一种改进的设备剩余寿命估计方法.docxVIP

一种改进的设备剩余寿命估计方法 1 退化数据驱动的规制方法 作为一种新兴技术，规划和健康管理（phm）得到了工程实践的证实，可以降低维护成本，提高设备的可靠性和安全性，减少失败事件的风险。phm的主要问题是状态监测数据，并根据设备的冗余生活时间（ul）进行评估，并确定最合适的维护时间。 传统的RUL估计方法以寿命数据为基础,通过对寿命数据的统计分析确定设备的寿命分布,基于此得到RUL的分布.但在实际中,短期内通常难以获取足够多的寿命数据,或者对于一些代价昂贵的设备,获取寿命数据的成本过高.由此,以寿命数据为基础的RUL估计方法难以取得满意的结果.考虑到设备的寿命总是有限的,随着设备的老化或环境、负载的作用,设备的性能会随之退化,当累积到一定程度时,导致退化失效.因此,通过对设备退化数据的监测,建立其退化轨迹的模型,进而估计设备的RUL是一条经济可行的途径.目前,退化数据驱动的方法已发展成为进行设备RUL估计的主要方法, 文献对这类方法进行详细系统的综述. 有关退化建模的研究,最早可追溯到Gertsbackh和Kordonskiy利用退化数据评定设备的可靠性.Nelson对20世纪90年代以前的退化建模方法进行综述.Lu和Meeker提出一种一般的随机系数回归模型来建模退化测量数据.该文献在退化建模领域具有重要的影响,在该工作基础上出现许多扩展和变形.对于单个服役设备的退化过程来讲,采用该方法就意味着确定的退化轨迹,即所有的模型系数都是确定的.因此,这类方法只适用于描述一批同类设备的退化过程,其涉及的数据分析方法主要是统计分析中的纵向数据分析方法,难以对单个服役设备的退化特征进行具体描述.为了实现对服役设备的退化建模,Gebraeel等提出一类指数退化模型用以描述轴承的磨损退化过程.在这类方法的建模过程中,在获取退化监测数据后,通过Bayesian更新,对模型的随机参数进行后验估计.但是,对于退化模型中非随机的未知参数(如高斯误差项的方差参数、随机参数的先验分布中的参数)没有提出相应的估计方法,而是假设存在多个同类型设备的历史退化数据,通过对这些离线历史数据的统计分析,经验确定模型的非随机参数.实验研究表明,对这些非随机参数选择的恰当与否会较大地影响退化建模及RUL估计的结果,因此有必要研究这些非随机参数的估计方法.再者,这类RUL估计方法仍需要多个同类设备退化的历史数据,但对于具体的设备使用者而言,工程实际中通常难以得到多个设备的数据,因此现有方法具有一定的局限性. 考虑到以上的问题,本文提出一种Bayesian更新与期望最大化(Expectation Maximization, EM)算法协作下退化数据驱动的RUL估计方法,以求实现对单个服役设备退化过程的建模以及RUL估计.具体地,首先利用文献中的指数退化模型来描述设备的退化过程,对模型的随机参数进行Bayesian更新,进而得到RUL的概率分布函数和点估计.其次,对退化模型中的非随机未知参数,利用运行设备到当前时刻的所有监测数据,基于EM算法给出具体的参数估计方法,并证明参数迭代估计中每步得到的结果是唯一的最优解.最后通过数值仿真和实际数据应用研究,表明本文方法可对单个设备退化过程进行建模,有效估计退化模型中的未知参数,进而得到满意的RUL估计. 2 退出模型与剩余寿命的估计 2.1 同类型设备中各参数的耦合模型 指数类的退化模型是一类典型的描述退化累积过程的模型.到目前为止,这类模型已在设备腐蚀、轴承磨损、液晶显示器等设备的退化建模中得到广泛应用[13,14,15,17,18,19]. 因此本文主要考虑采用这类模型来表述退化过程的情况. 令X(t)表示t时刻的退化量,那么在离散时间监测点t1,t2,…,采用指数退化模型,可将tk时刻的退化量描述为 X(tk)=φ+θexpβtk+ε(tk)-σ22), 其中φ为已知的常数. 考虑到在一批同类型设备中,每个设备在运行过程中的情况都可能有差异,从而显示不同的退化轨迹.因此,在退化模型中,有必要考虑不同设备之间存在的个体差异.本文将θ和β作为随机参数,用以描述设备的个体差异,ε(tk)是随机误差项,这里将θ和β作为随机参数的主要原因在于θ和β对于退化轨迹的期望值有很大影响,而σ2只刻画退化过程的不确定性.为便于后面的建模,在本文中,引入如下文献中广泛采用的模型假设[5,9,12,13,14,15,18]: 1)θ和β是高斯分布的,且满足lnθ～N(μ0,σ20)和β～N(μ1,σ21); 2)ε(tk)是高斯分布的,即ε(tk)～N(0,σ2),且有ε(0)=0; 3)ε(t1),ε(t2),…是独立同分布的随机变量; 4)θ,β和ε(tk)是相互独立的. 对于指数类的退化模型,通常采用对数变换,得到变换后的形式,以简化处理