CN114943179B 基于多源退化数据融合的可靠性评估及剩余寿命预测方法 （中国人民解放军空军工程大学）

基于多源退化数据融合的可靠性评估及剩基于多源退化数据融合的可靠性评估及剩余寿通过设定的融合系数拟合预处理后的多源退化估计法估计退化模型的参数；考虑随机失效阈有效提升可靠性评估与剩余寿命预测的准确性2S2、通过设定的融合系数拟合预处理后的多源退化数i,j3i采用极大似然估计法求解退化模型参数λi与o;,对式(6)分别取λi与o;的偏导数并令Xux就等价于第i台设备所对应的失效阈值，采用正态分布来表示失效阈值的随机性，即S~N(us,o⃞),其中S表示设备的随机失效阈值；4i52.如权利要求1所述的基于多源退化数据融合的可靠性评估及剩余寿命预测方法，其63.如权利要求2所述的基于多源退化数据融合的可靠性评估及剩余寿命预测方法，其考虑漂移系数随机效应时设备剩余寿命的概率分k表示tk时刻的剩余寿命；若考虑随机失效阈值的影响，则S-Xk满足正态分布，且服从N(US-X,O;):若令Z＝S-7[0003]设备退化数据的采集与剩余寿命的预测是PHM技术的核心要点。借助于传感器技[0004]根据数据融合方法的不同，基于数据融合的剩余寿命预测方法又可分为多种类现出了众多研究成果。Liu等以模型拟合误差与失效阈值方差最小为融合系数的确定准确距离的产品健康指标确定准则，并基于维纳过程研究了设备的退化建模与剩余寿命预测。彭开香等则通过训练深度置信网络(DeepBeliefNetwork,DBN)来对多源退化数据进行特8提供的商用模块化航空推进系统仿真(CommercialModularAeroPropulsionSystemSimulation,C-MAPSS)数据集进行验9[0030]由Wiener过程的基本性质知，基于线性融合方法得到的健康指标Xi,k也服从维纳[0035]设备健康指标的增量应满足正态分布，即而ΔXi,k＝Xi,k-[0037]采用极大似然估计法求解退化模型参数λi与o;,对式(6)分别取λi与o;的偏导数[0042]针对具体设备而言，其失效时对应的健康指标退化量被定义为该设备的失效阈值，则xx就等价于第i台设备所对应的失效阈值，采用正态分布来表示失效阈值的随机[0091]若考虑随机失效阈值的影响，则S-Xk满足正态分布，且服从N(us-xr,o⃞);若令Z[0101]图1为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方法的[0102]图2为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方法中[0103]图3为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方法中[0104]图4(a)为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方[0105]图4(b)为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方[0106]图5为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方法中[0107]图6为本发明提供的基于多源退化数据融合的可靠性评估及剩余寿命预测方法的[0109]本发明针对现有融合多源退化数据的剩余寿命预测方法忽略随机失效阈值影响[0110]本发明实施例提供的基于多源退化数据融合的可靠性评[0128]由Wiener过程的基本性质易知，基于线性融合方法得到的健康指标Xi,k也[0136]本发明采用极大似然估计法求解退化模型参数λi与对式(6)分别取λi与的[0168]令n-24;roius-xn),n-o;,代入式(20)可得：(24)求最小值等价于一个无约束多元非线性规划问题，因此采用MATLAB中的f命预测方法为M0，记不考虑随机失效阈值的多源退化数据融合与剩余寿命预测方法为M1。[0207]图2与图3分别给出了M0方法与M2方法中100台发动机失效阈值整体分布针对正态指标与高压压气机出口静压(Ps30)的失效阈值均服从正态分布。由此证明了本发明假设发[0208]基于退化参数的估计值，利用本发明所提方法即可实现对发动机剩余寿命的预的真实剩余寿命，而M1对应剩余寿命分布曲线则无法完全覆盖目标设备的真实剩余寿命，[0209]为了进一步证明本发明所提考虑随机失效阈值的数据融合与剩余寿命预测方法测置信区间则普遍较M2更窄，表明M0在保证预测准确性的同时兼具更低的预测不确定性，说明融合多源传感器数据较单一传感器数据在提升剩余寿命预测精何本领域的技术人员能思之