IEEEJAS的个人博客分享 http://blog.sciencenet.cn/u/IEEEJAS

博文

基于两阶段自适应Wiener过程的剩余寿命预测方法

已有 1195 次阅读 2022-6-23 17:12 |系统分类:博客资讯

引用本文

 

董青, 郑建飞, 胡昌华, 李冰, 牟含笑. 基于两阶段自适应Wiener过程的剩余寿命预测方法.  自动化学报, 2022, 48(2): 539553 doi: 10.16383/j.aas.c210057

Dong Qing, Zheng Jian-Fei, Hu Chang-Hua, Li Bing, Mu Han-Xiao. Remaining useful life prognostic method based on two-stage adaptive wiener process. Acta Automatica Sinica, 2022,  48(2): 539553 doi: 10.16383/j.aas.c210057

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210057

 

关键词

 

剩余寿命,两阶段自适应Wiener过程,期望最大化算法,赤池信息准则 

 

摘要

 

针对退化过程呈现两阶段特征的一类随机退化设备, 现有剩余寿命预测方法不适用于测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况, 并且忽略了自适应漂移的可变性. 鉴于此, 提出了一种新的考虑个体差异性的两阶段自适应Wiener过程剩余寿命预测模型与方法. 首先, 基于自适应Wiener过程分阶段构建随机退化模型, 在首达时间意义下推导出寿命和剩余寿命解析式. 然后, 结合Kalman滤波技术和期望最大化算法进行参数自适应更新, 同时利用赤池信息准则实现退化模型变点的辨识. 最后, 通过蒙特卡洛仿真和锂电池实例, 验证了本文所提方法的有效性和实用价值.

 

文章导读

 

随着高新技术的迅猛发展, 现代工业设备正朝着大型化、复杂化和智能化趋势快速发展. 这类设备在运行过程中由于受到内部和外部因素的随机影响, 性能和健康状态不可避免地呈现下降趋势乃至退化失效, 导致无法完成正常任务和功能, 进而引发严重事故, 造成环境破坏和人员伤亡[1-3]. 如果能在设备性能退化初期对其进行剩余寿命预测(Remaining useful life, RUL), 并基于预测结果确定维修决策的最佳时机, 制定相应的备件订购或替换策略, 将有效提高设备运行可靠性、降低运行成本. 近年来, 预测与健康管理技术(Prognostics and health management, PHM)得到广泛关注和应用, 已经成为可靠性领域的热点研究方向, PHM技术的关键在于预测运行设备的剩余寿命. 因此, 如何得到精确且符合实际情况的剩余寿命, 对切实保障系统的运行安全性、可靠性与经济性具有重要的意义[4-7].

 

经过几十年的发展, RUL预测取得了丰硕的理论成果并得到广泛应用. 袁烨等[8]将寿命预测研究主要分为模型方法和数据驱动方法. 数据驱动方法主要包括统计方法和机器学习方法, 基于设备大量退化数据推导退化模型, 进而判断超过失效阈值的时间预测剩余寿命, : 最小二乘方法、支持向量机方法和深度学习方法等. 模型方法分为物理退化模型(机理建模)和经验退化模型. 相比于物理退化模型, 经验退化模型能通过随机模型对监测数据建模, 进而得到寿命或剩余寿命的概率分布, 便于量化寿命或剩余寿命的不确定性, 从而为健康管理奠定基础, 更加适用于现代复杂工业设备. 而在经验退化模型中, Wiener过程和Gamma过程是两种最常用随机过程退化建模的方法. Gamma过程是一种增量非负的单调过程, 主要适用于单调退化过程, 如磨损过程、疲劳扩展过程. 但在工程实际中, 设备的退化过程大多为非单调, 如锂电池容量退化、惯性平台陀螺仪的退化等. Wiener过程作为非单调退化过程, 凭借良好的数学特性, RUL预测和健康管理领域得到广泛应用.

 

近年来, 大多数基于Wiener过程退化建模方法普遍假设系统在退化过程中是一种遵循单一阶段的随机退化模型. 但在工程实际中, 由于受到内部因素(: 退化机理突变)或外部因素(: 动态环境、状态切换等)的影响, 许多设备的退化特性呈现出两阶段乃至多阶段退化特征[9]. 例如锂电池[10]开始时经历一个平稳退化期, 随着充放电的进行, 固体电解质层在电极上的生长以及副反应导致的活性材料的损失, 导致锂电池容量在后一阶段迅速衰落; 液力耦合器[11]开始时经历一个快速退化期, 当到达某一时刻(变点)退化速度明显下降, 与之类似的还有半导体激光器[12]、等离子显示板[13-14].

 

对于这种存在变点、呈现两阶段退化特性的设备进行退化建模和RUL预测, 已有不少学者进行了研究和拓展. Ng[12]根据退化数据的两阶段特性, 提出一种基于单个变点独立增量的两阶段随机退化模型, 并采用期望最大化(Expectation maximization, EM)算法对模型参数进行估计. Yan[15]基于两阶段Wiener过程模型对液力耦合器进行可靠性校验, 并根据赤池信息准则(Schwarz information criterion, SIC)对变点进行辨识. Chen[16]改进两阶段线性对数模型来描述滚球轴承的分阶段退化过程, 并用贝叶斯方法更新模型参数进行寿命估计. Wang[17]提出了一种两阶段退化模型用于轴承退化数据的建模, 在第一段假设处于健康状态, 在第二段结合卡尔曼滤波和EM算法进行RUL估计. Peng[18]为了提高RUL预测的鲁棒性和效率, 开发了一种半解析预测模型, 该模型可以避免RUL预测的大幅度波动, 自动跟踪不同的退化阶段, 并自适应地更新超参数. Zhang[19]在两阶段Wiener过程退化模型的框架下, 推导出基于首达时间意义的寿命分布, 该模型优势在于充分考虑并量化变点处退化量的不确定性同时能够推广至更具有一般性的多阶段退化模型中.

 

尽管两阶段以及多阶段退化模型已经取得了一些理论与实际应用成果, 但仍存在一些问题有待解决. 目前大多数两阶段退化模型(: Zhang[19])都是基于Wang[20]所提出的一阶自回归模型进行建模, 但该模型存在三点不足: 1) 假设噪声项是独立且均匀分布, 并且仅适用于均匀测量间隔. 由于不是自动测量或根据某些设计方案进行测量等原因, 在工程实际中设备退化过程的测量间隔往往是不均匀的; 2) 当使用多组同类型退化设备的历史数据或先验信息估计模型未知参数时, 必须要求监测数据的测量频率与历史数据中的测量频率相同. 否则, 历史数据将不再适用; 3) 该模型退化建模存在一个潜在假设, 即在后一时刻估计的随机参数与前一时刻的随机参数的后验估计完全相等, 并且当该模型用于RUL预测时, 使用最新的监测值来更新漂移系数, 该漂移系数从最后监测点开始保持不变, 直到系统发生故障. 这意味着该模型假设可以根据实时监测数据自适应更新漂移系数, 但在未来的RUL预测中忽略这种自适应漂移可变性.

 

针对上述问题, 本文提出了一种基于自适应Wiener过程的两阶段退化模型, 突破测量间隔固定和采样频率一致的要求限制, 同时考虑对表征退化个体差异性的漂移系数实现自适应更新. 在首达时间意义下, 推导出两阶段自适应Wiener过程模型的RUL分布解析式, 结合EM算法和Kalman滤波技术对模型参数进行估计和更新, 并基于SIC实现退化变点辨识, 最后通过锂电池的实例研究验证了本文所提方法可有效实现两阶段退化设备的RUL预测.

 1  两种模型RUL预测结果

 3  锂电池容量退化

 8  CS2-37RUL预测结果

 

本文针对工程实际中存在阶段性退化特征的一类设备, 建立了两阶段自适应Wiener过程退化模型进行RUL预测, 重点阐述了模型参数估计和隐含状态更新方法, 最后通过锂电池退化数据验证所提模型的可靠性和有效性. 具体结论如下:

1)建立自适应Wiener过程模型, 克服了一般Wiener过程模型存在的测量间隔不均匀、测量频率不一致以及在RUL预测中没有利用实时监测数据自适应更新漂移系数三点不足, 提出一种新的考虑个体差异性两阶段预测模型.

2)在首达时间意义下, 推导出两阶段自适应Wiener过程模型寿命和剩余寿命PDF的解析表达式, 实现RUL的实时估计.

3)基于Kalman滤波算法和EM算法进行参数估计和自适应更新, 实现设备的实时可靠性评估, 为维护决策提供依据. 最后通过锂电池实例验证了本文所提方法的有效性.

 

本文主要适用于退化数据呈两阶段随机退化设备研究, 但对于大型复杂设备, 由于环境以及工作任务变换的影响, 可能存在多个工况或状态切换的现象, 进而导致多阶段情况发生. 下一步可深入拓展多状态多阶段复杂随机系统的退化建模、RUL预测与维护决策的问题研究.

 

作者简介

 

董青

火箭军工程大学硕士研究生. 主要研究方向为预测与健康管理, 预测维护. E-mail: 18756528162@163.com

 

郑建飞

火箭军工程大学副教授. 主要研究方向为预测与健康管理, 可靠性和预测维护. 本文通信作者. E-mail: zjf302@126.com

 

胡昌华

火箭军工程大学教授, 长江学者. 主要研究方向包括故障诊断和预测, 寿命预测和容错控制. E-mail: hch666@163.com

 

李冰

火箭军装备部驻西安地区第一军事代表室工程师. 主要研究方向为可靠性和预测维护. E-mail: yanyunsheng-518@163.com

 

牟含笑

火箭军工程大学硕士研究生. 主要研究方向为预测与健康管理, 预测维护和深度神经网络. E-mail: 18730269356@163.com




https://wap.sciencenet.cn/blog-3291369-1344216.html

上一篇:基于 GBDT 的铁路事故类型预测及成因分析
下一篇:《自动化学报》17篇文章入选2021“领跑者5000”顶尖论文
收藏 IP: 222.131.244.*| 热度|

0

该博文允许注册用户评论 请点击登录 评论 (0 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2022-8-14 14:36

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部