[发明专利]一种序贯Bayesian框架下的设备剩余寿命预测方法

说明书

本发明公开了一种序贯Bayesian框架下的设备剩余寿命预测方法，对工程中存在的退化设备，首先，采用带随机漂移系数的Wiener过程构建其退化模型；然后，基于同类设备的历史退化数据利用极大似然估计方法对退化模型中的漂移系数中超参数与扩散系数进行离线估计；基于实时监测的退化数据在序贯Bayesian的框架下实现漂移系数超参数的在线递归；最后在首达时间的概念下，推导出剩余寿命概率密度函数的解析表达式。区别于现有基于Bayesian方法的研究，序贯Bayesian方法主要将上一时刻参数更新结果作为下一时刻的先验分布。因而，本发明能够充分利用截止到当前时刻的特定设备全部退化数据所包含的信息，克服基于传统Bayesian方法仅依赖当前时刻的退化数据的难题。

技术领域

本发明属于可靠性工程技术领域，具体涉及一种序贯Bayesian框架下的设备剩余寿命预测方法。

背景技术

在过去的几十年里，工业设备的复杂化和自动化程度日益提升。对于这样的设备，要掌握其健康状况并预测其潜在故障要困难得多。这种困难促进了一个新兴概念的产生，即预测和健康管理(PHM)，并推动其迅速发展。PHM通常被认为是评估设备在实际运行条件下的可靠性，并通过一些管理活动降低运行成本或故障风险的有效工具。经过学者们的不断探索，PHM技术的研究已经取得了大量的理论成果，广泛应用于电子、电池、轴承、电机驱动、工业生产、航空航天和军事应用等各个领域。

PHM主要由剩余使用寿命预测和健康管理两部分组成。前者作为PHM的关键组成部分，旨在确定从现在到寿命结束还能运行多久，为工程实践中的状态维修提供重要的信息支持。现有剩余寿命预测方法主要可分为两类：失效物理和数据驱动方法。前者的关键任务是找出设备的失效机理。事实上，这项工作对于现代复杂设备来说难度大、成本高，限制了这类方法的发展。随着监控技术的进步，设备的各种数据可以在现实中采集。后者无需事先获得失效机理，从状态监测数据中提取与剩余寿命相关的信息，包括退化数据、寿命数据、截尾数据和环境数据。因此，近年来，数据驱动方法受到越来越多的关注。

基于Wiener过程的方法作为最经典的数据驱动方法之一，已经被广泛地应用于退化过程的建模。针对基于Wiener过程的退化建模方法，Bayesian方法经常被用来更新模型参数，将实时的退化监测信息融入到退化建模中。然而，由于 Wiener过程固有的独立增量和马尔可夫性质，Bayesian更新漂移参数仅利用当前的退化测量，无法利用利用全部退化测量。因此，当利用Bayesian方法更新的退化模型来预测设备剩余寿命，由于多种因素影响，当前时刻获取了异常的退化观测，将会直接影响剩余寿命预测精度。因而，需要迫切解决传统Bayesian 方法在进行Wiener过程漂移系数更新时存在的固有弊端。

发明内容

本发明的目的是针对传统Bayesian方法进行Wiener过程漂移系数更新时仅依赖于当前退化水平的问题，提出了一种序贯Bayesian框架下的设备剩余寿命预测方法，充分利用了截止到当前时刻全部退化信息。

本发明采用的技术方案是：

一种序贯Bayesian框架下的设备剩余寿命预测方法，对工程中存在的退化设备，首先，采用带随机漂移系数的Wiener过程构建其退化模型；然后，基于同类设备的历史退化数据利用极大似然估计方法对退化模型中的漂移系数中超参数与扩散系数进行离线估计；基于实时监测的退化数据在序贯Bayesian的框架下实现漂移系数超参数的在线递归；最后在首达时间的概念下，推导出剩余寿命概率密度函数的解析表达式；

具体包括以下步骤：

步骤1：利用带随机漂移系数的Wiener过程构建退化模型；

步骤2：利用极大似然估计方法对退化模型中的漂移系数中超参数与扩散系数进行离线估计；

步骤3：利用序贯Bayesian方法在线更新漂移系数；

步骤4：推导出剩余寿命概率密度函数，进而可计算出设备剩余使用寿命预测结果。