[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

说明书

本发明涉及计算机领域中剩余寿命的预测，涉及一种基于随机停滞非线性退化模型的寿命预测算法。本发明使用隐状态来表示各个阶段的设备的状况，各个隐状态的值只与参数λ有关，可以简化对状态的推测的计算量，对预处理的数据进行归一化后可以避免实际数据过大或者过小导致的数据操作的难度。多次迭代求解与真实情况误差最小的参数进而获得隐状态序列，可以很好的提高预测的精确程度。本专利的数据背景是用于处理具有随机停滞状态的数据集，由于基于机器学习的方法需要对大量的过往数据进行总结才能得出模型，因此基于概率的方法可以很好的弥补对于小规模数据的预测，但基于概率的其他方法在处理具有随机停滞的数据集时效果有一定的限制。

技术领域

本发明涉及计算机领域中剩余寿命的预测，涉及一种基于随机停滞非线性退化模型的寿命预测算法。

背景技术

近些年，随着科学技术的迅猛发展，工业产品的制造变得越来越智能化。智能化系统的组成也变得复杂。一个未能及时发现问题的零件、设备可能在之后的运行过程中影响整个系统的运行。如果产品是突然达到报废程度的，可能会导致整个系统的瘫痪，将造成巨大的人力物力的损失。若能准确的评估设备的剩余寿命，进而及时的对可能出问题的部分进行维护，尽最大可能的避免事故的发生。

在剩余寿命的预测发展过程中，数据驱动的寿命预测在近些年得到了人们的广泛关注。其可以分为机器学习的方法和统计学习方法。机器学习方法如基于EM算法的剩余寿命预测，基于神经网络的剩余寿命预测，以及使用贝叶斯网络等来进行寿命的预测。机器学习的方法虽然有很强大的预测能力，但其过度依赖于历史数据，而在工业环境中，某些不可忽视的情况的数据可能较少，在数据较少的情况下进行预测，其准确性会变的很低；基于概率的统计学习方法则是通过分析状态的概率来分析设备所处的状态。

由于数据的采集时间间隔，采集频次不同，采样不均匀等，产品在不同的时间间隔内有效运行时间不同，导致了对产品的损耗速度也有所不同，而且在产品使用过程中可能会遇到定时维修等人为干预，其在这段时间内的寿命衰减速度也会相比之前有所下降，这也导致了设备的退化过程不是从健康状态以单调递增的一阶线性方式到达报废状态，在此过程中，数据会维持多个状态，并且持续一段时间，再进行衰减的情况，此过程即为随机停滞。

基于概率的统计学习方法包括基于回归分析模型的寿命预测，结合维纳过程的寿命预测，基于伽马过程的剩余寿命模型、马尔可夫模型等。在基于回归分析模型的寿命预测中，Tayade等人使用PCA进行特征排序提取出重要特征，之后在输入的空间中构建线性模型然后进行剩余寿命预测。该方法在正常单调的时序数据集上运行相比之前的方法有明显的提升。但是，由于数据采集的时间间隔、频次，产品的运行过程中的环境变化，以及人为提早发现衰退过程而进行的维护工作，这些情况都是不可预知的，这就使得回归方程的误差分析不准确。基于维纳过程的剩余寿命预测在统计学习中也被格外关注。王兆强等人基于首达时间，将维纳过程和贝叶斯估计相结合来进行剩余寿命预测，在预测精度上获得了不错的提升。大量实验论文表明，维纳过程对于持续磨损的产品设备的寿命预测效率有很大的提升，但在退化过程中该仪器设备在某一特点时间段内可能会发生很少的几乎不需计量的损耗，如该设备在完成自己当前工作后进入休眠状态，等待其他设备完成工作后才继续工作，由于工作与待机对于设备的损耗程度是不同的，这就产生了随机停滞的序列。而维纳过程认为数据随着时间的推移，相邻数据的差组成的序列总体上是服从正态分布。这使得数据在预测过程中不能很好的服从于维纳过程。因此，基于维纳过程进行建模，对具有随机停滞状态的剩余寿命序列不能做到很好的预测。基于伽马过程的剩余寿命预测如ZhenhaoZhang等人对氯化物腐蚀钢筋混凝土结构耐久性寿命预测的研究，由于伽马过程严格要求数据服从严格单调性的，在对非严格单调的数据使用伽马过程构建退化模型是不可行的。

发明内容

为解决背景技术中提出的技术问题，本专利提出了一种基于随机停滞非线性退化模型的寿命预测算法。在随机停滞数据下，计算退化过程的进入时间，在进入退化过程之后，调用算法来进行剩余寿命的实时预测。同时，采用牛顿迭代法对参数进行调整，找出最优化的隐状态下标序列，以保证模型在处理具有随机停滞数据的过程中对于剩余寿命的预测准确性。