[发明专利]一种相似证据非完全降解设备剩余稳定使用寿命预测方法

权利要求书

1.一种相似证据非完全降解设备剩余稳定使用寿命预测方法，其特征在于，能对设备剩余稳定使用寿命进行预测，无需设备从开始使用到当前状态的所有数据，只需设备当前数据能预测设备未来剩余稳定使用寿命，该方法在使用过程中的步骤为：

(1)利用证据相关性分析法将与设备稳定使用寿命呈高相关性的参数类型从设备证据中筛选出来，并通过相关系数得出权重函数；

(2)利用马尔科夫预测链对表示设备使用稳定性的稳定因子进行预测；

假设系统Z在t_i时刻处于状态i_n，则在t_i+1时刻的系统所处状态与t_i时刻前的状态没有关系，这种预测方式符合通过某一时刻当前状态值预测未来设备能够稳定使用的寿命，则如下公式所示：

P{Y_n+1＝i_n+1|Y₀＝i₀,…Y_n＝i_n}＝P{Y_n+1＝i_n+1|Y_n＝i_n}

式中，Y_n为马尔科夫预测链；P为概率函数，则处于t_i+m时刻的系统且处于状态j的概率函数为：

在对参数数据进行预测的时候，将实际的参数序列按照要求分为若干状态，为X₁,X₂,…,X_n，则m步的状态转移概率为：

式中，为系统参数序列从状态X_i经过m步转移到状态X_j的个数，则/定义状态转移矩阵为如下所示：

在马尔科夫预测链中，若使用一步状态转移矩阵，前一时刻的参数数据位于状态X₃，则R⁽¹⁾矩阵的第三行被采用；如果利用多个时刻的参数数据进行预测时，则经过l步的转移到待预测时刻时，如果其数据状态处于X₃，则采用R^(l)的第三行；状态区间的划分利用参数数据序列的平均数和标准差，则利用之前求得的参数类型及数据，则下一时刻的残差修正预测如下公式所示：

式中，ω_i为相关参数的权重；v_i为相关参数的状态中心；因此，通过马尔科夫链预测，得到相关参数的稳定因子预测，即如下公式所示：

式中，K⁽⁰⁾(t_i+1)为原始稳定因子，即其中，s_i为相关参数数据，K表示系统当前所处状态的稳定性能参数即稳定因子；n为样本数据个数；λ_i为设备剩余稳定使用寿命相关系数；

(3)利用设备证据构建反向传播神经网络得出设备使用寿命稳定性的稳定因子变化函数，将当前预测出的设备稳定因子带入神经网络进行分析，如果当前稳定因子符合设备数据分析中得到的稳定性要求，则继续预测，直到设备稳定因子超出稳定性要求阈值，则停止预测；

(4)通过数据拟合得出该稳定因子对应的设备剩余稳定使用寿命。

2.如权利要求1所述的相似证据非完全降解设备剩余稳定使用寿命预测方法，其特征在于，所述步骤(2)提出表示设备使用稳定性的稳定因子，利用马尔科夫预测链对表示设备使用稳定性的稳定因子进行预测；所述步骤(3)提出利用设备证据构建反向传播神经网络，通过神经网络学习训练得出设备使用寿命稳定性的稳定因子变化函数，将当前预测出的设备稳定因子带入神经网络进行分析，如果当前稳定因子符合设备数据分析中得到的稳定性要求，则继续预测，直到设备稳定因子超出稳定性要求阈值，则停止预测；所述步骤(4)通过数据拟合得出该稳定因子对应的设备剩余稳定使用寿命，且无需设备从开始使用到当前状态的所有数据，只需当前设备数据就能够完成对非完全降解设备剩余稳定使用寿命的预测。