[发明专利]融合寿命数据和性能退化数据的单机剩余寿命预测方法

说明书

本发明公开了一种融合寿命数据和性能退化数据的单机剩余寿命预测方法，其涉及产品剩余寿命预测领域，该方法包括以下步骤：(S1)漂移参数μ和扩散参数σ的初始化；(S2)漂移参数μ和扩散参数σ的更新；(S3)Gibbs抽样数值模拟求解参数估计值；(S4)基于退化过程的剩余寿命预测。本发明的目的在于提供一种方法，当部件性能退化过程可看作线性漂移Wiener过程，能够用于融合部件性能退化数据和寿命数据，并估计部件剩余寿命的分布参数，进一步估计产品剩余寿命，很好解决了高可靠性、长寿命、小子样的复杂产品的剩余寿命预测问题，并实现了参数的实时更新。

技术领域

本发明属于产品剩余寿命预测领域，具体涉及一种融合无失效定时截尾寿命数据、极少失效寿命数据和性能退化数据的实时更新剩余寿命预测方法。

背景技术

一般地，产品的剩余寿命(Residual Life,RL)指当前时刻到产品失效之间的时间长度。对处于使用阶段的产品而言，从可靠性管理的角度考虑，经常需要关注产品在当前时刻未失效的情况下，还能继续运行多长时间的问题。依据剩余寿命预测的结果，可以结合产品的维修保障计划，优化对产品监测、维修以及替换等活动的决策，避免“维修过剩”/“维修不足”或者“替换冗余”/“替换不及”的情况，从而可以延长产品的使用寿命，提高产品的有效利用率，降低产品的全寿命周期费用，因此，产品的剩余寿命预测研究具有非常重要的意义。

产品剩余寿命预测方法的关键是确定产品的剩余寿命分布。对传统可靠性理论而言，这一分布是基于失效分布推导得到的。假定产品的寿命为T，相应的失效分布和概率密度函数分别为F(t)和f(t)。产品在当前时刻t_h未失效的情况下，令L＝T-t_h,(T＞t_h)表示产品的剩余寿命，则定义其剩余寿命分布以及概率密度函数分别为：

其中l表示当前时刻t_h未失效后产品继续工作的时间变量。

而对于具有高可靠性、长寿命、小子样的复杂产品而言，难以在有效的试验时间内收集足够多的失效寿命数据，甚至还会出现“零失效”的情形，此时基于寿命数据的剩余寿命预测方法，尤其是基于无失效寿命数据，往往难以给出可信的结果。

在产品的试验或者使用过程中可以收集它们的性能监测数据，部分性能监测数据存在退化趋势，这为产品的剩余寿命预测提供新的可靠性信息。假定目标产品的性能监测数据为X_1:h，其中X_1:h＝(X(t₁),X(t₂),…,X(t_h))。假设D为产品退化量的失效阈值，则产品在当前时刻t_h未失效的情况下，其剩余寿命可定义为

L＝inf(l|X(l+t_h)≥D,X_1:h,X(t_j)＜D,j＝1,2,…,h) (3)

对应的分布函数设为F_L(l|X_1:h)，其表达式需要根据退化模型确定。对比F_L(l)与F_L(l|X_1:h)可以发现，性能监测数据X_1:h提供了更多关于产品剩余寿命的信息，基于性能退化数据的剩余寿命预测更加有针对性。但同时它本身也存在一些限制：1)产品的性能监测数据必须具有退化的特征；2)产品的退化失效阈值难以确定和验证，尤其是新产品以及小子样产品；3)产品的性能退化数据样本不能太少。

考虑到基于寿命数据和基于性能退化数据的方法均具有局限性，而特定情况下，产品既有寿命数据，又有性能退化数据，两类数据都包含产品的可靠性信息，基于多源信息融合的方法就是充分利用各类可靠性信息，进行剩余寿命预测。