CN110866325B - 一种基于间接监测数据设备剩余寿命不完美维护预测方法 - Google Patents
一种基于间接监测数据设备剩余寿命不完美维护预测方法 Download PDFInfo
- Publication number
- CN110866325B CN110866325B CN201910959050.5A CN201910959050A CN110866325B CN 110866325 B CN110866325 B CN 110866325B CN 201910959050 A CN201910959050 A CN 201910959050A CN 110866325 B CN110866325 B CN 110866325B
- Authority
- CN
- China
- Prior art keywords
- equipment
- maintenance
- data
- parameter
- degradation
- 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 48
- 238000012423 maintenance Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 30
- 238000006731 degradation reaction Methods 0.000 claims abstract description 33
- 230000015556 catabolic process Effects 0.000 claims abstract description 26
- 230000000694 effects Effects 0.000 claims description 13
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000011160 research Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种基于间接监测数据的设备剩余寿命不完美维护预测方法,包括如下步骤:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数;收集监测得到的关键参数退化数据;使用收集所得数据对退化模型的参数进行估计;根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型;依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。本发明相较于传统方法降低了试验的经济成本、缩短了研究周期,并且能够更丰富、动态地反映环境对设备的影响,从而提高了考虑不完美维护实际情况下的设备剩余寿命预测的准确度。
Description
技术领域
本发明涉及高可靠长寿命设备剩余寿命预测技术,具体涉及一种基于间接监测数据的设备剩余寿命不完美维护预测方法。
背景技术
随着我国科学技术水平的迅猛发展和工业水平的快速提高,在一些对可靠性和安全性要求较高的领域,存在着大量高可靠长寿命的设备。而这类设备具有生产成本高、生产数量少以及故障机理复杂等特点,如何对其剩余寿命(Remaining Useful Life,RUL)进行预测成为可靠性领域的一个热点问题。传统的可靠性分析方法是以设备的失效时间为研究对象,这样做不仅会带来高昂的经济成本,而且在时间上也会造成不必要的浪费。此外,传统方法仅利用失效时间进行分析,设备退化过程中的大量有用信息被忽略。由于高成本长寿命设备的退化失效与其性能退化密切相关,所以最后的预测结果的准确性无法得到保证,预测精度较低。
发明内容
发明目的:为了克服现有技术中存在的不足,提供一种基于间接监测数据的设备剩余寿命不完美维护预测方法,充分考虑了实际监测数据只是隐含退化状态的外部表现,利用了关键参数退化数据间接地对设备性能和退化状态进行分析,在缩短了预测周期的同时降低了预测成本,并且能够得到更加准确的预测结果。
技术方案:为实现上述目的,本发明提供一种基于间接监测数据的设备剩余寿命不完美维护预测方法,包括如下步骤:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数(关键参数为与设备性能密切相关的参数);
S2:收集监测得到的关键参数退化数据(退化数据根据不同设备选取不同的采集装置进行收集);
S3:使用收集所得数据对退化模型的参数进行估计;
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型;
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。
进一步的,所述步骤S2具体为:采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对应的测量数据为{Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N(tm)次维护活动,第n个设备第j次维护效果为yn,j。
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
S3.3:参数Φ={γ2,θ,σB}的极大似然估计采用多维搜索方法计算求解,具体通过对式(4)求最大值得到:
其中,Ω=[min{ti,tj}]1<i,j≤M是时间信息矩阵。
进一步的,所述步骤S4具体为:
S4.1:根据公式(5)计算得到参数Xh(t):
S4.2:根据公式(6)计算得到参数Xc(t):
Xc(t)=Xh(t)-ε (6)
其中,ε表示噪声误差,这里假设任意时刻t下的噪声误差都是独立的,且分布相同,则有ε~N(0,γ2);
S4.3:设备在ω失效阈值下的剩余寿命概率密度函数为:
进一步的,所述步骤S5具体为:
S5.1:测量得到设备的新状态测量数据为{Xn'(tm)=x'n,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N'(tm)次维护活动,第n个设备第j次维护效果为y'n,j,将这组数据代入剩余寿命概率密度函数,可得相应的剩余寿命概率密度函数f'(l);
有益效果:本发明与现有技术相比,具备如下优点:
1、充分考虑了实际监测数据只是隐含退化状态的外部表现,利用了关键参数退化数据间接地对设备性能和退化状态进行分析,在缩短了预测周期的同时降低了预测成本。
2、在首达时间的概念下,利用卡尔曼滤波算法对剩余寿命概率密度函数进行推导,根据极大似然估计原理利用设备的退化数据和维修数据对模型的参数进行估计,从而得到更加准确的预测结果。
附图说明
图1为本发明方法的流程图;
图2为陀螺仪漂移数据轨迹图;
图3为M1方法下不同时刻陀螺仪RUL的PDF图;
图4为M2方法下不同时刻陀螺仪RUL的PDF图;
图5为不同时刻方法M1和M2的MSER变化图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本实施例中将惯性导航***的陀螺仪作为目标设备,利用本发明提供的一种基于间接监测数据的设备剩余寿命不完美维护预测方法进行剩余寿命预测,如图1所示,去具体的步骤如下:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数(关键参数为与设备性能密切相关的参数)。
S2:收集监测得到的关键参数退化数据(退化数据根据不同设备选取不同的采集装置进行收集):
采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对应的测量数据为{Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N(tm)次维护活动,第n个设备第j次维护效果为yn,j。
S3:使用收集所得数据对退化模型的参数进行估计:
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
S3.3:参数Φ={γ2,θ,σB}的极大似然估计采用多维搜索方法计算求解,具体通过对式(4)求最大值得到:
其中,Ω=[min{ti,tj}]1≤i,j≤M是时间信息矩阵。
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型:
S4.1:根据公式(5)计算得到参数Xh(t):
S4.2:根据公式(6)计算得到参数Xc(t):
Xc(t)=Xh(t)-ε (6)
其中,ε表示噪声误差,这里假设任意时刻t下的噪声误差都是独立的,且分布相同,则有ε~N(0,γ2);
S4.3:设备在ω失效阈值下的剩余寿命概率密度函数为:
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测:
S5.1:测量得到设备的新状态测量数据为{Xn'(tm)=x'n,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N'(tm)次维护活动,第n个设备第j次维护效果为y'n,j,将这组数据代入剩余寿命概率密度函数,可得相应的剩余寿命概率密度函数f'(l);
本实施例中惯性导航***的陀螺仪在使用的过程中,其漂移系数不断地随服役时间的积累而增大。由于陀螺仪的漂移数据会受到噪声、扰动以及非理性测量仪器等造成测量过程不确定性的情况,导致获得的数据是真实退化数据经干扰后的结果。在服役过程中,陀螺仪的漂移系数超出预先设定的阈值后,补偿电路会通过调整电流以补偿漂移系数。广义上来看,由于补偿电路不能使功能恢复到服役前的状态,因此这种维护是一种不完美维护。当维护不能带来较高的经济效益时,将会更换陀螺仪,所以对漂移系数进行调整的次数是有限的。
为了验证本发明所提出的基于间接监测数据的设备剩余寿命不完美维护预测方法的准确性,本实施例中选用两组型号相同的陀螺仪在服役过程中的漂移数据来对比本发明所提出的方法(记为M2)与不考虑噪声误差的方法(记为M1)的有效性。漂移数据如图2所示,陀螺仪1共有113个漂移数据,当服役时间为282.5h时陀螺仪1开始失效;陀螺仪2共有115个漂移数据,当服役时间为277.5h时陀螺仪2开始失效。考虑到实际的工程价值和经济效益,一般只对陀螺仪的漂移系数进行3次调整。
选择时刻集(235,240,245,250,255,260,265)作为剩余寿命的估计时刻,分别采用M1和M2方法对陀螺仪1的剩余寿命进行估计,根据计算两种方法预测陀螺仪的RUL期望。同时,做出两种方法在各估计时刻的RUL的PDF曲线,将各时刻预测的RUL的期望值和真实值进行比较,具体如图3和图4所示。
比较图3和图4可以看出:随着通电时间的增加,两种方法估计得到的陀螺仪生于寿命概率密度曲线越来越高,说明估计的RUL准确度越来越高,估计的RUL期望值与真实值的误差也越来越小。同时,方法M1估计的RUL期望值与实际值的偏差比方法M2要略大一些,说明对于一些间接监测的设备,在对其进行RUL预测时有必要考虑噪声误差,采用基于间接监测数据的方法对其剩余寿命进行建模预测。
本实施例中使用均方误差对两种方法的剩余寿命预测有效性进行衡量:
图5展示了两种方法在(235,240,245,250,255,260,265)七个时刻的均方误差计算结果。从图5中可以看出,基于间接监测数据考虑不完美维护的情况下估计得到陀螺仪剩余寿命的均方误差在通电时间超过240h时均在5以下,充分说明M2方法对陀螺仪RUL进行预测的有效性。对比方法M1和M2的MSER可以发现,在对陀螺仪进行RUL预测时,综合考虑噪声、扰动等引起测量不确定性的影响因素有助于提高预测精度。综合图2到图4可以看出,基于间接监测数据的设备剩余寿命不完美维护预测方法在实际预测中效果明显。
Claims (3)
1.一种基于间接监测数据的设备剩余寿命不完美维护预测方法,其特征在于:包括如下步骤:
S1:对设备的物理结构进行分析,识别出能够对设备退化过程进行描述的关键参数;
S2:收集监测得到的关键参数退化数据;
S3:使用收集所得数据对退化模型的参数进行估计;
S3.1:采用泊松分布的基本特性推导可得:不完美维护次数N(t)服从参数为λ的泊松分布,则相邻两次维护间隔时间服从参数为λ的指数分布,则参数λ的计算公式为:
其中,Tm是第m次监测时设备已运行时间,N(Tm)代表第m次监测前设备的总维修次数;
S3.3:参数Φ={γ2,θ,σB}的极大似然估计采用多维搜索方法计算求解,具体通过对式(4)求最大值得到:
S4:根据估计的参数值,建立基于间接监测数据的设备剩余寿命不完美维护预测模型;所述步骤S4具体为:
S4.1:根据公式(5)计算得到参数Xh(t):
S4.2:根据公式(6)计算得到参数Xc(t):
Xc(t)=Xh(t)-ε (6)
其中,ε表示噪声误差;
S4.3:设备在ω失效阈值下的剩余寿命概率密度函数为:
S5:依据建立的预测模型,利用收集到的退化数据对设备剩余寿命进行预测。
2.根据权利要求1所述的一种基于间接监测数据的设备剩余寿命不完美维护预测方法,其特征在于:所述步骤S2具体为:采集设备的关键参数监测量及其对应服役时间,设定共有N个被监测设备,且每个设备监测次数均为M,监测时间依次为t1,...,tM,对应的测量数据为{Xn(tm)=xn,m,n=1,...,N;m=1,...,M},第n个设备在总运行时间tm内共有N(tm)次维护活动,第n个设备第j次维护效果为yn,j。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959050.5A CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910959050.5A CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110866325A CN110866325A (zh) | 2020-03-06 |
CN110866325B true CN110866325B (zh) | 2022-03-25 |
Family
ID=69652531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910959050.5A Active CN110866325B (zh) | 2019-10-10 | 2019-10-10 | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110866325B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110686584A (zh) * | 2019-10-18 | 2020-01-14 | 江麓机电集团有限公司 | 锥形孔深度检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4710325B2 (ja) * | 2005-01-17 | 2011-06-29 | トヨタ自動車株式会社 | 移動体の価格設定システムおよび価格設定方法 |
CN102411339A (zh) * | 2011-11-30 | 2012-04-11 | 华中科技大学 | 一种数控装备性能可靠性评估方法 |
CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4153675B2 (ja) * | 2001-04-10 | 2008-09-24 | 三菱重工業株式会社 | 材料寿命の評価システム、及び、その評価方法 |
CN106484949B (zh) * | 2016-09-12 | 2019-08-16 | 西安理工大学 | 基于退化数据的动量轮可靠性分析与剩余寿命预测方法 |
-
2019
- 2019-10-10 CN CN201910959050.5A patent/CN110866325B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4710325B2 (ja) * | 2005-01-17 | 2011-06-29 | トヨタ自動車株式会社 | 移動体の価格設定システムおよび価格設定方法 |
CN102411339A (zh) * | 2011-11-30 | 2012-04-11 | 华中科技大学 | 一种数控装备性能可靠性评估方法 |
CN102520669A (zh) * | 2011-11-30 | 2012-06-27 | 华中科技大学 | 一种面向多性能参数的数控装备性能可靠性评估方法 |
Non-Patent Citations (2)
Title |
---|
A Key Lifetime Parameters Extraction Method for T/ R Module Based on Association Rule;Xiaodong Hou 等;《2018 International Conference on Sensing,Diagnostics, Prognostics, and Control (SDPC)》;20190314;第165-170页 * |
多参数相似性信息融合的剩余寿命预测;梁泽明 等;《计算机集成制造***》;20170911;第24卷(第4期);第813-819页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110866325A (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107145645B (zh) | 带不确定冲击的非平稳退化过程剩余寿命预测方法 | |
TWI539298B (zh) | 具取樣率決定機制的量測抽樣方法 與其電腦程式產品 | |
CN103488881B (zh) | 一种不确定退化测量数据下的设备剩余寿命预测方法 | |
CN109829137B (zh) | 一种周期应力下非线性退化设备的寿命预测方法及*** | |
WO2019127944A1 (zh) | 一种考虑时变效应的大跨桥梁主梁性能预警方法 | |
Ye et al. | A Bayesian approach to condition monitoring with imperfect inspections | |
CN108038044B (zh) | 一种面向连续被监测对象的异常检测方法 | |
CN107707431A (zh) | 一种面向云平台的数据安全监测方法及*** | |
CN106227910B (zh) | 一种基于灰色***理论的加速退化试验可靠性评估方法 | |
CN104615866B (zh) | 一种基于物理统计模型的寿命预测方法 | |
CN106169124B (zh) | ***级产品可靠性综合评估置信推断方法 | |
CN114415488B (zh) | 一种原子钟钟差数据异常检测及修正方法和*** | |
CN109344967B (zh) | 一种基于人工神经网络的智能电表生命周期预测方法 | |
CN106598822A (zh) | 一种用于容量评估的异常数据检测方法及装置 | |
CN112100574A (zh) | 一种基于重采样的aakr模型不确定度计算方法及*** | |
JP2024045515A (ja) | 構造物診断システム、構造物診断方法、および構造物診断プログラム | |
CN114970341B (zh) | 基于机器学习的低轨卫星轨道预报精度提升模型建立方法 | |
CN110866325B (zh) | 一种基于间接监测数据设备剩余寿命不完美维护预测方法 | |
Kong et al. | Remaining useful life prediction for degrading systems with random shocks considering measurement uncertainty | |
CN110414086B (zh) | 一种基于灵敏度的综合应力加速因子计算方法 | |
CN109324591B (zh) | 基于鲁棒估计器的随机混杂***的故障诊断装置及方法 | |
CN108459991B (zh) | 一种获得设备可靠性数据的方法 | |
CN112465250A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN115544803B (zh) | 一种变压器剩余寿命预测方法、装置、设备及存储介质 | |
TWI427487B (zh) | 工件抽樣檢驗的方法及其電腦程式產品 |
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 |