[发明专利]一种完全截断数据条件下的机电系统及其关键部件寿命预测方法

说明书

技术领域

本发明涉及一种机电系统关键部件寿命预测方法，属于机械系统及零部件故障诊断与预测技术领域，具体是指一种完全截断数据条件下的机电系统及其关键部件寿命预测方法。

背景技术

机电系统在当前工程系统中被广泛使用，然而，伴随着大量的故障与维护问题，如何正确合理的解决机电系统及其关键部件的预测问题，并从现实意义上提高企业设备的可用度，减少停机时间，降低维护费用和安全风险，具有重要意义。

目前，机电系统关键部件寿命预测模型，尤其是基于数据驱动的概率模型和人工智能模型都需要大量的状态监测数据及寿命数据。然而，工业界中几乎不允许设备出现故障（包括：部分失效或完全失效）。大多数情况下，设备的某个单元一旦检测出缺陷（包括：早期微弱故障），这个单元就会在其发生故障前被替换掉或对其进行大修。因此，单元故障发生的时间点通常是未知的或者没有记录。我们通常仅能得到替换或者维修某个单元的时间及该时间之前的历史数据，而无法得到在不进行替换和维修情况下该单元发生故障的时间。此类数据总称为“不完全趋势数据或截断数据”。具体表述为：对于被预测单元的数据集，如果该类单元的部分个体状态监测数据被截断，而其它个体都正常运行至失效，此时构成的预测用数据集为“部分截断数据”；如果该类单元的所有个体状态监测数据都被截断，此时构成的预测用数据集为“完全截断数据”。因而，实际预测过程中，对于关系到设备系统运行安全的重要设备，可以使用的数据皆为“完全截断数据”。

针对“部分截断数据”情况，文献【1】（Heng,Soong Yin Aiwina,Tan,Andy C.C.,Mathew,Joseph,&Yang,Bo-Suk,Machine Prognosis with Full Utilization of Truncated Lifetime Data.In Gelman,L.(Ed.)2nd World Congress on Engineering Asset Management and the 4th International Conference on Condition Monitoring,11-14 June 2007,Harrogate,UK.）基于智能乘积限估计器方法，利用截断的状态监测数据和失效数据，预测得到轴承未来一段时间区间内的生存概率。文献【2】（AchmadWidodo,Bo-Suk Yang,Machine health prognostics using survival probability and support vector machine.Expert Systems with Applications 38(2011)8430–8437）提出基于生存概率和支持向量机（SVM）寿命预测方法，利用轴承运行的截断和非截断监测数据，在提取时域特征及完成PCA特征约减后，利用SVM训练并预测得到轴承的未来生存概率。文献【3】（ZhigangTian,Lorna Wong,NimaSafaei,A neural network approach for remaining useful life prediction utilizing both failure and suspension histories.Mechanical Systems and Signal Processing.24(2010)1542–1555）利用失效历史数据和所有的截断历史数据，基于网络训练最小方差实现轴承失效时间估计，并完成ANN网络的训练，进而，预测其它轴承的剩余寿命。

这些相关的机电系统及关键部件寿命预测方法，对不完全截断数据寿命预测取得了一定的预测效果。然而，无法解决关系重大安全的机电系统及其关键部件所面临的“完全截断数据”问题。