括修改合成分布的参数，直到合成分布匹配机群分布“f
dist”，并且其中步骤d2)包括修改合成分布的参数，直到合成分布匹配设备分布“d
dist”。
62.换言之，使用参数方法，即，拟合假定分布的参数，使得其尽可能好地代表机群/设备的经验分布。然后该参数可以用作故障概率的指示。
63.在一个示例中，步骤d3)包括基于有效数据测量次数乘以第一故障概率加上监测设备数据测量次数乘以第二故障概率并且上述整体除以有效数据测量次数和监测设备数据测量次数的总和“(n
eff
*prob1 n
data
*prob2)/(n
eff
n
data
)”来确定组合概率。
64.在第二方面，提供了一种用于设备监测的装置，其中该装置被配置为执行第一方面的方法。
65.根据另一方面，提供了一种控制如前所述的装置或系统的计算机程序单元，当该计算机程序单元由处理单元执行时，该计算机程序单元适于执行如先前所述的方法步骤。
66.根据另一方面，还提供了一种存储有如前所述的计算机单元的计算机可读介质。
67.参考下文描述的实施例，上述方面和示例将变得很清楚并且被阐明。
附图说明
68.下面将参考以下附图描述示例性实施例：
69.图1示出了用于确定设备故障概率的方法的示例；
70.图2示出了用于确定设备故障概率的方法的示例；以及
71.图3示出了用于确定设备故障概率的方法的示例。
具体实施方式
72.图1-图3涉及设备监测方法和装置。一个示例涉及一种设备监测方法。该方法包括：
73.a)为至少一个设备提供多个机群测量数据，其中多个机群测量数据包括机群设备数据测量次数“n
fleet”；
74.b)为被监测设备提供多个设备测量数据，其中多个设备测量数据包括监测设备数据测量次数“n
data”；
75.c)确定被确定为多个机群测量数据的连续测量之间的差异的分布的机群分布“f
dist”；
76.d)确定被确定为设备测量数据的连续测量之间的差异的分布的设备分布“d
dist”；
77.e)确定有效数据测量次数“n
eff”；
78.f)确定被监测设备的故障概率，该确定包括利用机群分布“f
dist”、设备分布“d
dist”、监测设备数据测量次数“n
data”和有效数据测量次数“n
eff”。
79.根据一个示例，在步骤a)中，多个机群测量数据是针对多个设备的，并且其中在步骤c)中，机群分布“f
dist”的确定包括为设备中的每个设备确定连续测量之间的差异。
80.根据一个示例，在步骤e)中，确定有效数据测量次数“n
eff”包括利用机群分布
“fdist”和/或设备分布“d
dist”。
81.根据一个示例，在步骤e)中，有效数据测量次数“n
eff”被全局确定为固定值。
82.根据一个示例，步骤f)包括：
83.x1)从多个设备测量数据中获取开始测量数据；
84.x2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；
85.x3)从在步骤x2)中选择的分布中选择数据值；以及
86.其中被监测设备的故障概率是根据统计模拟技术确定的，统计模拟技术从在x1中选择的值开始并且使用在多个步骤x3)中选择的连续值。
87.根据一个示例，统计模拟技术是涉及对大量可能的未来路径的模拟的蒙特卡洛方法。
88.根据一个示例，在步骤x2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤a2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
89.根据一个示例，步骤x3)包括从在步骤x2)中选择的分布中随机选择数据值。
90.根据一个示例，步骤f)包括：
91.y1)从多个设备测量数据中获取开始测量数据；
92.y2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；以及
93.其中被监测设备的故障概率的确定包括针对在y1)中确定的初始值和在y2)中确定的分布利用数学上已知的第一通道分布。
94.根据一个示例，在步骤y2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤y2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
95.根据一个示例，步骤f)包括：
96.a1)从多个设备测量数据中获取起始测量数据；
97.a2)选择机群分布“f
dist”或设备分布“d
dist”，包括至少一种选择概率的利用；
98.a3)从在步骤a2)中选择的分布中选择数据值；
99.a4)确定所计算的设备测量值，所计算的设备测量值被确定为在步骤a3)中选择的数据值加上第一迭代的开始测量值或者被确定为在步骤a3)中选择的数据值加上在第一迭代之后的迭代的现有的所计算的设备测量值；
100.a5)迭代步骤a2)至a4)，直到在一定迭代次数之后，所计算的设备测量值达到阈值，并且其中故障概率的确定包括利用迭代次数以达到阈值。
101.根据一个示例，该方法包括：
102.a6)多次执行步骤a5)，并且其中故障概率的确定包括针对多次执行步骤a5)中的每次，利用迭代次数以达到阈值。
103.根据一个示例，在步骤a2)中，选择机群分布“f
dist”的概率基于有效数据测量次数除以有效数据测量次数和监测设备数据测量次数的总和“n
eff
/(n
eff
n
data
)”来计算，并且其中在步骤a2)中，选择设备分布“d
dist”的概率基于监测设备数据测量次数除以有效数据测
量次数和监测设备数据测量次数的总和“n
data
/(n
eff
n
data
)”来计算。
104.根据一个示例，步骤a3)包括从在步骤a2)中选择的分布中随机选择数据值。
105.根据一个示例，步骤f)包括：
106.b1)利用机群分布“f
dist”和设备分布“d
dist”确定组合分布。
107.根据一个示例，组合分布中的数据值被确定为有效数据测量次数乘以机群分布加上监测设备数据测量次数乘以设备分布并且上述整体除以有效数据测量次数和监测设备数据测量次数的总和“(n
eff
*f
dist
n
data
*d
dist
)/(n
eff
n
data
)”。
108.根据一个示例，组合分布中的数据值通过应用统计推断来确定，其中有效数据测量次数“n
eff”和监测设备数据测量次数“n
data”是推断的组成部分。
109.根据一个示例，步骤f)包括：
110.b2)从多个设备测量数据中获取开始测量数据；
111.b3)从在步骤b1)中确定的组合分布中选择数据值；
112.b4)确定所计算的设备测量值，所计算的设备测量值被确定为在步骤b3)中选择的数据值加上第一迭代的开始测量值或者被确定为在步骤b3)中选择的数据值加上在第一迭代之后的迭代的现有的所计算的设备测量值；
113.b5)迭代步骤b3)到b4)，直到在一定迭代次数之后，所计算的设备测量值达到阈值，并且其中故障概率的确定包括利用迭代次数以达到阈值。
114.根据一个示例，该方法包括：
115.b6)多次执行步骤b5)，并且其中故障概率的确定包括针对多次执行步骤b5)中的每次，利用迭代次数以达到阈值。
116.根据一个示例，步骤b3)包括从组合分布中随机选择数据值。
117.根据一个示例，步骤f)包括：
118.d1)确定第一故障概率“prob1”，包括机群分布“f
dist”的利用；
119.d2)确定第二故障概率“prob2”，包括设备分布“d
dist”的利用；
120.d3)确定被监测设备的故障，包括第一故障概率“prob1”和第二故障概率“prob2”的利用。
121.根据一个示例，步骤d1)包括修改合成分布的参数，直到合成分布匹配机群分布“f
dist”，并且其中步骤d2)包括修改合成分布的参数，直到合成分布匹配设备分布“d
dist”。
122.根据一个示例，步骤d3)包括基于有效数据测量次数乘以第一故障概率加上监测设备数据测量次数乘以第二故障概率并且上述整体除以有效数据测量次数和监测设备数据测量次数的总和“(neff*prob1 ndata*prob2)/(neff ndata)”来确定组合概率。
123.由上可知，可以配置一种装置来执行上述方法，从而提供一种设备监测装置。
124.因此，在模拟/确定未来演变之前，两个数据(机群数据和设备)的合并直接发生在过程特性的确定中。另一优点是，非同质数据(设备数据/故障速率数据)的组合适用于混合模型。
125.回想一下，退化变量x的未来演变的模拟或计算需要对基础过程有很好的理解，而基础过程通常不是确定性的，而是具有随机性的。这种潜在随机过程的属性可能因设备而异，并且特别是需要使用这些个体属性以便与纯机群或整体统计方法相比改进预测。另一方面，特别是对于新设备，只有非常有限的数据可用，并且因此基础过程的确定通常非常不
确定。这已经在本方法中使用来自机群的知识(“先验知识”)与设备数据相结合以改进预测来解决。随着时间的推移和设备数据量的增加，机群数据的相关性逐渐被替换为更好的设备数据。
126.此处描述的开发方法以一致的方式组合机群数据和设备数据，并且选择可以指定机群数据与设备数据相比应当信任多少的参数。此外，统计数据(来自服务报告、耐久性测试、维护评估等)可以与机群数据/设备数据相结合以并行使用，以提高预测的准确性和预测算法的稳健性，尤其是在一开始个体数据量并不大时。
127.因此，总而言之，混合策略用于确定过程的特性，而不是在生命周期概率分布上组合它们，这是经常使用的。在这种新方法中，通用/机群概率分布与来自设备的概率分布以预定方式混合，该预定方式以预定方式改变每个模型的权重或重点。在此，在模拟/确定未来演变之前，两个数据的合并直接发生在过程特性的确定中。这允许采用数学上更一致的方法，并且具有基于设备数据以动态方式捕获与一般行为的偏差的优点。另一优点是，非同质数据(设备数据/故障速率数据)的组合适用于混合模型。这使得能够更精确地预测设备的剩余寿命，从而使得客户能够更好地规划服务和维护，并且在故障发生之前发现问题。为了在设备运行的初始阶段提供预期寿命，使用机群数据，但是随着更多设备数据可用，机群数据的相关性逐渐降低，使得机群数据不会妨碍未来的预测。
128.更详细地说，退化变量x(t)或x_i正在考虑中，并且特别感兴趣的是退化变量x(t)或x_i的时间演变，即，设备的参数或变量如何随时间变化，直到它达到临界值，然后将其定义为设备的“故障”。因此，与本公开参考分布和参数相关，这些描述了这个时间演变。
129.作为一个具体示例，正在观察(或测量)的变量通常是与设备的操作相关的变量：定时信息(即，例如完全打开或关闭设备(诸如断路器)所需要的时间)、有关特定部件在特定时间、距离的速度的信息，例如相对于正常操作或弹跳水平的过冲。其他变量可能是物理属性，例如弹簧中存储的能量、气室内的压力、特定频率下某些(声学)信号的幅度等。在其他领域，这可能是电池容量、电阻值等。重要的一点是，这些对应于设备的状态，例如与温度、电流、外部振动等外部变量形成对比。
130.通常，这些变量的时间演变是通过查看它们的两个连续测量的差异来描述的。这里，如果变量(如定时信息)只能在这个操作期间观察到，则连续可以表示两个连续操作，或者如果变量(如容器内的压力)可以独立测量，连续可以表示具有固定时间间隔。由于该过程在大多数情况下不是确定性类型，因此需要将其描述为随机过程，即，给定(直到)现在的(多个)值，需要指定下一测量的值的分布。这就是所指的分布f(dist)。它是连续测量的差异的分布，例如，deltatx_i＝(x_i-x_(i-1))。类似地确定被监测设备的分布d(dist)。
131.关于与被监测设备的个体数据相关的机群数据，退化变量的时间演变是一个设备特定过程，也就是说，没有两个设备会表现相同。这是由于过程本身的随机性(即，使是相同的设备也不会表现相同)，也因为定义过程动态的参数会有所不同(有些设备会比其他设备具有更强的趋势，有些设备会有比其他设备具有更大的分散)。然后，设备机群会告诉我们有关“平均”或“预期”参数或分布的一些信息。如果没有来自被监测设备的更多信息可用，则这是可以使用的最佳信息。另一方面，如果已经测量了被监测设备的大量操作，则可以分析这些操作以获取个体设备(诸如断路器)的参数或分布。这是另一极端，并且当前描述的方法使得能够实现从一个到另一个的逐渐转变。
132.因此，分析来自可能大量设备的机群数据(即，大量数据)以确定退化变量的分布f(dist)。由于有大量数据称为n(fleet)，这是“真实”分布的准确表示。然后进行分析以确定有效观察次数neff。因此，这种“真实”分布与“平均”或“预期”分布或参数有关。neff可以来自于此，它不等于总测量次数，也可以是固定的。
133.然后，对于被监测设备，有一个设备的设备数据(称为n(data))(其中该设备类似于提供机群数据的一个或多个设备)，并且对于这些设备，没有太多数据，但数据量越来越大。分析该数据以确定退化变量的分布d(dist)。然而，由于数据不多，特别是在设备生命周期的初始阶段，分布不太好并且很难用它来确定故障概率(pof)或剩余使用寿命(rul)。然而，数据一直在增加，因为随着时间的推移，从越来越多的操作中获取了更多数据。因此，如上所述，仅考虑该数据，这是d(dist)。
134.通常，“观察”次数(即，对整个机群进行的测量次数)远大于个体设备的数目。因此，在一个简单的组合中，被监测设备的数据将压倒来自机群的数据，并且永远不会看到来自设备本身的数据。因此，有必要降低机群数据的重要性。在本方法中，这是通过利用neff作为“有效”观察次数来实现的。
135.计算neff的一种方法是比较机群的整体可变性，看看这与设备的整体可变性相比如何，因为只观察到有限次数ndata测量。如果两者的大小相同(假定设备的整体可变性随n减小)，则这称为neff。另一种表达方式是作为贝叶斯解释中的先验知识。设备投入运行前的知识不为零。这可以基于机群的知识，但仍然要记住，个体可能与普通个体有很大不同。在贝叶斯统计中，知识量可以表示为实验次数，这些实验假定是为了获取设备的当前知识而进行的。虽然这些是更多的数学概念，但实际上也可以选择neff的固定值作为一个值，其中有关机群的信息变为与来自设备测量的信息同等重要。
136.开发的预后分析的目的是了解退化变量的未来演变。由于这是一个随机过程，因此这不是确定性演变，而是需要用概率分布来描述。pof就是这样一种分布。它记录了退化变量在未来超过某个(预定义)限制的概率。随着过程越来越偏离当前值，随着时间的推移，这种可能性会增加，直到设备出现故障，其中概率为1。
137.通常有两种计算pof的方法：在已知过程的情况下，例如所谓的维纳过程，存在可以用于直接计算pof的解析表达式。一种更通用、也更直观的方法是使用蒙特卡罗方法：这里，从当前值x_i开始，然后从分布中随机绘制增量\delta x_(i 1)以获取下一值x_(i 1)＝x_1 \delta x_(i 1)。再次重复该操作，并且获取退化变量在未来可能采用的一种可能路径。这些步骤可以重复，直到达到障碍(阈值)，即临界值。然后，可以获取这条路径的故障时间t_fail。总的来说，这然后重复了很多次。由于随机性，每条路径都会略有不同。因此，总体上确定了大量可能的故障时间。这些的直方图就是预测的pof。
138.因此，利用有效观察次数neff和被监测设备的观察ndata来组合机群数据d(fleet)和被监测设备数据d(dist)的退化变量的变化的分布。有多种方法可以做到这一点，如下文更详细的解释。
139.图1示出了一种方法，该方法使用机群和设备数据的统计组合。收集机群数据并且将其转换为分布f(\delta)，也称为f(dist)，它描述了获取特定值的概率。使用到目前为止来自设备d(\delta)、也称为d(dist)的所有可用数据来完成相同的操作。为了将两者结合起来，需要完成一个两步过程。第一过程以一定概率随机地选择两个分布中的一个，该概率
计算为neff、设备数据和机群数据的函数，在最简单的情况下为neff和ndata的函数。然后将该组合分布用作计算退化变量x的进一步演变的基础(例如，使用蒙特卡罗方法)。由此获取故障时间的分布，即，pof(t)和从其中导出的所有其他kpi。
140.因此，以随机方式从每个分布中进行选择。假定f(dist)和d(dist)都是已知分布的形式，因此可以从它们中的每个中采样\delta x_i的值(或者因为它们是直方图的形式，或者因为知道如何从分布中抽取随机数)。然后设置一个两步过程：
141.首先，随机选择两个分布中的哪个。选择f的概率应当是neff/(neff ndata)，选择d的概率应当是ndata/(neff ndata)；
142.然后,从f(dist)或d(dist)中选择增量\delta x。更新该值并且重复该过程以生成大量可能的路径，直到故障。
143.在蒙特卡罗模拟期间，neff和ndata的值保持固定，因为它们代表当前数据量。
144.这种两步法是一种可能的方法，因为它相当灵活和通用。但当然，也可以选择其他方法。如果分布以直方图形式近似，则可以通过添加密度来将这些分布组合成公共直方图作为(neff*f(dist) ndata*d(dist))/(neff ndata)。
145.图2示出了一种与组合基础统计分布的参数相关的方法。在第一步中，确定从机群数据中推断出的参数分布，在第二步中，对被监测设备数据进行同样的处理。该参数的分布同时体现了值和确定性。通常，机群数据的确定性并不是真正有用，因为它体现了设备特定变化。因此，改为使用neff来构建分布，该分布体现了对机群参数的最佳估计以及与在设备上进行的有效测量次数的结果相对应的假定确定性。在最后一步，例如使用贝叶斯推理将这两者组合为单个分布。在大多数情况下，这是通过在给定机群和数据两者的情况下计算最佳参数值来完成的。然后将其用作进一步计算时间演变的基础或用于直接获取pof分布。
146.因此，使用参数统计方法，其中分布f(dist)作为某个函数f(\theta_fleet)并且d(dist)作为某个函数f(\theta_data)给出，并且通过应用统计推断，例如贝叶斯统计，可以将\theta_fleet和\theta_data组合成一个公共\theta_combined。在这种组合中，neff和ndata是推理的组成部分。
147.因此，参数是一个值，它描述退化变量的分布(连续退化变量的差异)。例如，用于随机过程的一个非常常见的模型是维纳过程。其中一个描述了正态分布的增量，即，假定每个\delta x_i来自相同的正态分布。为了指定正态分布，一方面需要平均值mu，mu对应于路径的漂移，另一方面需要标准偏差sigma，sigma描述了围绕该漂移的变化。均值和标准差是这种情况下需要的两个参数，因此需要确定。在蒙特卡洛方法中，然后有一种正态分布，其参数由机群确定，有另一种正态分布，其参数由迄今为止被监测设备的测量确定。然后，从它们中的每个中提取数据。这就是图1中示出的内容(假定使用直方图而不是正态分布)。在图2中，示出了不同的方法。这里，增量取自正态分布，其中均值和标准差是机群参数和设备值的组合。作为最简单的示例，可以使用加权平均值：
148.mu＝(neff mu_fleet ndata mu_data)/(neff ndata)，
149.sigma^2＝(neff sigma_fleet^2 ndata sigma_data^2)/(neff ndata)
150.统计学中当然有关于如何组合它们的更复杂的方法，这只是该方法的一个说明。
151.图3示出了一种方法，其中组合不是在退化变量的时间演变水平上完成的，而是在pof上完成的。分析机群数据并且从中导出pof。这可以使用蒙特卡罗方法或其他方法来完
成，例如，通过直接分析故障时间分布。在第二步中，计算仅考虑设备测量的设备的pof的估计。然后在两个pof级别完成这两者的组合，其中再次根据neff、机群和设备数据计算选择这两者中的一个的概率。
152.需要注意，在图1和图3中，示出了p_fleet＝f(data，fleet)和p_data＝1-f(data，fleet)，它们是选择机群或数据分布的概率。这些概率，也被称为prob1和prob2。它们用于选择如图1中的直方图所示的组合分布中的f_dist或d_dist或者用于选择图3中的故障概率分布pof_fleet(t)或pof_data(t)。
153.因此，在非参数方法中，两个数据的合并将以下列方式发生：机群数据和设备数据都被收集并且用于推断退化变量的变化的分布，例如使用直方图或经验累积分布函数(ecdf)作为基础。机群数据更多，因此更接近平均设备的真实分布，而在初始阶段监测的设备只能基于所做的少数观察并且直方图相当不确定。然后使用这两个分布来模拟被监测设备的未来演变。为此，基于附加参数(neff)合并两个分布，该参数被设置以基于假定机群数据所对应于的“有效观察次数”来对两个输入进行加权。然后从两个直方图中得出退化变量的未来变化，其概率取决于neff和设备的观察次数ndata的比率。这样，可以保证从机群到设备数据的逐渐转变，其中设备的较大偏差已经在模拟的早期考虑在内。替代地，概率不需要基于此，但可以基于“拟合优度”标准来完成，该标准比较设备数据的属性与机群数据的属性的相似程度(例如，使用kolmogorov smirnov测试标准或类似的分布测试)。以这种方式，在特定设备与平均或机群行为有很大差异的情况下，设备数据被用于更快地切换。
154.然而，在参数方法中，两个数据的合并是在参数级别完成的。从机群数据可以确定第一参数分布。由于有大量可用数据(nfleet)，因此可以相当准确地确定这种情况下的(平均)参数。该分布也是静态的或通常仅定期更新。从设备数据可以确定第二参数分布。由于数据量(ndata)较少，因此相当不确定。使用当应用于个体设备时被认为是机群数据的准确性的典型值的有效观察数(neff)作为附加输入，确定参数的先前机群数据分布。在第三步中，将这两个分布组合起来，并且由此确定连接参数，该参数可以被看作是加权值。通过使用两个参数分布，自动实现基于这两者的一致性或现场数据与机群数据相比的准确性的相对加权。最后，通过模拟或分析计算该退化变化分布的第一通道时间分布，将该连接参数用作预测未来演变的基础。
155.然而，在另一方法中，有两个不同数据源(设备/机群数据和统计故障速率数据)的组合，并且两个不同模型并行应用。将特定加权函数应用于两个模型的kpi，以便rul和pof具有公共kpi。
156.因此总结如下：
157.1.使用机群数据得到退化模型内的变量的变化的分布；
158.替代地，这个第一分布也可以来自专家评估；
159.2.在线获取设备数据，直到当前点，并且将其用于获取表示退化模型内的变量的预期变化的第二分布；
160.3.使用附加参数进行加权假定机群数据适用于个体设备的程度。这可以是有效测量点数的形式。
161.4.这两个分布合并为一个组合，其中每个部分的相对权重以某种方式选择，即，通过附加测量增加知识导致从通用机群分布转变为设备特定分布；
162.5.通过模拟或其他数值/分析工具来计算退化变量的未来演变、特别是其关于一个或多个临界值的通道的分布。
163.因此，总体而言，在系统生命周期的开始阶段，来自传感器的设备数据很少，因此统计数据kpi更加重要(它们具有递减的加权函数)。在生命周期中，会为被监测设备收集更多数据，并且设备数据中的kpi会增加其在结果中的权重。
164.因此，在详细的工作流程中，该过程从机群数据开始，其中使用统计参数估计技术来确定基础分布的参数的最佳选择。mle(最大似然估计)是一种非常常见的方法。该模型中的三个参数与neff一起使用以构建先验分布，即，不仅仅是三个参数的单个值，而是整体分布。neff可以直接用于该模型的特征中的一个。
165.此外，还有设备数据(例如，断路器)。在贝叶斯方法中，先验数据与测量的可能性相结合以获取后验分布(这是贝叶斯方法的核心)。这是组合步骤。从这个后验分布中再次选择一个值，并且调用一个过程。所以这会产生三个值，它们是分布的组合参数。
166.为了使用这些值来计算pof和其他kpi，如rul，有两种可能的方法，在这种情况下这两种方法都是可能的：这可以通过蒙特卡罗模拟来完成，并且当这些模拟跨越障碍时，可以构建pof。替代地，在这种情况下，存在一个直接到达pof的解析表达式。
167.在另一示例性实施例中，提供了一种计算机程序或计算机程序单元，其特征在于被配置为在适当系统上执行根据前述实施例中的一个的方法的方法步骤。
168.因此，计算机程序单元可以存储在计算机单元上，该计算机单元也可以是实施例的一部分。该计算单元可以被配置为执行或诱导执行上述方法的步骤。此外，它可以被配置为操作上述装置和/或系统的组件。计算单元可以被配置为自动操作和/或执行用户的命令。计算机程序可以加载到数据处理器的工作存储器中。数据处理器因此可以被配备为执行根据前述实施例中的一个的方法。
169.根据本发明的另一示例性实施例，提供了一种计算机可读介质，诸如cd-rom，其中该计算机可读介质具有存储在其上的计算机程序单元，该计算机程序单元在前面的部分中进行了描述。
170.虽然已经在附图和前述说明中详细说明和描述了本发明，但是这样的说明和说明被认为是说明性的或示例性的而不是限制性的。本发明不限于所公开的实施例。通过研究附图、公开内容和从属权利要求，本领域技术人员在实践要求保护的发明时可以理解和实现对所公开的实施例的其他变化。