一种设备失效模式预判与剩余寿命预测耦合系统及方法
文献发布时间:2024-04-18 19:58:30
技术领域
本发明属于故障预测技术领域,具体涉及一种设备失效模式预判与剩余寿命预测耦合系统及方法。
背景技术
物联网背景下,在设备上加装智能数据采集终端,形成数字化的设备健康状态感知,并在此基础上,构建设备智能故障预测与健康管理系统,已经越来越受到设备使用企业的青睐。
故障预测与健康管理的核心任务是剩余寿命预测。实践中,所收集的设备监测数据通常具有初始状态不确定和价值密度差异化的特点。其中,初始状态不确定是指设备维修效果的不确定会在设备监测数据中体现;价值密度差异化是指设备运行接近失效发生时刻,监测数据对剩余寿命预测的价值更高。
实践中,对设备进行不间断地监测,会产生大量监测数据。随着技术的发展,设备失效的概率越来越低,相邻设备失效发生的时间间隔会更长。受制于储存或传输介质,故障预测与健康管理系统需要采用旧监测数据不断被新监测数据擦除和覆盖的方式,来维持设备监控系统的正常运转和设备监测成本的合理性。
此外,由多个设备组成的设备维修网络通常具有显著的地理空间分散特征。例如,油气田设备维修网络、风电场设备维修网络和路网设备维修网络等。考虑设备因其复杂性所具有的多失效模式,设备失效发生的空间离散性和时间随机性相叠加,要求在预测剩余寿命的同时,进行设备失效模式的判断。设备失效模式预判和剩余寿命预测的耦合,可以优化设备维修活动安排、提升设备维修资源管理能力、提高设备群组的整体维修效率以及降低设备维修的管理成本。
发明内容
本发明为了解决上述问题,提出了一种设备失效模式预判与剩余寿命预测耦合系统及方法。
本发明的技术方案是:一种设备失效模式预判与剩余寿命预测耦合系统包括互相通信连接的设备维修网络和设备维修决策平台;设备维修网络用于确定失效模式,并预测剩余寿命;设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员;
设备维修网络包括设备节点、传感器集合、异常状态识别模块以及设备失效模式预判与剩余寿命预测耦合模块;
传感器集合包括若干个传感器,用于采集对应设备节点的设备健康信息;
异常状态识别模块用于接收并缓存设备健康信息,并识别待检测设备的异常发生时刻;
设备失效模式预判与剩余寿命预测耦合模块用于根据异常发生时刻确定失效模式,并预测剩余寿命,并将失效模式和剩余寿命传输至设备维修决策平台。
本发明的有益效果是:该系统以传感器集合所提供的运行设备健康状态实时监测与感知为条件,实现失效模式预判与剩余寿命预测的耦合;传感器集合位于设备节点,实现设备健康信息的不间断收集;异常状态识别模块位于设备节点,实现多元时序数据流的缓存和设备异常发生时刻的识别;失效模式预判与剩余寿命预测耦合模块实现失效模式的预判以及剩余寿命的预测。
基于以上系统,本发明还提出一种设备失效模式预判与剩余寿命预测耦合方法,包括以下步骤:
S1:通过传感器采集待检测设备的设备健康信息;
S2:利用异常状态识别模块接收并缓存设备健康信息,并识别待检测设备的异常发生时刻;
S3:根据待检测设备的异常发生时刻,利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式,并预测剩余寿命;
S4:将失效模式和剩余寿命传输至设备维修决策平台。
进一步地,步骤S1中,
其中,
式中,
进一步地,S2包括以下子步骤:
S21:利用异常状态识别模块接收并缓存
S22:根据
S23:根据预测
进一步地,步骤S22中,
式中,
进一步地,步骤S23中,若
若
式中,
进一步地,步骤S3包括以下子步骤:
S31:提取设备失效模式预判与剩余寿命预测耦合模块的时序样本;
S32:利用概率图模型计算时序样本的失效累计发生概率;
S33:根据时序样本的失效累计发生概率,计算各概率图模型片段的经验分布函数,将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值;
S34:利用DKW不等式确定设备剩余寿命预测值的置信区间,利用边缘密度函数计算失效模式预测值的方差;
S35:将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果。
进一步地,步骤S31中,时序样本
式中,
进一步地,步骤S32中,计算时序样本的失效累计发生概率的具体方法为:利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片,计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率,直至各概率图模型片段的最右端到各元素最右端的距离为零,确定失效累计发生概率;
其中,概率图模型集合的表达式为
各失效模式的累计发生概率
式中,
进一步地,步骤S33中,各概率图模型片段的经验分布函数
式中,
本发明的有益效果是:该方法可以同时提供失效模式预判结果和剩余寿命预测结果;在设备维修网络情景中,避免了只有剩余寿命预测而没有失效模式预判的情况;可以提高设备预测性维护的智能化水平;并可以为设备维修网络情景下的维修活动精简、维修效率提升以及维修成本减少提供基础条件。
附图说明
图1为设备失效模式预判与剩余寿命预测耦合系统的结构图;
图2为设备失效模式预判与剩余寿命预测耦合方法的流程图;
图3为关于设备类型的失效模式的概率图模型示意图。
具体实施方式
下面结合附图对本发明的实施例作进一步的说明。
如图1所示,本发明提供了一种设备失效模式预判与剩余寿命预测耦合系统,包括互相通信连接的设备维修网络和设备维修决策平台;设备维修网络用于确定失效模式,并预测剩余寿命;设备维修决策平台用于接收设备的失效模式和剩余寿命并传输至运维人员;运维人员可以管理设备维修活动和设备维修资源,其中,设备维修活动涉及失效位置定位、失效原因定位、维修策略制定、维修策略实施、设备维修活动的各环节形成对何种故障、需要在何时、以何种维修方式以及实现何种预期维修效果的整体描述;设备维修资源涉及确保设备正常运行、延长设备寿命的、设备制造商或设备使用企业所拥有和管理的各种资源,包括人力、物资、知识和工具。
设备维修网络包括设备节点、传感器集合、异常状态识别模块以及设备失效模式预判与剩余寿命预测耦合模块;
传感器集合包括若干个传感器,用于采集对应设备节点的设备健康信息;
异常状态识别模块用于接收并缓存设备健康信息,并识别待检测设备的异常发生时刻;
设备失效模式预判与剩余寿命预测耦合模块用于根据异常发生时刻确定失效模式,并预测剩余寿命,并将失效模式和剩余寿命传输至设备维修决策平台。
设备节点是指一台设备。设备维修网络中,每台设备配备若干传感器,形成传感器集合,并且每台设备配备一个异常状态识别模块。设备健康信息的持续监测,会形成多元时序数据流。异常状态识别模块对多元时序数据流进行缓存。在缓存中,多元时序数据的长度不随时间变化,其为常数;新数据覆盖旧数据,遵循先进先出原则。
基于以上系统,本发明还提出一种设备失效模式预判与剩余寿命预测耦合方法,如图2所示,包括以下步骤:
S1:通过传感器采集待检测设备的设备健康信息;
S2:利用异常状态识别模块接收并缓存设备健康信息,并识别待检测设备的异常发生时刻;
S3:根据待检测设备的异常发生时刻,利用设备失效模式预判与剩余寿命预测耦合模块确定失效模式,并预测剩余寿命;
S4:将失效模式和剩余寿命传输至设备维修决策平台。
在本发明实施例中,步骤S1中,
其中,
式中,
在本发明实施例中,S2包括以下子步骤:
S21:利用异常状态识别模块接收并缓存
S22:根据
S23:根据预测
步骤S2中,判断预测数据信息是否超过设定阈值;若超过阈值,将多元时序数据上传至设备失效模式预判与剩余寿命预测耦合模块,若未超出,则继续进行设备健康状态信息收集。异常状态识别模块将异常类型、引起异常的被监测变量名称和异常发生时间,发送至失效模式预判结果和剩余寿命预测模块,当得到失效模式预判结果和剩余寿命预测结果后,将这些异常信息发送至远程设备维修决策平台,以支持设备维修活动的安排和设备维修资源的管理。失效会引起设备报警或停机,异常不包括失效。
ARIMA 模型:即差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。
在本发明实施例中,步骤S22中,
式中,
在本发明实施例中,步骤S23中,若
若
式中,
在本发明实施例中,步骤S3包括以下子步骤:
S31:提取设备失效模式预判与剩余寿命预测耦合模块的时序样本;
S32:利用概率图模型计算时序样本的失效累计发生概率;
S33:根据时序样本的失效累计发生概率,计算各概率图模型片段的经验分布函数,将经验分布函数最大值对应的时间和失效模式分别作为设备剩余寿命预测值和失效模式预测值;
S34:利用DKW不等式确定设备剩余寿命预测值的置信区间,利用边缘密度函数计算失效模式预测值的方差;
S35:将设备剩余寿命预测值、失效模式预测值、设备剩余寿命预测值的置信区间以及失效模式预测值的方差作为设备失效模式预判与剩余寿命预测耦合模块的预测结果。
概率图模型:用图来表示变量概率依赖关系的理论,结合概率论与图论的知识,利用图来表示与模型有关的变量的联合概率分布。
DKW不等式:概率与统计理论中,估算经验分布理论函数与样本分布的差值界限的方法。
在本发明实施例中,步骤S31中,时序样本
式中,
在本发明实施例中,步骤S32中,计算时序样本的失效累计发生概率的具体方法为:利用概率图模型将概率图模型集合中各元素对应的概率图模型片段向右平移一个时间片,计算各概率图模型片段的最右端到各元素最右端的距离以及各失效模式的累计发生概率,直至各概率图模型片段的最右端到各元素最右端的距离为零,确定失效累计发生概率;
其中,概率图模型集合的表达式为
各失效模式的累计发生概率
式中,
对于设备类型
在本发明实施例中,步骤S33中,各概率图模型片段的经验分布函数
式中,
概率图模型
概率图模型
概率图模型
概率图模型
概率图模型
概率图模型
设备维修网络中的设备节点数量为
对于设备节点
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
- 一种多工况动态基准化的机械设备剩余寿命预测方法
- 一种故障演化趋势的设备剩余使用寿命预测方法
- 一种融合失效寿命数据的设备剩余寿命预测方法
- 一种存在竞争失效条件下的设备剩余寿命预测方法