[发明专利]基于数据融合网络的设备健康指标构建及寿命预测方法

说明书

本发明公布了一种基于数据融合网络的设备健康指标构建及寿命预测方法，在机器上加装多种用于检测机器工作状态的传感器，再利用收集到的传感器数据信号，构建机器设备健康指数模型；利用构建的机器设备健康指数模型对机器设备的剩余使用寿命进行预测。采用本发明方法，一方面可提供对机器设备退化过程的风险量化信息的具体表征和可视化；另一方面提高了设备健康状况预测的准确度。

技术领域

本发明涉及生产设备剩余使用寿命的在线预测技术，具体涉及一种通过贝叶斯推断以及形状受限神经数据融合网络技术，对设备的多源传感器信号进行融合，进行健康指标的构建，从而对发动机剩余寿命进行在线预测的模型方法。

背景技术

本质上，在使用机器，工具，设备或系统进行生产时，退化过程往往是不可避免的并且是不可逆的。由于退化而导致的机器意外故障可能会导致严重后果，例如生产过程中的意外停产，发生安全隐患，经济损失和交货延迟等。因此，监控健康状况并预测剩余使用寿命至关重要为了防止意外故障并确保系统/过程的可靠性，通常有两种类型的预测方法：基于物理的方法和基于数据的方法。基于物理的方法需要对设备基本的退化机制有充分的了解，由于系统复杂性高，且各种生产过程存在异质性，对于各个生产系统均建立物理退化方法可能不现实。另一方面，数据驱动方法不需要故障过程的知识，因此随着数据获取变得越来越方便而获得了广泛的普及。对生产设备加装传感器，用以检测生产过程中的机器物理性能表征方面的过程数据，使用收集到的传感器信号，可以使用各种拟合的退化模型(例如随机过程模型和通用路径模型)很好地表征退化过程。

现有的大多数研究都集中在基于单个传感器信号的退化建模上。基本假设是单个传感器足以捕获退化过程。但是，随着机器或工程系统变得越来越复杂，单个传感器可能无法准确地描述健康状况。随着传感器技术的飞速发展，多传感器信号现已可用于健康状况监测和剩余寿命预测，具有从各种物理方面捕获有关退化过程的多通道信息的优势。因此，使用多个传感器来监视生产设备在多方面的过程数据从而推断工作机器的健康状况已经成为主流方法。

尽管多传感器系统已广泛应用于健康状况监测中，但是如何充分利用多传感器信号来更好地捕获健康状况并预测剩余使用寿命(residual useful lifetime，RUL)却是非常具有挑战性的。通常，每个传感器通常不可能具有相同的捕获退化过程的能力。一些信号可能相比其他信号与潜在的退化过程具有更强的关系。由于每个信号仅包含部分信息，并且多传感器信号可能彼此相关，因此，对多传感器进行适当合理的数据融合可以产生更精确，更可靠的健康状况估计和RUL预测。

发明内容

为了克服上述现有技术的不足，本发明提供一种基于神经网络模型的设备健康指标构建及剩余寿命预测的方法，利用一种新的非线性数据融合方法进行设备健康状况估计和RUL预测，即采用一种用于设备健康指标构建的形状约束神经数据融合网络模型。具体地，采用基于神经网络的函数结构，并通过同时考虑构造的设备健康指标的单调性和曲率及其在失效时的方差来制定新的损失函数，用以约束神经网络的训练过程，通过无监督的学习过程构建出普适的健康指标泳来进行工作机器健康状况的具体量化表征。为了更好的进行神经网络模型参数估计，提出了一种自适应的自适应矩估计算法(Adam)。在信号收集阶段，提出贝叶斯在线更新方法获得对观测信号的预测，从而作为模型的输入。通过本发明方法进行健康指标的系统构建，一方面可以提供对退化过程的风险量化信息的具体表征，具有可视化性；另一方面，采用贝叶斯在线更新方法使得参数随信号数据量的增加而更接近真实值，由此也提高了设备健康状况预测的准确度。

本发明的技术方案是：

基于融合网络模型的机器设备健康指标获取及剩余寿命预测方法，包括：在机器加装多种传感器，用以检测机器的工作状态，如包括发动机的温度、发动机的转速、涡轮的转速等数据，利用收集到的设备的传感器数据信号进行对设备健康指数的模型构建；利用构建的设备健康指数模型对机器设备的剩余使用寿命进行预测。本发明具体包含以下几个步骤：

1)根据健康指数的特性构建设备健康指数约束项，获取设备健康指数值；