本發(fā)明涉及機(jī)械設(shè)備的壽命預(yù)測(cè)領(lǐng)域，且特別涉及一種多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法及系統(tǒng)。

背景技術(shù)：

機(jī)械設(shè)備(如飛機(jī)上的發(fā)動(dòng)機(jī))狀態(tài)預(yù)測(cè)與剩余使用壽命(remainingusefullife，簡(jiǎn)稱rul)計(jì)算是一種基于機(jī)械設(shè)備過去及當(dāng)前的狀態(tài)而對(duì)其未來的使用狀態(tài)進(jìn)行計(jì)算的技術(shù)。一套高效可靠的狀態(tài)預(yù)測(cè)與剩余使用壽命計(jì)算方法對(duì)機(jī)械設(shè)備的維護(hù)服務(wù)具有極其重要的指導(dǎo)作用?；陬A(yù)測(cè)計(jì)算的結(jié)果，可以有效地掌握機(jī)械設(shè)備未來的健康狀態(tài)或衰退情況，從而可以提前做出合理的決策，或是通過及時(shí)的安排機(jī)械設(shè)備檢修，或是通過更換零部件，以避免出現(xiàn)可能的失效或故障而為企業(yè)帶來巨大的經(jīng)濟(jì)效益，同時(shí)還可以保障為客戶提供始終優(yōu)質(zhì)的產(chǎn)品服務(wù)。預(yù)測(cè)計(jì)算技術(shù)是避免決策片面性和決策失誤的重要手段。此外，預(yù)測(cè)計(jì)算技術(shù)作為機(jī)械設(shè)備健康狀態(tài)的預(yù)知與維護(hù)方法，尤其是故障預(yù)測(cè)與健康管理(phm)方法的至關(guān)重要的模塊，是其區(qū)別于傳統(tǒng)的非計(jì)劃性維護(hù)和計(jì)劃性維護(hù)的重要特征，卻也是目前發(fā)展相對(duì)最不成熟、不完善的模塊。

目前，各學(xué)科領(lǐng)域，例如醫(yī)藥、氣象、核能、金融、機(jī)械、航空航天、電子等都不同程度地研究并運(yùn)用著各種預(yù)測(cè)方法，這些預(yù)測(cè)方法大體上可以分為兩個(gè)大類：

第一種是基于模型的預(yù)測(cè)方法。典型的基于模型的預(yù)測(cè)方法通過建立精確的數(shù)學(xué)方程來描繪系統(tǒng)的物理特性和失效/故障的發(fā)展過程，然后將這種物理意義上對(duì)系統(tǒng)失效和故障的理解用于狀態(tài)預(yù)測(cè)與剩余使用壽命計(jì)算。然而，對(duì)于復(fù)雜的動(dòng)態(tài)的機(jī)械設(shè)備，尤其是那些存在多種失效模式、多種故障模式或運(yùn)行于多工況/多過程環(huán)境中的系統(tǒng)，獲得準(zhǔn)確的數(shù)理分析模型則顯得異常困難。一方面，工程實(shí)踐中往往面臨著關(guān)于系統(tǒng)失效或故障機(jī)制知識(shí)的匱缺，而導(dǎo)致難以建立準(zhǔn)確完備的數(shù)學(xué)模型；另一方面，多工況/多過程環(huán)境可能導(dǎo)致出現(xiàn)原先所建立的數(shù)學(xué)模型中所沒有考慮進(jìn)去的參數(shù)變化，而導(dǎo)致數(shù)學(xué)模型迅速失效。

第二種是基于數(shù)據(jù)的模型預(yù)測(cè)，基于數(shù)據(jù)的預(yù)測(cè)方法還可以進(jìn)一步的分為兩類。①參數(shù)計(jì)算法：參數(shù)計(jì)算法使用帶參數(shù)的函數(shù)模型來構(gòu)建輸入與輸出間的映射關(guān)系。參數(shù)計(jì)算法需要事先確定輸入輸出間的關(guān)系，但是，這種關(guān)系卻并非總是可知的。例如，當(dāng)用線性模型來建模而目標(biāo)函數(shù)并非線性時(shí)，預(yù)測(cè)結(jié)果就會(huì)變得不可靠。在這種情況下，可以嘗試增加函數(shù)的適應(yīng)性，但是還是有可能出現(xiàn)過擬合的危險(xiǎn)，也就是可能得到對(duì)訓(xùn)練數(shù)據(jù)集擬合良好的函數(shù)，卻對(duì)測(cè)試數(shù)據(jù)給出失真的預(yù)測(cè)。②無參數(shù)計(jì)算法：無參數(shù)計(jì)算法沒有確定的函數(shù)形式。不同的無參數(shù)計(jì)算法都有其各自的運(yùn)算模式。無參數(shù)計(jì)算法有回歸樹預(yù)測(cè)和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)等方法?；貧w樹預(yù)測(cè)是決策樹理論的一種應(yīng)用形式，通過一連串的問題而使預(yù)測(cè)到達(dá)終點(diǎn)，并給出預(yù)測(cè)結(jié)果。它實(shí)際上是一種基于經(jīng)驗(yàn)的預(yù)測(cè)方法，高度的歸納了工程技術(shù)人員的經(jīng)驗(yàn)知識(shí)。然而，機(jī)械工程中這種高度概括的判斷規(guī)則往往不可得，也沒法保證預(yù)測(cè)結(jié)果的質(zhì)量。神經(jīng)網(wǎng)絡(luò)技術(shù)是機(jī)器學(xué)習(xí)領(lǐng)域的研究熱點(diǎn)，廣泛地被各個(gè)科學(xué)工程領(lǐng)域的研究人員所使用。然而，許多研究人員逐漸發(fā)現(xiàn)在實(shí)踐中使用神經(jīng)網(wǎng)絡(luò)也并非一件易事。這是由于在使用神經(jīng)網(wǎng)絡(luò)時(shí)往往需要作出許多決定，包括使用何種網(wǎng)絡(luò)結(jié)構(gòu)，選擇何種激活函數(shù)，采用何種學(xué)習(xí)速率等等。此外，神經(jīng)網(wǎng)絡(luò)是個(gè)“黑匣子”，優(yōu)化目標(biāo)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，易陷入局部最優(yōu)，訓(xùn)練結(jié)果不太穩(wěn)定，一般需要大樣本，限制了它的運(yùn)用。

在多工況背景下，對(duì)機(jī)械設(shè)備的狀態(tài)預(yù)測(cè)與剩余使用壽命計(jì)算往往面臨著許多的困難而顯得十分復(fù)雜。首先，許多機(jī)械設(shè)備存在著多失效模式/故障模式。這種多失效/故障模式即可能是由系統(tǒng)中存在多個(gè)子系統(tǒng)或多個(gè)零部件而造成相應(yīng)的多種衰退模式，也可能是由各系統(tǒng)或各零部件本身存在的多種失效/故障模式引起的。不論何種情況，多失效/故障模式都有可能增加衰退模式的多樣性，從而增加對(duì)機(jī)械狀態(tài)預(yù)測(cè)與剩余使用壽命計(jì)算的復(fù)雜度。此外，實(shí)際的機(jī)械設(shè)備往往運(yùn)行于多工況/多過程環(huán)境中，多工況/多過程的運(yùn)行條件一方面往往會(huì)引起系統(tǒng)或其子系統(tǒng)衰退速率的改變，另一方面也會(huì)使得采集到的數(shù)據(jù)變得更加復(fù)雜而難以分析處理。此外，工程實(shí)際中還存在其它各種不可測(cè)量甚至未知的因素，例如人為使用或操作的差異性、環(huán)境因素等都有可能增加系統(tǒng)的不確定性從而造成預(yù)測(cè)問題的復(fù)雜化。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了克服現(xiàn)有的預(yù)測(cè)方法無法準(zhǔn)確地預(yù)測(cè)運(yùn)行在多工況下的機(jī)械設(shè)備的剩余使用壽命，提供一種多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法及系統(tǒng)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法，包括：

獲取機(jī)械設(shè)備的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集；

根據(jù)原始的訓(xùn)練數(shù)據(jù)集構(gòu)建一個(gè)與機(jī)械設(shè)備的當(dāng)前狀態(tài)相對(duì)應(yīng)的高斯過程回歸模型；

根據(jù)獲得的高斯過程回歸模型對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的特征值進(jìn)行預(yù)測(cè)，得到與剩余使用壽命相對(duì)應(yīng)的預(yù)測(cè)值；

判斷得到的預(yù)測(cè)值是否超過設(shè)定閾值；

若是，計(jì)算得到當(dāng)前剩余使用壽命；

若否，將獲得的預(yù)測(cè)值納入訓(xùn)練數(shù)據(jù)集內(nèi)形成新的訓(xùn)練數(shù)據(jù)集并根據(jù)新的訓(xùn)練數(shù)據(jù)集優(yōu)化或自動(dòng)生成新的高斯過程回歸模型，根據(jù)優(yōu)化后的或自動(dòng)生成的新的高斯過程回歸模型對(duì)特征值進(jìn)行預(yù)測(cè)，直到預(yù)測(cè)值超過設(shè)定閾值。

于本發(fā)明一實(shí)施例中，高斯過程回歸模型如下：

其中，f(x)為高斯函數(shù)，y＝f(x)+ε，ε為表征噪音的參數(shù)，y為函數(shù)f(x)帶有噪音的觀察值，n為單位高斯函數(shù)，e為期望函數(shù)，k為n×n協(xié)方差矩陣，i為單位矩陣，f*為測(cè)試點(diǎn)處的函數(shù)值，cov(f*)為協(xié)方差函數(shù)，協(xié)方差函數(shù)內(nèi)含有超參數(shù)，σ為期望值。

于本發(fā)明一實(shí)施例中，協(xié)方差函數(shù)為squaredexponential核函數(shù)、maternclass核函數(shù)、exponential核函數(shù)、γ-exponential核函數(shù)、rationalquadratic核函數(shù)、neuralnetwork核函數(shù)、linear核函數(shù)、independent核函數(shù)、isotropicrationalquadratic核函數(shù)或isotropicsquaredexponential核函數(shù)中的任一種。

于本發(fā)明一實(shí)施例中，在優(yōu)化高斯過程回歸模型時(shí)利用訓(xùn)練數(shù)據(jù)集內(nèi)的數(shù)據(jù)使用最大化邊緣似然法對(duì)協(xié)方差函數(shù)內(nèi)的超參數(shù)進(jìn)行優(yōu)化，優(yōu)化的公式為：

其中，p為給定函數(shù)y后數(shù)據(jù)出現(xiàn)的概率，k為n×n協(xié)方差矩陣，θ為超參數(shù)向量，tr為矩陣跡。

于本發(fā)明一實(shí)施例中，歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)包括機(jī)械設(shè)備的操作狀態(tài)參數(shù)數(shù)據(jù)、傳感器的測(cè)量數(shù)據(jù)、訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)。

于本發(fā)明一實(shí)施例中，形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集的步驟為：

將獲取到的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)按照機(jī)械設(shè)備的操作狀態(tài)參數(shù)數(shù)據(jù)進(jìn)行特征區(qū)間劃分；

在獲取到的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)中選擇隨著機(jī)械設(shè)備的使用而呈現(xiàn)收斂性的數(shù)據(jù)作為特征值；

對(duì)獲取到的特征值進(jìn)行歸一化和主分量分析，對(duì)特征值進(jìn)行壓縮融合。

于本發(fā)明一實(shí)施例中，機(jī)械設(shè)備的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)通過衛(wèi)星傳輸至云端服務(wù)器，云端服務(wù)器對(duì)數(shù)據(jù)進(jìn)行特征提取后采用高斯過程回歸模型進(jìn)行剩余使用壽命計(jì)算，最后將計(jì)算數(shù)據(jù)發(fā)送至用戶終端。

于本發(fā)明一實(shí)施例中，設(shè)定閾值為機(jī)械設(shè)備在該設(shè)定閾值所在的特征空間內(nèi)所能承受的最大值或最小值，設(shè)定閾值是經(jīng)過失效試驗(yàn)所獲得的具有指導(dǎo)性的數(shù)值。

于本發(fā)明一實(shí)施例中，利用高斯過程回歸模型以逐步預(yù)測(cè)的方式對(duì)特征值進(jìn)行預(yù)測(cè)。

本發(fā)明另一方面還提供一種多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算系統(tǒng)，包括數(shù)據(jù)獲取模塊、構(gòu)建模塊、預(yù)測(cè)模塊、判斷模塊、計(jì)算模塊和優(yōu)化模塊。數(shù)據(jù)獲取模塊獲取機(jī)械設(shè)備的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集。構(gòu)建模塊根據(jù)原始的訓(xùn)練數(shù)據(jù)集構(gòu)建一個(gè)與機(jī)械設(shè)備的當(dāng)前狀態(tài)相對(duì)應(yīng)的高斯過程回歸模型。預(yù)測(cè)模塊根據(jù)獲得的高斯過程回歸模型對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的特征值進(jìn)行預(yù)測(cè)，得到與剩余使用壽命相對(duì)應(yīng)的預(yù)測(cè)值。判斷模塊判斷得到的預(yù)測(cè)值是否超過設(shè)定閾值。若判斷模塊判斷得到的預(yù)測(cè)值超過設(shè)定閾值時(shí)，計(jì)算模塊計(jì)算得到當(dāng)前剩余使用壽命。若判斷模塊判斷得到的預(yù)測(cè)值未超過設(shè)定閾值時(shí)，優(yōu)化模塊將獲得的預(yù)測(cè)值納入訓(xùn)練數(shù)據(jù)集內(nèi)形成新的訓(xùn)練數(shù)據(jù)集并根據(jù)新的訓(xùn)練數(shù)據(jù)集優(yōu)化或自動(dòng)生成新的高斯過程回歸模型，預(yù)測(cè)模塊根據(jù)優(yōu)化后的或自動(dòng)生成的新的高斯過程回歸模型對(duì)特征值進(jìn)行預(yù)測(cè)，直到預(yù)測(cè)值超過設(shè)定閾值。

綜上所述，本發(fā)明提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法及系統(tǒng)通過高斯過程回歸模型對(duì)機(jī)械設(shè)備的狀態(tài)進(jìn)行預(yù)測(cè)，進(jìn)而計(jì)算出機(jī)械設(shè)備的剩余使用壽命。高斯過程回歸模型可以不斷地學(xué)習(xí)機(jī)械設(shè)備運(yùn)行所產(chǎn)生的數(shù)據(jù)，進(jìn)而不斷優(yōu)化和更新自身的協(xié)方差函數(shù)和超參數(shù)，使其自身對(duì)機(jī)械設(shè)備的變化作出適應(yīng)，從而解決多工況環(huán)境下的機(jī)械設(shè)備的狀態(tài)預(yù)測(cè)問題，從而精確地計(jì)算出機(jī)械設(shè)備的剩余使用壽命。

進(jìn)一步的，為使得高斯過程回歸模型能盡可能多的學(xué)習(xí)訓(xùn)練數(shù)據(jù)而積累對(duì)預(yù)測(cè)的知識(shí)，從而將這種知識(shí)運(yùn)用于未來的機(jī)械設(shè)備的狀態(tài)預(yù)測(cè)中，設(shè)置高斯過程回歸模型以逐步預(yù)測(cè)的方式對(duì)特征值進(jìn)行預(yù)測(cè)，每一步的預(yù)測(cè)都是一次自我學(xué)習(xí)和自我優(yōu)化的過程，大大提高了高斯過程回歸模型對(duì)多工況下的機(jī)械設(shè)備的剩余使用壽命的計(jì)算精準(zhǔn)度。

為讓本發(fā)明的上述和其它目的、特征和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例，并配合附圖，作詳細(xì)說明如下。

附圖說明

圖1所示為本發(fā)明一實(shí)施例提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法的流程圖。

圖2所示為圖1中步驟s1的具體流程圖。

圖3所示為采用實(shí)施例一提供的高斯過程回歸模型對(duì)第5號(hào)測(cè)試數(shù)據(jù)文件進(jìn)行高斯過程回歸預(yù)測(cè)的結(jié)果。

圖4所示為采用實(shí)施例一提供的高斯過程回歸模型對(duì)第65號(hào)測(cè)試數(shù)據(jù)文件進(jìn)行預(yù)測(cè)的結(jié)果。

圖5所示為采用實(shí)施例一提供的高斯過程回歸模型對(duì)所有100個(gè)測(cè)試數(shù)據(jù)文件進(jìn)行剩余使用壽命計(jì)算的結(jié)果

圖6所示為圖本發(fā)明一實(shí)施例提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算系統(tǒng)的原理框圖。

圖7所示為實(shí)施例二中所模擬的某個(gè)發(fā)動(dòng)機(jī)的整個(gè)衰退過程的曲線圖。

圖8所示為實(shí)施例二中采用高斯過程回歸模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。

圖9所示為實(shí)施例二中采用arma模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。

圖10所示為實(shí)施例二中采用enn模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。

具體實(shí)施方式

由于多工況或多過程環(huán)境中機(jī)械設(shè)備的狀態(tài)變化非常復(fù)雜，現(xiàn)有的預(yù)測(cè)方法，不管是基于模型的預(yù)測(cè)方法還是基于數(shù)據(jù)的預(yù)測(cè)方法均無法對(duì)其運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確的預(yù)測(cè)，從而無法精確地計(jì)算機(jī)械設(shè)備的剩余使用壽命。有鑒于此，本發(fā)明提供一種多工況下的機(jī)械設(shè)備的剩余使用壽命的計(jì)算方法和系統(tǒng)。

如圖1所示，本實(shí)施例提供一種多工況下的機(jī)械設(shè)備的剩余使用壽命的計(jì)算方法，該方法包括：獲取機(jī)械設(shè)備的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集(步驟s1)。根據(jù)原始的訓(xùn)練數(shù)據(jù)集構(gòu)建一個(gè)與機(jī)械設(shè)備的當(dāng)前狀態(tài)相對(duì)應(yīng)的高斯過程回歸模型(步驟s2)。根據(jù)獲得的高斯過程回歸模型對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的特征值進(jìn)行預(yù)測(cè)，得到與剩余使用壽命相對(duì)應(yīng)的預(yù)測(cè)值(步驟s3)。判斷預(yù)測(cè)值是否超過設(shè)定閾值(步驟s4)。若是，計(jì)算得到當(dāng)前剩余使用壽命(步驟s5)。若否，將獲得的預(yù)測(cè)值納入訓(xùn)練數(shù)據(jù)集內(nèi)形成新的訓(xùn)練數(shù)據(jù)集并根據(jù)新的訓(xùn)練數(shù)據(jù)集優(yōu)化或自動(dòng)生成新的高斯過程回歸模型(步驟s6)。根據(jù)優(yōu)化后的或自動(dòng)生成的新的高斯過程回歸模型對(duì)特征值進(jìn)行預(yù)測(cè)(步驟s3)，直到預(yù)測(cè)值超出設(shè)定閾值。

本實(shí)施例以飛機(jī)渦輪發(fā)動(dòng)機(jī)(簡(jiǎn)稱發(fā)動(dòng)機(jī))為例來詳細(xì)介紹本發(fā)明提供的多工況下的機(jī)械設(shè)備的剩余使用壽命的計(jì)算方法。然而，本發(fā)明對(duì)此不作任何限定。于其它實(shí)施例中，本發(fā)明提供的計(jì)算方法同樣適用于其它在多工況狀態(tài)下運(yùn)行的機(jī)械設(shè)備。

本實(shí)施例提供的計(jì)算方法始于步驟s1，首先獲取發(fā)動(dòng)機(jī)的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)。于本實(shí)施例中，發(fā)動(dòng)機(jī)的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)包括發(fā)動(dòng)機(jī)的操作狀態(tài)參數(shù)數(shù)據(jù)和傳感器的測(cè)量數(shù)據(jù)。為實(shí)時(shí)獲取飛機(jī)上發(fā)動(dòng)機(jī)的數(shù)據(jù)，于本實(shí)施例中，發(fā)動(dòng)機(jī)的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)通過衛(wèi)星傳輸至云端服務(wù)器，云端服務(wù)器對(duì)數(shù)據(jù)進(jìn)行特征提取后采用高斯過程回歸模型進(jìn)行剩余使用壽命計(jì)算，最后將計(jì)算數(shù)據(jù)發(fā)送至用戶終端?；谠朴?jì)算的應(yīng)用帶來多方面的優(yōu)勢(shì)。云端分布式的環(huán)境可以提供比單個(gè)硬件設(shè)備更好、更快的計(jì)算環(huán)境。當(dāng)主計(jì)算服務(wù)器收到某段表征信號(hào)時(shí)，可以將沒有依賴關(guān)系的數(shù)據(jù)分段，分配給多個(gè)從服務(wù)器進(jìn)行并行計(jì)算；最終主計(jì)算服務(wù)器將各個(gè)從計(jì)算服務(wù)器計(jì)算結(jié)果匯總，完成預(yù)測(cè)計(jì)算。目前，hadoop和spark是當(dāng)今比較流行的開源并行計(jì)算框架，可以根據(jù)計(jì)算的需求隨時(shí)調(diào)整從計(jì)算服務(wù)器的數(shù)量，以最快的速度完成計(jì)算。同時(shí)，由于數(shù)據(jù)和計(jì)算結(jié)果存儲(chǔ)在云端，終端用戶可以隨時(shí)、隨地通過各種終端設(shè)備訪問數(shù)據(jù)。例如飛機(jī)在空中飛行中，地面監(jiān)控可以通過大屏幕實(shí)時(shí)了解剩余壽命預(yù)測(cè)，為安全飛行保駕護(hù)航。

于本實(shí)施例中，發(fā)動(dòng)機(jī)的操作狀態(tài)參數(shù)數(shù)據(jù)具有3個(gè)，分別是飛機(jī)的飛行海拔高度、速度和推力值；傳感器的測(cè)量數(shù)據(jù)具有21個(gè)，包括溫度、壓力和速度等數(shù)據(jù)。這些數(shù)據(jù)經(jīng)特征提取后形成了高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集。具體的信號(hào)分析和特征提取步驟如下：

步驟s11、將獲取到的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)按照機(jī)械設(shè)備的操作狀態(tài)參數(shù)數(shù)據(jù)進(jìn)行特征區(qū)間劃分。于本實(shí)施例中，發(fā)動(dòng)機(jī)具有3個(gè)操作狀態(tài)參數(shù)，根據(jù)這3個(gè)操作狀態(tài)參數(shù)將數(shù)據(jù)分成6個(gè)特征空間。特征空間的劃分使得測(cè)量的數(shù)據(jù)和訓(xùn)練數(shù)據(jù)集內(nèi)的數(shù)據(jù)可以在相同的特征空間內(nèi)進(jìn)行比較學(xué)習(xí)，消除了變工況的影響。

步驟s12、在獲取到的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)內(nèi)選擇合適的特征值來表征機(jī)械設(shè)備的運(yùn)行狀態(tài)。即在所有的21個(gè)傳感器測(cè)量數(shù)據(jù)中保留那些具有預(yù)測(cè)價(jià)值的特征值，去除那些影響預(yù)測(cè)的沒有預(yù)測(cè)價(jià)值的特征值。所述的具有預(yù)測(cè)價(jià)值的特征值指的是那些隨著發(fā)動(dòng)機(jī)的使用時(shí)間增加，呈現(xiàn)一定收斂性的數(shù)據(jù)。于本實(shí)施例中，在21個(gè)測(cè)量數(shù)據(jù)中保留了7個(gè)具有預(yù)測(cè)價(jià)值的特征值。

步驟s13、對(duì)獲取到的特征值進(jìn)行歸一化和主分量分析，對(duì)特征值進(jìn)行壓縮融合。歸一化是把需要處理的數(shù)據(jù)經(jīng)過處理后限制在一定的范圍內(nèi)，保障后續(xù)數(shù)據(jù)處理的方便和程序運(yùn)行時(shí)收斂加快。主分量分析是通過一個(gè)線性變換把數(shù)據(jù)變換到一個(gè)新的坐標(biāo)系統(tǒng)中，使得任何數(shù)據(jù)投影的第一大方差在第一個(gè)坐標(biāo)(稱為第一主成分)上，第二大方差在第二個(gè)坐標(biāo)(第二主成分)上，依次類推。它是一種簡(jiǎn)化數(shù)據(jù)集的技術(shù)，以減少數(shù)據(jù)集的維數(shù)，同時(shí)保持?jǐn)?shù)據(jù)集中對(duì)方差貢獻(xiàn)最大的特征，從而能夠保留住數(shù)據(jù)的最重要方面。于本實(shí)施例中，通過這個(gè)步驟將7個(gè)特征值進(jìn)一步融合為1個(gè)特征值。

于本實(shí)施例中將提取的特征值結(jié)合100個(gè)疲勞試驗(yàn)數(shù)據(jù)文件和100個(gè)測(cè)試數(shù)據(jù)文件形成了高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集。其中，100個(gè)疲勞試驗(yàn)數(shù)據(jù)文件用于模擬發(fā)動(dòng)機(jī)從嶄新的出產(chǎn)狀態(tài)到終止壽命的全過程；100個(gè)測(cè)試數(shù)據(jù)文件用于模擬發(fā)動(dòng)機(jī)從某種狀態(tài)a運(yùn)行至另一種狀態(tài)b的過程，并需要預(yù)測(cè)發(fā)動(dòng)機(jī)從狀態(tài)b開始到終止壽命之間的剩余使用壽命。

在形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集后，執(zhí)行步驟s2，根據(jù)原始的數(shù)據(jù)訓(xùn)練集創(chuàng)建一個(gè)與機(jī)械設(shè)備的當(dāng)前狀態(tài)相對(duì)應(yīng)的高斯過程回歸模型。所述相對(duì)應(yīng)是指高斯過程回歸模型內(nèi)的協(xié)方差函數(shù)和超參數(shù)是根據(jù)原始的數(shù)據(jù)訓(xùn)練集而確定的，確定的方法為根據(jù)原始的數(shù)據(jù)訓(xùn)練集采用最大化邊緣似然法得到。于本實(shí)施例中，高斯過程回歸模型如公式一所示：

其中，f(x)為高斯函數(shù)，y＝f(x)+ε，ε為表征噪音的參數(shù)，y為函數(shù)f(x)帶有噪音的觀察值，n為單位高斯函數(shù)，e為期望函數(shù)，k為n×n協(xié)方差矩陣，i為單位矩陣，f*為測(cè)試點(diǎn)處的函數(shù)值，cov(f*)為協(xié)方差函數(shù)，協(xié)方差函數(shù)內(nèi)含有超參數(shù)，σ為期望值。

于本實(shí)施例中，協(xié)方差函數(shù)為squaredexponential核函數(shù)。然而，本發(fā)明對(duì)此不作任何限定。于其它實(shí)施例中，協(xié)方差函數(shù)可為maternclass核函數(shù)、exponential核函數(shù)、γ-exponential核函數(shù)、rationalquadratic核函數(shù)、neuralnetwork核函數(shù)、linear核函數(shù)、independent核函數(shù)、isotropicrationalquadratic核函數(shù)或isotropicsquaredexponential核函數(shù)中的任一種。

在獲得高斯過程回歸模型后執(zhí)行步驟s3，對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的特征值進(jìn)行預(yù)測(cè)，得到與剩余使用壽命相對(duì)應(yīng)的預(yù)測(cè)值。于本實(shí)施例中，在進(jìn)行預(yù)測(cè)時(shí)在時(shí)間軸上以一定的時(shí)間間隔逐步地給出單步的預(yù)測(cè)值，如以每步步長(zhǎng)為10小時(shí)的間隔進(jìn)行逐步預(yù)測(cè)。然而，本發(fā)明對(duì)此不作任何限定。于其它實(shí)施例中，可以進(jìn)行多步預(yù)測(cè)后進(jìn)行剩余使用壽命的計(jì)算。逐步預(yù)測(cè)或多步預(yù)測(cè)可以根據(jù)每次預(yù)測(cè)的結(jié)果來不斷優(yōu)化高斯過程回歸模型，積累各種高斯過程回歸模型。例如可以學(xué)習(xí)用31個(gè)歷史數(shù)據(jù)預(yù)測(cè)單個(gè)未來值的模型或者是用361個(gè)歷史數(shù)據(jù)預(yù)測(cè)單個(gè)未來值的模型，這樣就可以得到一個(gè)十分豐富的數(shù)據(jù)庫(kù)。數(shù)據(jù)庫(kù)中包含了各種高斯過程回歸模型及其訓(xùn)練數(shù)據(jù)集、協(xié)方差函數(shù)和超參數(shù)信息。以上所學(xué)到的兩方面的知識(shí)就構(gòu)成了從訓(xùn)練數(shù)據(jù)集到知識(shí)庫(kù)的主要組成方面，并用于測(cè)試數(shù)據(jù)文件的預(yù)測(cè)。例如，將這種知識(shí)用于包括60個(gè)歷史數(shù)據(jù)的測(cè)試文件的預(yù)測(cè)，首先就可以選擇知識(shí)庫(kù)中的60點(diǎn)高斯過程回歸模型、相應(yīng)的協(xié)方差函數(shù)和超參數(shù)給出對(duì)第61點(diǎn)的預(yù)測(cè)，然后選擇知識(shí)庫(kù)中的61點(diǎn)高斯過程回歸模型、相應(yīng)的協(xié)方差函數(shù)和超參數(shù)給出對(duì)第62點(diǎn)的預(yù)測(cè)。以此類推，直到預(yù)測(cè)值超出設(shè)定閾值為止，結(jié)束預(yù)測(cè)任務(wù)。

在得到預(yù)測(cè)值后，執(zhí)行步驟s4，判斷預(yù)測(cè)值是否超過設(shè)定閾值。所述設(shè)定閾值可以為一個(gè)固定值、多個(gè)固定值的集合、一個(gè)連續(xù)變化的范圍或多個(gè)連續(xù)變化的范圍的集合。具體舉例：固定值，如10這個(gè)端值；多個(gè)固定值的集合，如5,10,15,20等多個(gè)固定端值的集合；連續(xù)變化的范圍如(5,15)；多個(gè)連續(xù)變化的范圍的集合{(5,8),(8,10),(10,12)}。進(jìn)一步的，定義設(shè)定閾值為機(jī)械設(shè)備在該設(shè)定閾值所在的特征空間內(nèi)所能承受的最大值或最小值，設(shè)定閾值一般是經(jīng)過失效試驗(yàn)所獲得的具有指導(dǎo)性的數(shù)值。于本實(shí)施例中，設(shè)定閾值為固定的最大值，其數(shù)值為6.5。然而，本發(fā)明對(duì)此不作任何限定。于其它實(shí)施例中，設(shè)定閾值可以為多個(gè)固定值的集合、一個(gè)連續(xù)變化的范圍或多個(gè)連續(xù)變化的范圍的集合，且設(shè)定閾值可以為最小值(此時(shí)當(dāng)預(yù)測(cè)值小于設(shè)定閾值時(shí)則認(rèn)為機(jī)械設(shè)備失效)。于本實(shí)施例中，當(dāng)預(yù)測(cè)值超過6.5時(shí)則認(rèn)為發(fā)動(dòng)機(jī)失效，此時(shí)的時(shí)間為發(fā)動(dòng)機(jī)的終止壽命，根據(jù)預(yù)測(cè)開始的時(shí)間和發(fā)動(dòng)機(jī)的終止壽命計(jì)算得到發(fā)動(dòng)的當(dāng)前剩余使用壽命(步驟s5)。如預(yù)測(cè)開始的時(shí)間為第990小時(shí)，發(fā)動(dòng)機(jī)的終止壽命為2000小時(shí)，則當(dāng)前發(fā)動(dòng)機(jī)的剩余使用壽命為1010(2000-990＝1010)小時(shí)。

若預(yù)測(cè)值沒有超過設(shè)定閾值，執(zhí)行步驟s6將獲得的預(yù)測(cè)值納入訓(xùn)練數(shù)據(jù)集內(nèi)形成新的訓(xùn)練數(shù)據(jù)集并根據(jù)新的訓(xùn)練數(shù)據(jù)集優(yōu)化或自動(dòng)生成新的高斯過程回歸模型。優(yōu)化的具體過程為：采用最大化邊緣似然法對(duì)高斯過程回歸模型內(nèi)協(xié)方差函數(shù)中的超參數(shù)進(jìn)行優(yōu)化。優(yōu)化的公式為：

其中，p為給定函數(shù)y后數(shù)據(jù)出現(xiàn)的概率，k為n×n協(xié)方差矩陣，θ為超參數(shù)向量，tr為矩陣跡。

在優(yōu)化或自動(dòng)生成新的高斯過程回歸模型后執(zhí)行步驟s3采用優(yōu)化后的或自動(dòng)生成的新的高斯過程回歸模型對(duì)特征值進(jìn)行預(yù)測(cè)，直到預(yù)測(cè)值超出設(shè)定閾值，最終按照步驟s5的計(jì)算方法得到當(dāng)前剩余使用壽命。

圖3所示為采用本實(shí)施例提供的高斯過程回歸模型對(duì)第5號(hào)測(cè)試數(shù)據(jù)文件進(jìn)行高斯過程回歸預(yù)測(cè)的結(jié)果，圖4所示為對(duì)第65號(hào)測(cè)試數(shù)據(jù)文件進(jìn)行預(yù)測(cè)的結(jié)果。從圖3和圖4可以看到預(yù)測(cè)過程較好的按照歷史記錄給出的衰退特征趨勢(shì)給出預(yù)測(cè)，直到超出設(shè)定閾值(于本實(shí)施例中設(shè)定閾值為6.5)為止。圖5是對(duì)所有100個(gè)測(cè)試數(shù)據(jù)文件進(jìn)行剩余使用壽命計(jì)算的結(jié)果。在圖的下半部是真實(shí)的剩余使用壽命，而圖的上半部則描繪了預(yù)測(cè)的剩余使用壽命。通過計(jì)算，預(yù)測(cè)的準(zhǔn)確度為0.85，精確度為22.02，均方誤差為480.8，兩者的結(jié)果十分吻合，該數(shù)據(jù)說明高斯過程回歸可以有效的運(yùn)用于多工況環(huán)境下的發(fā)動(dòng)機(jī)狀態(tài)預(yù)測(cè)與剩余使用壽命計(jì)算。

相對(duì)應(yīng)的，如圖6所示，本實(shí)施例還提供一種與上述提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法相對(duì)應(yīng)的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算系統(tǒng)。該系統(tǒng)包括數(shù)據(jù)獲取模塊10、構(gòu)建模塊20、預(yù)測(cè)模塊30、判斷模塊40、計(jì)算模塊50和優(yōu)化模塊60。數(shù)據(jù)獲取模塊10獲取發(fā)動(dòng)機(jī)的歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)，形成高斯過程回歸模型的原始的訓(xùn)練數(shù)據(jù)集。構(gòu)建模塊20根據(jù)原始的訓(xùn)練數(shù)據(jù)集構(gòu)建一個(gè)與機(jī)械設(shè)備的當(dāng)前狀態(tài)相對(duì)應(yīng)的高斯過程回歸模型。預(yù)測(cè)模塊30根據(jù)獲得的高斯過程回歸模型對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的特征值進(jìn)行預(yù)測(cè)，得到與剩余使用壽命相對(duì)應(yīng)的預(yù)測(cè)值。判斷模塊40判斷得到的預(yù)測(cè)值是否超過設(shè)定閾值。若判斷模塊40判斷得到的預(yù)測(cè)值超過設(shè)定閾值時(shí)，計(jì)算模塊50計(jì)算得到當(dāng)前剩余使用壽命。若判斷模塊40判斷得到的預(yù)測(cè)值未超過設(shè)定閾值時(shí)，優(yōu)化模塊60將獲得的預(yù)測(cè)值納入訓(xùn)練數(shù)據(jù)集內(nèi)形成新的訓(xùn)練數(shù)據(jù)集并根據(jù)新的訓(xùn)練數(shù)據(jù)集優(yōu)化或自動(dòng)生成新的高斯過程回歸模型，預(yù)測(cè)模塊30根據(jù)優(yōu)化后的或自動(dòng)生成的新的高斯過程回歸模型對(duì)特征值進(jìn)行預(yù)測(cè)，直到預(yù)測(cè)值超過設(shè)定閾值。

多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算系統(tǒng)的工作過程與上文中多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法相同，在此不作冗述。

實(shí)施例二

本實(shí)施例通過模擬一個(gè)發(fā)動(dòng)機(jī)的衰退過程來對(duì)比本發(fā)明提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法與預(yù)測(cè)領(lǐng)域十分常見的arma(auto-regressiveandmovingaveragemodel)模型和elam神經(jīng)網(wǎng)絡(luò)模型(簡(jiǎn)稱enn模型)的對(duì)比分析。

于本實(shí)施例中，通過計(jì)算機(jī)模擬了某個(gè)發(fā)動(dòng)機(jī)的整個(gè)衰退過程。如圖7所示，圖中橫坐標(biāo)為時(shí)間，相鄰的兩個(gè)數(shù)據(jù)間隔為10小時(shí)，發(fā)動(dòng)機(jī)的整個(gè)生命周期為1391小時(shí)，因?yàn)樵诘?391小時(shí)，特征值低于了設(shè)定的閾值20。這個(gè)發(fā)動(dòng)機(jī)整個(gè)的衰退過程包含了3個(gè)內(nèi)在的衰退模式，圖7中區(qū)域a1為第一種衰退模式，區(qū)域a2為第二種衰退模式，區(qū)域a3為第三種衰退模式，可以用以下公式表示為：

式中：

flip——數(shù)據(jù)的反轉(zhuǎn)操作符號(hào)；

經(jīng)反轉(zhuǎn)后，原先x軸1000到1500的數(shù)據(jù)反向分布于1到500之間；原先x軸500到1000的數(shù)據(jù)反向分布于原區(qū)間；原先x軸1到500的數(shù)據(jù)反向分布于1000到1500之間。這種復(fù)合的衰退模式主要是為了模擬多工況對(duì)發(fā)動(dòng)機(jī)特征值的衰退率造成的影響。從上述公式還可以看到，一次項(xiàng)和二次項(xiàng)的系數(shù)都逐漸減小，這是為了模擬運(yùn)行后期比前期發(fā)動(dòng)機(jī)惡化程度減慢的衰退情況。此外，三個(gè)模式還分別被加上了均值為0，標(biāo)準(zhǔn)差分別為4、16、64的噪音。用高斯過程回歸模型、arma模型和enn模型進(jìn)行的預(yù)測(cè)均是從第591小時(shí)開始，到第1391小時(shí)結(jié)束，以每步步長(zhǎng)為10小時(shí)的間隔逐步的給出剩余使用壽命計(jì)算結(jié)果。

對(duì)于采用高斯過程回歸模型進(jìn)行預(yù)測(cè)，首先根據(jù)發(fā)動(dòng)機(jī)第591小時(shí)之前的歷史數(shù)據(jù)和第591小時(shí)的當(dāng)前數(shù)據(jù)，經(jīng)步驟s11至步驟s13后形成特征值。根據(jù)這些特征值構(gòu)建高斯過程回歸模型，主要是確定高斯過程回歸模型內(nèi)的協(xié)方差函數(shù)和超參數(shù)。之后再利用高斯過程回歸模型以10小時(shí)為時(shí)間間隔逐步給出單步預(yù)測(cè)值，不斷地給出隨時(shí)間展開的剩余使用壽命的計(jì)算，并在預(yù)測(cè)的過程中采用步驟s6來不斷優(yōu)化高斯過程回歸模型。

圖8所示為采用高斯過程回歸模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。圖9所示為采用arma模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。圖10所示為采用enn模型完整的從第591小時(shí)開始至1391小時(shí)結(jié)束的剩余使用壽命計(jì)算結(jié)果。

分析比較這三種方法，可以通過比較8個(gè)評(píng)斷指標(biāo)進(jìn)行考察，如表1所示。從表1中可以看出enn模型和高斯過程回歸模型在綜合的各項(xiàng)指標(biāo)上明顯優(yōu)于arma模型。對(duì)比enn模型和高斯過程回歸模型，高斯過程回歸模型總體各指標(biāo)更具優(yōu)勢(shì)性；此外，在實(shí)際的計(jì)算過程中，enn模型的優(yōu)化目標(biāo)是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化，易陷入局部最優(yōu)，訓(xùn)練結(jié)果不太穩(wěn)定，需要人為分析比較，選擇合適的分析結(jié)果，限制了它的運(yùn)用。另外，神經(jīng)網(wǎng)絡(luò)是個(gè)“黑匣子”，在擬合過程的可理解性上存在信息的不透明，也限制了它的運(yùn)用。經(jīng)過綜合比較，可以得出結(jié)論：高斯過程回歸模型較好的對(duì)模擬的多工況衰退數(shù)據(jù)進(jìn)行了擬合和預(yù)測(cè)計(jì)算，并由于其模型的可理解性，可以預(yù)期將其推廣到實(shí)際的工程應(yīng)用中去。

表1

綜上所述，本發(fā)明提供的多工況下的機(jī)械設(shè)備剩余使用壽命計(jì)算方法及系統(tǒng)通過高斯過程回歸模型對(duì)機(jī)械設(shè)備的狀態(tài)進(jìn)行預(yù)測(cè)，進(jìn)而計(jì)算出機(jī)械設(shè)備的剩余使用壽命。高斯過程回歸模型可以不斷地學(xué)習(xí)機(jī)械設(shè)備運(yùn)行所產(chǎn)生的數(shù)據(jù)，進(jìn)而不斷優(yōu)化和更新自身的協(xié)方差函數(shù)和超參數(shù)，使其自身對(duì)機(jī)械設(shè)備的變化作出適應(yīng)，從而解決多工況環(huán)境下的機(jī)械設(shè)備的狀態(tài)預(yù)測(cè)問題，從而精確地計(jì)算出機(jī)械設(shè)備的剩余使用壽命。從實(shí)施例一和實(shí)施例二可以看出采用高斯過程回歸模型進(jìn)行預(yù)測(cè)進(jìn)而進(jìn)行剩余使用壽命計(jì)算不僅在計(jì)算機(jī)模擬時(shí)表現(xiàn)出超過現(xiàn)有的預(yù)測(cè)方法的優(yōu)異結(jié)果，并且當(dāng)其應(yīng)用到實(shí)際的發(fā)動(dòng)機(jī)上時(shí)同樣具有非常精確和準(zhǔn)確的預(yù)測(cè)效果。

進(jìn)一步的，為使得高斯過程回歸模型能盡可能多的學(xué)習(xí)訓(xùn)練數(shù)據(jù)而積累對(duì)預(yù)測(cè)的知識(shí)，從而將這種知識(shí)運(yùn)用于未來的機(jī)械設(shè)備的狀態(tài)預(yù)測(cè)中，設(shè)置高斯過程回歸模型以逐步預(yù)測(cè)的方式對(duì)特征值進(jìn)行預(yù)測(cè)，每一步的預(yù)測(cè)都是一次自我學(xué)習(xí)和自我優(yōu)化的過程，大大提高高斯過程回歸模型對(duì)多工況下的機(jī)械設(shè)備的剩余使用壽命的計(jì)算精準(zhǔn)度。

雖然本發(fā)明已由較佳實(shí)施例揭露如上，然而并非用以限定本發(fā)明，任何熟知此技藝者，在不脫離本發(fā)明的精神和范圍內(nèi)，可作些許的更動(dòng)與潤(rùn)飾，因此本發(fā)明的保護(hù)范圍當(dāng)視權(quán)利要求書所要求保護(hù)的范圍為準(zhǔn)。