[發明專利]一種設備剩余壽命的預測方法及系統

有效

• 申請號: 201911021572.7
• 申請日: 2019-10-25
• 公開（公告）號: CN110781592B
• 公開（公告）日: 2020-12-22
• 發明（設計）人: 胡昌華;裴洪;司小勝;李天梅;張建勛;龐哲楠
• 申請（專利權）人: 中國人民解放軍火箭軍工程大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06Q10/04;G06Q10/06;G06K9/62;G06F119/04
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 劉鳳玲

本發明公開一種設備剩余壽命的預測方法及系統。該方法包括：獲取待預測設備的歷史運行數據；采用歷史運行數據對深度置信網絡進行訓練，得到訓練好的深度置信網絡；獲得待預測設備的當前運行數據；采用訓練好的深度置信網絡對當前運行數據進行特征提取，得到特征集合；對特征集合進行局部線性嵌入操作，得到健康因子；基于擴散過程，獲得健康因子與時間的關系模型；根據健康因子與時間的關系模型，對待預測設備的剩余壽命進行預測；根據待預測設備的剩余壽命，確定待預測設備的剩余壽命的概率密度分布。本發明在適用于海量數據分析的基礎上，可以實現對剩余壽命的量化預測。

技術領域

本發明涉及工程可靠性分析技術領域，特別是涉及一種設備剩余壽命的預測方法及系統。

背景技術

隨著物聯網技術的日益進步，工程設備逐漸變得復雜化、自動化與智能化，同時對設備的安全性和可靠性提出了更加苛刻的要求。剩余壽命預測作為預測與健康管理的重要組成部分，主要利用設備壽命周期內的狀態監測信息和其他歷史信息，分析確定出設備正常運行的時長，為維修決策提供了可靠的技術支撐。

剩余壽命預測在學術領域取得了大量理論研究成果。現有RUL預測方法可分為基于失效機理的方法、數據驅動的方法以及融合的方法。由于工程設備的復雜程度不斷提升，失效機理的方法難以推廣；數據驅動的方法能夠從壽命數據或狀態監測數據提取出與壽命和可靠性相關的信息，有效節省了時間并且降低了開支，現已成為當前剩余壽命預測領域的主流方法。融合的方法由于算法本身的復雜性，在現有研究中也較為匱乏。

數據驅動的方法分為統計數據驅動的方法與基于機器學習的方法。較為典型的統計數據驅動的方法有基于Wiener過程的方法，基于Gamma過程的方法與基于Markov過程的方法。統計數據驅動的方法中的模型參數具有實際的物理意義，同時預測結果能夠反映剩余壽命的不確定性。傳統的基于機器學習方法主要包括基于支持向量機的方法與基于神經網絡的方法。基于支持向量機的方法與基于神經網絡的方法均屬于淺層機器學習算法，對專家先驗知識與信號處理技術的依賴性較強。

隨著大數據時代的到來，工程設備獲取的監測數據呈現出海量化、非線性、高維化等特征，統計數據驅動的方法與傳統的基于機器學習方法均面臨難以自動處理海量監測數據的難題。為解決這類問題，Hinton提出了深度學習理論用于學習海量數據中的隱含特征。一方面，確保數據訓練過程不依賴特征的選擇，實現了數據的深層次表示；另一方面，有效避免了采用傳統BP算法陷入局部最優的問題。基于此，學術界掀起了深度學習的研究浪潮。與此同時，深度學習已成功應用于圖像識別、語音識別、故障診斷、壽命預測等實際工程領域。作為深度學習理論的重要組成，深度置信網絡(DBN)以其非凡的優勢在壽命預測領域得到了廣泛研究。然而基于DBN的方法僅能得到剩余壽命的預測值，無法對剩余壽命進行量化，無法應用于維修決策與備件訂購的理論中。

發明內容

本發明的目的是提供一種設備剩余壽命的預測方法及系統，在適用于海量數據分析的基礎上，實現對剩余壽命的量化預測。

為實現上述目的，本發明提供了如下方案：

一種設備剩余壽命的預測方法，包括：

獲取待預測設備的歷史運行數據；所述歷史運行數據包括振動數據、力矩數據、轉速數據、溫度數據和壓力數據；

采用所述歷史運行數據對深度置信網絡進行訓練，得到訓練好的深度置信網絡；

獲得所述待預測設備的當前運行數據；

采用訓練好的所述深度置信網絡對所述當前運行數據進行特征提取，得到特征集合；

對所述特征集合進行局部線性嵌入操作，得到健康因子；

基于擴散過程，獲得所述健康因子與時間的關系模型；

根據所述健康因子與時間的關系模型，對所述待預測設備的剩余壽命進行預測；