[发明专利]一种基于随机停滞非线性退化模型的寿命预测算法

权利要求书

1.一种基于随机停滞非线性退化模型的寿命预测算法，其特征在于，包括以下步骤：

步骤1：对已有的数据进行数据预处理；

步骤1-1：计算初始正常序列的均值υ，方差以及最大值U₀；

步骤1-2：随着新的数据的到来，算法迭代求解序列的最大值、方差和均值，直到出现当前数据与之前序列中末尾两个数据连续超出退化阈值时，从正常运行过程进入退化过程，如果退化值超过退化阈值则判定其失效；

步骤1-3：对退化数据进行单调非减处理，并将数据进行归一化处理，以待后续的使用；

步骤2：剩余寿命模型的参数进行初始化；

步骤2-1：初始化预测模型的参数，初始化参数隐状态个数K以及隐状态初始序列z(λ)＝z₀,z₁,...,z_K；

步骤2-2：将时间-隐状态矩阵进行初始化；

步骤3：求解在参数λ下的Viterbi算法；

步骤3-1：将初始化好的时间-隐状态矩阵传入当前算法，并对该矩阵的值进行更新；

步骤3-2：生成当前时刻下的最优隐状态下标序列，并将当前时刻生成的最优隐状态下标序列以及当前时刻最优时间-隐状态矩阵进行返回；

步骤4：状态路径迭代进行剩余寿命预测；

步骤4-1：传入t时刻实时数据，以及初始化好的参数

步骤4-2：迭代执行步骤3，更新矩阵以及隐状态下标序列，并且进行参数λ的更新；

步骤4-3：判断当前时刻的ω值与上一次的ω的差值的绝对值的关系，如果依然大于阈值ε，则继续进行迭代并使用新的参数对时间-隐状态矩阵以及隐状态下标序列进行更新，否则返回剩余寿命的预测结果。

2.如权利要求1所述的一种基于随机停滞非线性退化模型的寿命预测算法，其特征在于，所述的步骤2-1中，对于隐状态以及隐状态个数初始化如下：

设在参数θ下，隐状态序列实时序列为y＝[y₀,y₁,…,y_k]，其中实时序列各个元素之间的发生概率相互独立，y与其在θ参数下的隐状态服从正态分布，即其中δ_z取为常数；

对于实时序列y中任何一个元素，其所处的隐含状态都被包含于序列z(θ)中；设在参数θ下，t时刻观察信号y_t对应的隐状态其中隐状态服从非线性函数：

其中θ(b,λ)；K为经验估值，

取K的方法为：设T₀为启动剩余寿命(RUL)预测的起始时刻(假设取8)，设为退化早期参数λ的经验估计值，则取隐状态个数(减一)

在估值K确定的前提下，我们可以推出约束我们可以得出参数θ(b,λ)事实上只取决于λ，且之间的状态转移有Markov性，即某一时刻的状态变量的取值仅依赖于t-1时刻的状态变量；因此就会出现以下两种情况：t时刻的状态变量延续t-1时刻的隐状态值或取t-1时刻隐状态序列在总隐状态序列中的下一个状态；其状态转移概率为：

其中初始值为p(z₀)＝1。

3.如权利要求1或2所述的一种基于随机停滞非线性退化模型的寿命预测算法，其特征在于，所述的步骤2-2中，对于时间-隐状态矩阵的初始化使用如下函数：

其中，i表示采集数据的时间，j表示数据所处隐状态下标，第一个赋值表示误差，第二个赋值表示上一时刻的隐状态下标。