[发明专利]基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端

说明书

本发明属于工件寿命预测领域，针对现有技术中零件剩余寿命时精度不高的问题提出了基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端，该方法包括获取预设的健康预测模型；获取目标健康指数；根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间；其中健康预测模型的建立是通过将时间序列和阶数上限带入ARIMA模型中获得的，实质为，根据历史综合健康指数随时间变化的规律，推测出该零件在未来的某个时刻出现目标健康指数的时间。

技术领域

本发明属于工件寿命预测领域，基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端。

背景技术

在机床实际工作中，各个零件的使用寿命各不相同，为保证机床的正常工作，通常需要了解每个零件的剩余寿命。在现有技术中，通常都是从零件购入的标签来看它能够使用的有效时间，再结合当前使用时间，通过计算有效时间与当前使用时间的差值，即可得到该零件的使用剩余寿命。由于有效时间是零件在出厂时进行检测的，而零件出厂后经过运输、工作损耗(如在机床上与其他零件之间摩擦所产生的损耗)，其真实剩余时间寿命是小于上述所计算的使用剩余寿命的。也就是说，现有技术中，计算零件的剩余寿命，其方式并不准确。

发明内容

本发明提供了基于自回归求和滑动平均模型的数控机床剩余寿命预测方法、装置和网络侧服务端，解决了现有技术中，计算零件剩余寿命时精度不高的问题。

本发明的基础方案为：基于自回归求和滑动平均模型的数控机床剩余寿命预测方法，包括：

获取预设的健康预测模型；

获取目标健康指数；

根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间。

进一步，所述健康预测模型的调试，包括：

获取综合健康指数，与综合健康指数相关联的时间；

将归一化的综合健康指数与时间关联，集合成时间序列；

计算时间序列的样本方差

将时间健康序列带入到ARIMA模型中，通过最小贝叶斯信息准则，对自回归阶数P和滑动平均阶数Q进行定阶。

进一步，所述ARIMA模型为：

其中HI_t,d是经过d次差分后得到的平稳时间序列值，P为自回归阶数，Q为滑动平均阶数，μ_p是自回归系数，θ_q是滑动平均系数，ε_t表示零均值白噪声序列。

进一步，所述自回归阶数P和滑动平均阶数Q进行定阶，包括：

获取预定的阶数上限L；

对自回归阶数P和滑动平均阶数Q进行定阶，

使其满足

BIC(P′,Q′)＝min_0≤P,Q≤LBIC(P,Q)。

进一步，所述自回归阶数P和滑动平均阶数Q进行定阶后，采用矩估计调整ARIMA模型中的参数。

进一步，所述自回归阶数P和滑动平均阶数Q进行定阶后，将定阶好的自回归阶数P和滑动平均阶数Q带入到所述ARIMA模型中，得到预测模型并输出。

进一步，所述根据目标健康指数和预设的健康预测模型，计算得到剩余寿命时间，包括：

根据目标健康指数和健康预测模型计算出最大寿命时间；

获取当前时间；