CN110276385B - 基于相似性的机械部件剩余使用寿命预测方法 - Google Patents
基于相似性的机械部件剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN110276385B CN110276385B CN201910502385.4A CN201910502385A CN110276385B CN 110276385 B CN110276385 B CN 110276385B CN 201910502385 A CN201910502385 A CN 201910502385A CN 110276385 B CN110276385 B CN 110276385B
- Authority
- CN
- China
- Prior art keywords
- reference sample
- similarity
- prediction
- degradation
- service life
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000006731 degradation reaction Methods 0.000 claims abstract description 66
- 239000013074 reference sample Substances 0.000 claims abstract description 65
- 230000015556 catabolic process Effects 0.000 claims abstract description 62
- 230000036541 health Effects 0.000 claims abstract description 35
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 26
- 239000000523 sample Substances 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 abstract description 15
- 238000003672 processing method Methods 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 description 20
- 230000004927 fusion Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000009661 fatigue test Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical group [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 229940029329 intrinsic factor Drugs 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及设备维修预测技术领域，具体地说，涉及一种基于相似性的机械部件剩余使用寿命预测方法。其包括如下步骤：步骤S1、特征提取；步骤S2、健康指标构建；步骤S3、相似性匹配；步骤S4、参考样本匹配退化轨迹的剩余使用寿命；步骤S5、建立参考样本的剩余使用寿命的权重函数；步骤S6、参考样本匹配退化轨迹的退化速率；步骤S7、建立参考样本的退化速率的影响函数；步骤S8、获取预测对象的剩余使用寿命。本发明能够较佳地对现有基于相似性方法对剩余使用寿命RUL进行预测的处理方法进行优化，其能够较佳地适用于机械部件的剩余使用寿命预测。
Description
技术领域
本发明涉及设备维修预测技术领域，具体地说，涉及一种基于相似性的机械部件剩余使用寿命预测方法。
背景技术
目前，许多企业仍然采用“传统的”基于时间的维修(简称TBM)策略，TBM是指完全根据设备使用时间制定的预防性维修，其连续维修间隔一般为固定值，由设备制造商预先设定。通过该种策略，只需要根据设备的运行时间制定维护计划就可以了，故而容易实现。但是，如果在进行预防性维修时设备仍然处于良好的健康状态，则会造成维修资源的不必要浪费；而如果机器的损坏速度比预期的要快，则设备可能在下一次预防性维修执行前就已经发生故障停机。
由于监视、存储和数据分析等技术的发展，基于状态的维修(简称CBM)策略已逐步成为企业优化生产管理的重要手段。CBM是指在设备出现了明显的劣化后实施的维修，而状态的劣化是由被监测的机器状态参数变化反映出来的。CBM策略执行的前提是可靠地预测设备当前时刻的剩余使用寿命(简称RUL)，从而为设备管理者精准地制定生产和维修计划提供有价值的信息。其中，剩余使用寿命RUL是指，部件或子***从当前时刻到功能失效之间能够维持正常工作的时间长度。
剩余使用寿命RUL的预测在实现基于状态的维修CBM中，为提高可靠性、降低成本的关键技术，在现代工业中有着重要的意义。现有CBM策略中，通常基于相似性的方法对剩余使用寿命RUL进行预测，其虽然能够具有良好的长期预测性能，但其预测精度受参考样本的实例数量以及其与预测对象的相似程度的影响较大。
基于相似性的方法是一种常见的基于数据驱动的方法，其核心思想是相似的输入通常产生相似的输出，方法实现流程如图1所示，其主要优点是不需要任何假设来建立退化模型，并且只需要少量的相似样本就可以根据参考样本与预测对象之间的相似程度来实现剩余使用寿命RUL的预测。其主要计算方程为
其中，
是指预测对象的预测剩余使用寿命RUL，τte为预测对象的当前时刻，
是参考样本中与预测对象当前时刻的状态最相似的时刻,ruli则是参考样本对应
时刻时的真实剩余使用寿命RUL，ω是根据参考样本与预测对象退化状态相似程度计算得到的权重系数。
尽管多种研究均验证了传统的相似性方法预测剩余使用寿命RUL的预测精度，但是其仍然具有缺陷。其缺陷的一个表现方面为，各个参考样本匹配轨迹的真实RUL都偏离预测对象的真实RUL，且互不相同，特别是当这些差异很明显时，这可能导致预测结果更偏离实际值；并且，预测结果将不可避免地落入由所有最匹配的HI片段构成的数值边界内。其中，HI指健康指标序列，是可以反映部件或子***运行功能健康程度的某种时间序列数据，其为在时间轴上的离散集。例如，假设预测对象的实际RUL为A，所有最匹配的HI片段的RUL的最小值为B，最大值为C，那么区间【B，C】则构成了一个数值边界，使得预测结果必将约束在这个范围内，即B≤预测结果≤C。但实际值A可能不属于区间【B，C】之内，这使得预测结果与实际值A之间存在很大偏差，误差过大可能达不到执行CBM的要求。而且，根据公式
可以看出，每个参考样本根据权重的不同都在预测中占有相当的比重,由于每个最匹配的HI片段的真实RUL都偏离预测对象的真实RUL，故预测结果也不可避免地偏离实际值，特别是当参考样本的数量很小时。这通常是由于物理个体之间的物理差异和运行条件差异造成的，前者是内在因素，后者是外在因素。而这些影响是难以直接量化的，但它们会反映在退化过程中，影响退化速率，这是对潜在失效机理的一种解释。
参照图2，其给出了两个HI轨迹(也即退化轨迹)，其中样本1为预测对象的轨迹，而样本2则是某个参考样本的轨迹，假设它们的初始状态和初始时间都定义为0，故t1对应样本1的当前时间，t2则对应样本2中与样本1当前状态最相似的时间。但即使得到了最匹配的HI片段，它们的实际RUL彼此之间也有很大的不同，它们的退化速率也是如此。此外，由于机械***的退化过程通常是不可逆的，退化速率快往往意味着RUL小，而退化速率慢则相反(如速率1>速率2，但RUL1<RUL2)。因此，在基于相似度的预测过程中考虑不同退化速率的影响具有重要意义，而传统的相似性算法中，通常并未对引入退化速率的影响。
发明内容
本发明提供了一种基于相似性的机械部件剩余使用寿命预测方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的基于相似性的机械部件剩余使用寿命预测方法，其包括如下步骤：
步骤S1、特征提取；
步骤S2、健康指标构建；
步骤S3、相似性匹配；
步骤S4、参考样本匹配退化轨迹的剩余使用寿命；
步骤S5、建立参考样本的剩余使用寿命的权重函数；
步骤S6、参考样本匹配退化轨迹的退化速率；
步骤S7、建立参考样本的退化速率的影响函数；
步骤S8、获取预测对象的剩余使用寿命。
通过本发明的方法，能够较佳地对现有基于相似性方法对剩余使用寿命RUL进行预测的处理方法进行优化，其能够在现有方法引入权重函数的基础上，将参考样本和预测对象的匹配退化轨迹的退化速率差异进行处理，建立退化速率影响函数，从而即使参考样本的退化轨迹与预测对象之间差异较大，也可以为预测对象的RUL预测提供较为准确的信息，进而能够较佳地解决现有方法性能依赖于样本实例的问题，提高了长期预测的准确性，为企业管理者制定长期运维计划提供较精准依据。
作为优选，步骤S1中，包括对参考样本和预测对象的特征提取。从而能够较佳地获取能够反映机械部件的性能退化状态的物理或统计指标。
作为优选，步骤S2中，包括对参考样本和预测对象的健康指标的构建；其包括特征选择和特征融合，通过特征选择，能够剔除不相关或冗余的特征，从而达到减少特征个数，简化预测模型结构，提高预测模型精确度的目的。通过特征融合，能够将选定的特征进行数学融合，形成适用于基于相似性方法的一维健康指标。
作为优选，步骤S3中采用欧式距离作为相似性计算函数，对参考样本与预测对象的健康指标进行相似性匹配；其具体包括如下步骤，
步骤S3.1、基于欧式距离对预测对象与各参考样本的健康指标序列进行逐点距离计算，计算公式为，
其中，α为权重系数，
为参考样本i在τi-n+j时刻的健康指标值，
为预测对象在τte-n+j时刻的健康指标值，τte为预测对象的健康指标轨迹的当前时刻；
步骤S3.2、以参考样本与预测对象间距离最小的轨迹为匹配轨迹，计算公式为，
通过步骤S3.1和步骤S3.2，能够较佳地实现对预测对象与参考样本间的退化轨迹的较佳匹配。
作为优选，步骤S4中采用公式
计算各参考样本匹配退化轨迹的真实剩余使用寿命，其中，Δt为两个连续健康指标值之间的最小时间间隔，
为参考样本i的整个使用寿命长度，
为参考样本i与预测对象当前时刻最匹配的时间点。从而能够较佳地获取参考样本匹配退化轨迹的真实剩余使用寿命。
作为优选，步骤S5具体包括如下步骤，
步骤S5.1、根据步骤S3.2中获取的
计算相似性分数Si，计算公式为，
步骤S5.2、根据相似性分数Si分配各参考样本的权重，计算公式为
从而能够较佳地根据相似度程度，对权重进行分配。
作为优选，步骤S6中采用衡量整体退化趋势的平均速率来表示***当前的退化速率，其计算公式为，vτ(τ)＝(xτ-x0)/τ、τ＝1，...，τF；其中，τ是匹配轨迹的最新时间，x0是每个健康指标序列的初始值。从而能够较佳地引入退化速率因素。
作为优选，步骤S7中，确定退化速率影响函数ψ(·)，通过
将各匹配轨迹与预测对象之间退化速率差异的影响量化，其计算公式为，
作为优选，步骤S8中，预测对象的剩余使用寿命的计算公式为，
附图说明
图1为现有预测方法的流程示意图；
图2为现有预测方法所存在的缺陷示意图；
图3为实施例1中的预测方法的流程示意图；
图4为Lu和Meeker的疲劳裂纹扩展数据中裂纹尺寸随时间变化的示意图；
图5为采用传统方法和实施例1中的方法对案例13的全生命周期进行RUL预测的结果示意图；
图6为采用传统方法和实施例1中的方法对案例14的全生命周期进行RUL预测的结果示意图；
图7为采用传统方法和实施例1中的方法对案例15的全生命周期进行RUL预测的结果示意图；
图8为采用传统方法和实施例1中的方法对案例16的全生命周期进行RUL预测的结果示意图；
图9为采用传统方法和实施例1中的方法对案例17的全生命周期进行RUL预测的结果示意图；
图10为采用传统方法和实施例1中的方法对案例18的全生命周期进行RUL预测的结果示意图；
图11为采用传统方法和实施例1中的方法对案例19的全生命周期进行RUL预测的结果示意图；
图12为采用传统方法和实施例1中的方法对案例20的全生命周期进行RUL预测的结果示意图；
图13为采用传统方法和实施例1中的方法对案例21的全生命周期进行RUL预测的结果示意图；
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
本实施例提供了一种基于相似性的机械部件剩余使用寿命预测方法，其能够较佳地对现有基于相似性方法对剩余使用寿命RUL进行预测的处理方法进行优化，其能够在现有方法引入权重函数的基础上，将参考样本和预测对象的匹配退化轨迹的退化速率差异进行处理，建立退化速率影响函数，从而即使参考样本的退化轨迹与预测对象之间差异较大，也可以为预测对象的RUL预测提供较为准确的信息，进而能够较佳地解决现有方法性能依赖于样本实例的问题，提高了长期预测的准确性，为企业管理者制定长期运维计划提供较精准依据。
结合图3所示，为本实施例的基于相似性的机械部件剩余使用寿命预测方法的流程示意图，其包括如下步骤。
步骤S1、特征提取；
该步骤中，包括对每个参考样本和预测对象的特征提取，从而获取能够反映机械部件的性能退化状态的物理或统计指标。该步骤与现有方法中采用的方法相同，本实施例中不予赘述。
步骤S2、健康指标构建；
该步骤中，包括对参考样本和预测对象的健康指标的构建。
其包括特征选择和特征融合，通过特征选择，能够剔除不相关或冗余的特征，从而达到减少特征个数，简化预测模型结构，提高预测模型精确度的目的。通过特征融合，能够将选定的特征进行数学融合，形成适用于基于相似性方法的一维健康指标。该步骤中所构建的健康指标(HI)，也即健康指标序列(HI序列)，其为一段离散的时间序列。该步骤与现有方法中采用的方法相同，本实施例中不予赘述。
步骤S3、相似性匹配；
该步骤包括相似性计算函数选择、相似性计算和确定匹配轨迹。通过相似性计算函数选择，选择能准确衡量参考样本与预测对象退化轨迹相似性程度的方法，如欧氏距离、余弦距离等。通过相似性计算，能够对步骤S2中构建的健康指标进行匹配，得出参考样本退化轨迹中全生命周期与预测对象当前时刻的相似性程度。通过确定匹配轨迹，相似性程度最高的一段退化轨迹(即一段健康指标序列)即为执行RUL预测所需的匹配退化轨迹。
步骤S4、参考样本匹配退化轨迹的剩余使用寿命；
该步骤中，根据步骤S3获取的参考样本匹配退化轨迹，计算已匹配轨迹各自的真实RUL。
步骤S5、建立参考样本的剩余使用寿命的权重函数；
该步骤中，根据步骤S3计算得到的相似性值，为各个参考样本匹配轨迹的真实RUL分配权重。
步骤S6、参考样本匹配退化轨迹的退化速率；
该步骤中，计算各参考样本匹配轨迹和预测对象当前时刻的退化速率。
步骤S7、建立参考样本的退化速率的影响函数；
该步骤中，通过退化速率影响函数，修正各匹配轨迹真实RUL与预测对象当前时刻RUL的潜在差异。
步骤S8、获取预测对象的剩余使用寿命。
该步骤中，通过对各参考样本匹配轨迹的真实RUL进行修正后，加权计算得到预测对象的RUL的估计值。
本实施例中，步骤S3中采用欧式距离作为相似性计算函数，对参考样本与预测对象的健康指标进行相似性匹配；两者之间距离越小，则两者越相似。其具体包括如下步骤，
步骤S3.1、基于欧式距离对预测对象与各参考样本的健康指标序列进行逐点距离计算，计算公式为，
其中，α为权重系数，
为参考样本i在τi-n+j时刻的健康指标值，
为预测对象在τte-n+j时刻的健康指标值，τte为预测对象的健康指标轨迹的当前时刻；α为权重系数在分配时，能够按照经验赋予越近时刻越多的权重。
其中，选取一段n-long片段作为预测对象的预测片段，n-long片段即时间窗长度为n的一段时间序列，也即预测对象在当前时刻t至t-n+1时刻的健康指标序列。
步骤S3.2、以参考样本与预测对象间距离最小的轨迹为匹配轨迹，目的在于找到参考样本中与预测对象当前状态最接近的健康指标轨迹，计算公式为，
本实施例中，步骤S4中采用公式
计算各参考样本匹配退化轨迹的真实剩余使用寿命，其中，Δt为两个连续健康指标值之间的最小时间间隔，
为参考样本i的整个使用寿命长度，
为参考样本i与预测对象当前时刻最匹配的时间点。
本实施例中，步骤S5具体包括如下步骤，
步骤S5.1、根据步骤S3.2中获取的
计算相似性分数Si，计算公式为，
步骤S5.2、根据相似性分数Si分配各参考样本的权重，计算公式为
本实施例中，步骤S6中采用衡量整体退化趋势的平均速率来表示***当前的退化速率，其计算公式为，vτ(τ)＝(xτ-x0)/τ、τ＝1，...，τF；其中，τ是匹配轨迹的最新时间，x0是每个健康指标序列的初始值。
其中，N为参考样本总数，i＝1，...，N；预测对象在τte时刻的退化速率Vτ为Vte(τte)，参考样本i在
时刻的退化速率Vτ为
本实施例中，步骤S7中，确定退化速率影响函数ψ(·)，通过
将各匹配轨迹与预测对象之间退化速率差异的影响量化，其计算公式为，
本实施例中，步骤S8中，预测对象的剩余使用寿命的计算公式为，
本实施例中，通过将退化速率差异的影响量化，解决了现有基于相似性方法对于样本实例数量的依赖问题和其受参考样本与预测对象之间相似性程度影响的问题，具有更为准确的长期预测信息。本实施例能够较佳地适用于机械部件的剩余使用寿命预测。
本实施例中，采用来自Lu和Meeker的疲劳裂纹扩展数据来验证所提方法的性能。该数据中，研究人员对超过12万次疲劳试验的21例裂纹的尺寸进行了监测，所有裂纹均从0.9英寸开始，当裂纹尺寸达到1.6英寸时，假定失效。也即，当裂纹达到1.6英寸时，疲劳试验终止；当裂纹经过12万次循环后，疲劳试验终止。
图4中给出了该数据中裂纹尺寸随时间变化的测量结果，图3中的横轴表示弯折次数、单位为百万，纵轴表示裂纹尺寸、单位为英寸。在这21个案例中，有12个失效案例(case1，……case12，图中圆点折线表示)，其能够作为训练数据；而其余案例(case13，……case21，图中星状点折线表示)，其能够作为测试数据。
本实施例中，采用均方根误差(RMSE)和平均绝对百分误差(MAPE)两种准则评价本实施例的方法。
其中，RMSE的计算方式如下：
其中，MAPE的计算方式如下：
其中，采用传统方法和本实施例所提方法对测试样例在截断时间进行RUL预测，结果如表1所示。
表1测试样例在第12万次时的RUL预测结果
此外，分别用传统方法和本实施例所提方法对所有测试样例的全生命周期进行RUL预测，完整的实验结果如图5-13所示。图5-13中，圆点实折线表示每个案例实际的剩余使用寿命，星状点实折线表示采用本实施例的方法对每个案例预测的剩余使用寿命，星状点虚折线表示采用传统方法对每个案例预测的剩余使用寿命。
通过表1和图5-13中的结果表明，相比于传统方法，从案例13到案例21，其预测结果越来越偏离实际值，这主要是由于未考虑退化速率而导致，即传统方法的性能特别依赖于训练样本总体的数量和质量。同时，本实施例的方法在全生命周期预测中表现良好，并且对这些因素较为不敏感。
表2中给出了全生命周期RUL预测的最终性能评价结果。对9个测试样例进行RUL预测，当使用传统方法时，RMSE均值为2.65万圈以及MAPE均值为35.08％，相比之下，当使用本实施例所提方法时，RMSE均值只有0.81万圈以及MAPE均值只有10.75％，预测误差远低于传统方法。
表2两种方法的最终性能评价结果
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。
Claims (7)
1.基于相似性的机械部件剩余使用寿命预测方法，其包括如下步骤：
步骤S1、特征提取；
步骤S2、健康指标构建；
步骤S3、相似性匹配；
步骤S4、参考样本匹配退化轨迹的剩余使用寿命；
步骤S5、建立参考样本的剩余使用寿命的权重函数；
步骤S6、参考样本匹配退化轨迹的退化速率；
步骤S7、建立参考样本的退化速率的影响函数；
步骤S8、获取预测对象的剩余使用寿命；
步骤S6中采用衡量整体退化趋势的平均速率来表示***当前的退化速率，其计算公式为，Vτ(τ)＝(xτ-x0)/τ、τ＝1，...，τF；其中，τ是匹配轨迹的最新时间，x0是每个健康指标序列的初始值；N为参考样本总数，i＝1，...，N；预测对象在τte时刻的退化速率为νte(τte)，参考样本i在
时刻的退化速率为
步骤S7中，确定退化速率影响函数ψ(.)，通过
将各匹配轨迹与预测对象之间退化速率差异的影响量化，其计算公式为，
2.根据权利要求1所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S1中，包括对参考样本和预测对象的特征提取。
3.根据权利要求1所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S2中，包括对参考样本和预测对象的健康指标的构建。
4.根据权利要求1所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S3中采用欧式距离作为相似性计算函数，对参考样本与预测对象的健康指标进行相似性匹配；其具体包括如下步骤，
步骤S3.1、基于欧式距离对预测对象与各参考样本的健康指标序列进行逐点距离计算，计算公式为，
其中，α为权重系数，
为参考样本i在τi-n+j时刻的健康指标值，
为预测对象在τte-n+j时刻的健康指标值，τte为预测对象的健康指标轨迹的当前时刻，n为时间序列的时间窗长度；
步骤S3.2、以参考样本与预测对象间距离最小的轨迹为匹配轨迹，计算公式为，
5.根据权利要求4所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S4中采用公式
计算各参考样本匹配退化轨迹的真实剩余使用寿命，其中，Δt为两个连续健康指标值之间的最小时间间隔，
为参考样本i的整个使用寿命长度，
为参考样本i与预测对象当前时刻最匹配的时间点。
6.根据权利要求5所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S5具体包括如下步骤，
步骤S5.1、根据步骤S3.2中获取的
计算相似性分数Si，计算公式为，
步骤S5.2、根据相似性分数Si分配各参考样本的权重，计算公式为
且
7.根据权利要求6所述的基于相似性的机械部件剩余使用寿命预测方法，其特征在于：步骤S8中，预测对象的剩余使用寿命的计算公式为，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502385.4A CN110276385B (zh) | 2019-06-11 | 2019-06-11 | 基于相似性的机械部件剩余使用寿命预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910502385.4A CN110276385B (zh) | 2019-06-11 | 2019-06-11 | 基于相似性的机械部件剩余使用寿命预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110276385A CN110276385A (zh) | 2019-09-24 |
| CN110276385B true CN110276385B (zh) | 2021-05-25 |
Family
ID=67960834
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910502385.4A Active CN110276385B (zh) | 2019-06-11 | 2019-06-11 | 基于相似性的机械部件剩余使用寿命预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110276385B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111399474B (zh) * | 2020-02-29 | 2021-05-14 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
| CN113155614B (zh) * | 2021-04-25 | 2023-07-28 | 张启志 | 基于相似性判定的混凝土抗压强度检测方法及*** |
| CN114326593B (zh) * | 2021-12-16 | 2024-05-03 | 成都航天科工大数据研究院有限公司 | 一种刀具寿命预测***及方法 |
| CN115470717A (zh) * | 2022-10-31 | 2022-12-13 | 四川工程职业技术学院 | 一种机器人剩余寿命预测方法、装置、设备及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102789545B (zh) * | 2012-07-12 | 2015-08-19 | 哈尔滨工业大学 | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 |
| US10139311B2 (en) * | 2014-09-26 | 2018-11-27 | Palo Alto Research Center Incorporated | Computer-implemented method and system for machine tool damage assessment, prediction, and planning in manufacturing shop floor |
| CN106127192A (zh) * | 2016-07-11 | 2016-11-16 | 太原理工大学 | 一种基于相似性的轴承剩余使用寿命预测方法 |
| US10387768B2 (en) * | 2016-08-09 | 2019-08-20 | Palo Alto Research Center Incorporated | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment |
-
2019
- 2019-06-11 CN CN201910502385.4A patent/CN110276385B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110276385A (zh) | 2019-09-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110276385B (zh) | 基于相似性的机械部件剩余使用寿命预测方法 | |
| CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
| CN109086804B (zh) | 一种基于多源状态监测信息和可靠性特征融合的液压设备早期故障预测方法 | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及*** | |
| CN113723010B (zh) | 一种基于lstm温度-位移相关模型的桥梁损伤预警方法 | |
| CN111506478A (zh) | 基于人工智能实现告警管理控制的方法 | |
| CN113642754B (zh) | 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法 | |
| CN111855816A (zh) | 一种综合概率模型和cnn网络的风叶故障识别方法 | |
| CN109507992B (zh) | 一种机车制动***部件的故障预测方法、装置及设备 | |
| CN112149750A (zh) | 一种供水管网爆管识别数据驱动方法 | |
| CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
| CN112270335A (zh) | 一种搭接接头焊接质量缺陷预测的方法、***及计算机可读存储介质 | |
| CN109916634A (zh) | 一种航空涡扇发动机剩余使用寿命预测方法及*** | |
| CN116737510B (zh) | 一种基于数据分析的键盘智能监测方法及*** | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN110728377B (zh) | 一种面向机电设备的智能故障诊断方法及*** | |
| CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
| CN117708625B (zh) | 一种乏数据背景下大坝监测历史数据填补方法 | |
| CN109359742B (zh) | 一种地铁子***预防维修周期的生成方法 | |
| CN111934903B (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
| CN113670611A (zh) | 一种轴承早期退化评估方法、***、介质及电子设备 | |
| CN116279672A (zh) | 一种道岔故障定位的方法、装置、设备及存储介质 | |
| CN115904916A (zh) | 一种硬盘故障预测的方法、装置、电子设备以及存储介质 | |
| CN115618751A (zh) | 一种钢板力学性能预测方法 | |
| CN116049958A (zh) | 历史建筑结构监测数据异常诊断与修复*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |