专利名称：：一种数控装备服役状态分析方法
技术领域：
：本发明属于重大装备服役状态监控与寿命预测技术，具体涉及一种用于辨识数控装备综合服役状态和预测其剩余使用寿命的方法，它可以为数控装备的可靠性分析和维修决策问题提供重要的参考。
背景技术：
：数控装备作为工作母机，在我国制造业中的应用越来越普及。数控装备，特别是重大的、关键性的装备，一旦在工作过程中突发故障，将严重影响企业的生产效率，给企业带来巨大损失。为了使数控装备近乎零故障的运转，需要及时分析数控装备的服役可靠性状态，准确预测其剩余无故障工作时间，以提前采取合理的预防性维修策略，防止故障的发生。数控装备是典型的机、电、液复杂设备，随着电子技术和计算机技术的发展，对于复杂设备的状态监测手段有了极大的提升，因此，对数控装备的运行状态做比较细致的划分成为可能。在重大装备服役状态监控与寿命预测研究领域里，有大量的论文和专利文献发表。在线性判别分析方面，文献[1]给出详细的介绍，主要思想是运用单方差分析，计算F检验值；文献[1][2]给出了HSMM模型在设备退化状态识别方面的应用，该模型是马尔可夫链的扩展，是一个双随机过程，即不仅状态到状态的转移是随机的，而且每个状态的观测也是随机的，HSMM模型的主要算法包括前向-后向算法，这个算法主要是解决产生某一观测序列的概率，Baum-Welch算法主要是解决模型的参数估计问题。；文献[3]详细介绍了支持向量机模型在数控装备部件和整机可靠性评估方面的应用，该模型的基本思想是将获取的寿命与服役状态数据经无因次化处理后作为模型的输入向量，利用核函数将输入向量映射到高维特征空间，在高维特征空间进行拟合计算，得到最优的非线性回归函数，然后，结合数控装备在规定时间和规定条件下各种影响因素的概率分布函数，计算单元可靠性。最后，根据数控装备的可靠性结构模型，找出系统的最小割集，计算系统可靠性。其中有关发电设备、核设备、航空航天设备等的状态分析方法文献较多，数控装备服役状态分析文献相对较少，关于数控装备剩余使用寿命预测的文献更是不多见，并且这些研究一般存在以下问题(1)偏重于故障诊断，只对设备的状态作“正常”与“故障”的简单划分，没有考虑渐变的失效过程，实际上设备存在相当多的劣化性失效状态。(2)大部分研究只关心设备整机的状态，并没有对组成设备的各个部件进行详细的可靠性分析，也没有分析部件的服役状态和剩余寿命。参考文献[1]MingDong,DavidHe.Hiddensemi-Markovmodel-basedmethodologyformulti-sensorequipmenthealthdiagnosisandprognosis[J].EuropeanJournalofOperationalResearch,2007,178:858_878.[2]曾庆虎，邱静，刘冠军.基于隐半马尔可夫模型设备退化状态识别方法研究[J].机械科学与技术，2008，27(4)=429-432.[3]吴军.基于性能参数的数控装备服役可靠性评估方法与应用[M].武汉华中科技大学，2008.
发明内容本发明的目的在于提供一种数控装备服役状态分析方法，该方法可以为预防性维修提供决策支持的新方法。一种数控装备服役状态分析方法，其特征在于，该方法包括下述步骤第1步确定待分析的数控装备的重要部件及其服役状态，设重要部件数量为m，i表示重要部件的序号，ie{1,2,...，m}，第i个重要部件的状态数量为Li,则第i个重要部件的状态集表示为&···,、},，\表示第i个重要部件完全失效；第2步利用传感器采集重要部件的特征信号；第3步对上述采集的特征信号进行信息融合处理，得到各个重要部件的服役状态混合特征向量Yi;第4步对数控装备的各个重要部件的服役状态识别和剩余寿命预测服役状态识别的过程为步骤(al)建立模型将第i个重要部件的隐-半马尔可夫模型的表述为HSMMi(λJ=(Li,Mi,A1,Di,Bi,ηi)，其中，隐状态即部件i的服役状态的数量为Li,每个隐状态对应的可能的观测值数为Mi,初始状态分布巧=(^,AAi)，状态转移概率矩阵4=，(Bj,；)表示第i个重要部件从第j个服役状态跳转到第k个服役状态Sik的概率，j，k表示服役状态的序号；最大状态驻留时间Di,观察值矩阵钱=(^i)i,*,'bj,；表示重要部件i的服役状态为、、但观测到的重要部件i的服役状态为Sik的概率；步骤(a2)模型训练首先对重要部件i的服役状态混合特征向量Yi做矢量量化处理，得到离散的服役状态Sij，j=1，2，A，Li;然后采用鲍姆-韦尔奇(Baum-Welch)算法对模型进行训练，即解决模型的参数估计问题，得到模型参数Ai,Di,Bi,πi的估计值為,,為,戈，依次对重要部件i的所有服役状态进行训练，得到每种服役状态的隐_半马尔可夫模型；步骤(a3)服役状态识别在模型训练完成之后，对新采集的服役状态混合特征向量，计算每个服役状态的对数似然函数值，取最大数值对应的状态为当前重要部件的服役状态；剩余寿命预测过程为步骤(bl)设重要部件服役状态、的驻留时间D(Su)服从单高斯分布Ν(μ(Sij),ο2(Sij))，部件的生命周期为Τ，满足<formula>formulaseeoriginaldocumentpage5</formula>然后对!)^)的期望值μ(Sij)和方差O2(Su)进行参数估计，得到均值和方差的估计值/>()和#()，并定义D(Su)的估计值力()为<formula>formulaseeoriginaldocumentpage5</formula>其中<formula>formulaseeoriginaldocumentpage6</formula>步骤(b2)设第i个部件的第j个服役状态为{Sij}，i=1，2，Am,j=1，2，Λ，Li,其剩余使用寿命为RULu,建立如下递推方程式，估算出部件的剩余使用寿命；<formula>formulaseeoriginaldocumentpage6</formula>其中^^和<,是状态转移概率=^w表示重要部件i保持第j个服役状态、的概率，表示重要部件i从第j个服役状态Su转移到第k个服役状态Sik的概率。第5步采用支持向量机分类方法建立数控装备整机和组成部件之间的服役状态联系，完成数控装备整机服役状态识别和剩余寿命预测。本发明的特点在于，为具有多个重要部件、并且整机和部件都包含多种失效状态的数控装备的服役运行状态识别和剩余使用寿命预测提供了一套实用的计算方法。本发明能够从多状态表征物理量出发，辨识出重要部件的服役状态，并分析出整机的服役状态。在此基础上，还能预测部件和整机的剩余使用寿命。这为整机和部件的可靠性分析和维修决策分析提供了重要的参考。如果有条件的话，本发明成果还可以和工厂的上层信息管理系统，如MES，ERP等系统对接，从而为工厂生产计划和维修计划的制定提供坚实的参考信息。图1是数控装备整机服役状态分析和剩余使用寿命预测的基本过程；图2是基于隐_半马尔可夫模型的数控装备单部件服役状态识别过程。具体实施例方式本发明方法首先通过多传感器采集到的表征物理量识别出数控设备多个重要部件的服役状态，然后通过统计学习理论所建立的支持向量机分类模型预测出整机的服役状态，并通过“隐-半马尔可夫”模型计算出重要部件和整机的剩余使用寿命，从而为预防性维修提供决策支持的新方法。下面结合附图和实例对本发明作进一步详细地说明。如图1所示，本发明的分析方法包括以下步骤第一步确定待分析的数控装备的重要部件及其服役状态。根据部件功能、故障后果、历史故障数据统计和部件可监测性等4个因素，采用专家评分法或其它方法计算数控装备的部件重要度。根据数控装备的设计数据，确定各重要部件和整机的服役状态。设重要部件数量为m，i表示重要部件的序号，ie{1，2，...，m}，第i个重要部件的服役状态数量为Li,则第i个重要部件的服役状态集表示为，、,为部件完全失效。设整机状态数量为L，整机的服役状态集表示为S=Is1,s2，...，sL}，sL为整机完全失效。第二步利用传感器采集重要部件的特征信号。利用加速度传感器等测试仪器来采集数控装备加工过程中重要部件的振动信号，采样间隔和每次采集信号的组数可以根据企业的实际情况而定。第三步对上述采集的特征信号进行信息融合处理。本发明采用线性判别分析方法，在Labview软件的基础上，对各传感器采集的振动信号进行信息融合处理，得到部件状态的混合特征向量。具体步骤如下步骤(1)首先对采集得到的振动信号在Labview软件中进行去噪预处理，然后再利用其提供的小波变换函数包，对预处理后的振动信号进行特征提取，得到振动信号特征向量，记Oir为第i个重要部件第r个传感器的振动信号特征向量，r=1，2，ANi0,Ni0表示测量第i个重要部件所有传感器的总和。步骤(2)采用线性判别分析方法分别对各个重要部件的振动特征向量进行特征层的信息融合，得到各个重要部件的服役状态混合特征向量。本发明采用单因子方差分析来赋予各传感器特征信息的权重，F检验值通过计算传感器信号组间离差与平均传感器信号组内离差的比值得到。第i个重要部件的第r个传感器测量信号的F检验值表达式为<formula>formulaseeoriginaldocumentpage7</formula>，其中，η,表示每次测量的信号组数，SiA表示第i个重要部件的传感器信号组间离差平方和，SiE表示第i个重要部件的传感器信号组内离差平方和，Fir表示第i个重要部件的第r个传感器测量信号的F检验值。第i个重要部件第r个传感器的权重设为计算公式为<formula>formulaseeoriginaldocumentpage7</formula>第i个重要部件的服役状态混合特征向量设为Yi,计算公式为<formula>formulaseeoriginaldocumentpage7</formula>，其中Ok为第i个重要部件第r个传感器的振动特征向量。第四步对数控装备的各个重要部件的服役状态识别和剩余寿命预测。HSMM(HiddenSemi-MarkovModel，隐-半马尔可夫模型)是HMM(HiddenMarkovModel，隐马尔可夫模型)的扩展。为了改善隐马尔可夫模型中状态驻留时间为指数分布的局限，在隐马尔可夫模型的基础上，隐-半马尔可夫模型允许根据实际问题自定义驻留时间分布。为了减少计算复杂度，我们采用单高斯分布作为状态驻留时间概率分布函数。第i个重要部件与其某一服役状态Siu，U=1,2,Λ，Li相对应的隐-半马尔可夫模型的参数定义如下隐状态(即重要部件i的服役状态)数量为Li,每个隐状态对应的可能的观测值数为ΜΛ初始状态分布<=,π"￡ι)’状态转移概率矩阵《={a'm，(aj,广)表示第i个重要部件从第j个服役状态跳转到第k个服役状态Sik的概率，j，k表示服役状态的序号；最大状态驻留时间Di11,观察值矩阵Α"，bj’11表示重要部件i的服役状态为~，但观测到的重要部件i的服役状态为Sik的概率。这样，第i个重要部件与其某一服役状态相对应Siu的隐-半马尔可夫模型也可写作<formula>formulaseeoriginaldocumentpage7</formula>本发明数控装备重要部件服役状态识别基于上述隐_半马尔可夫模型，如图2所示，该过程可分为两部分第一部分是模型训练，第二部分是服役状态识别。步骤(al)模型训练。首先对重要部件i的混合特征向量Yi做矢量量化处理，得到离散的服役状态估计值SU，j=1,2,A,Lio然后采用Baum-Welch算法对模型进行训练，即解决模型的参数估计问题得到模型参数ΑΛDi",ΒΛπ广的估计值ΧΛDi",Bi",Ti^然后重复上述矢量量化处理，得到重要部件i的所有服役状态估计值，并依次对重要部件i的每一服役状态相对应的隐_半马尔可夫模型进行训练，得到每种服役状态对应的隐_半马尔可夫模型的参数估计值。步骤(a2)服役状态识别。在重要部件i的每种服役状态相对应的隐_半马尔可夫模型训练完成之后，对在某一时刻针对重要部件i新采集的某个混合特征向量，做矢量量化处理，得到这一时刻重要部件i的服役状态估计值，依次代入上述训练好的重要部件i的每一服役状态对应的隐-半马尔可夫模型，计算每一服役状态的对数似然函数值，取最大数值对应的服役状态为重要部件i当前的服役状态。本发明采用了下面的方法来计算重要部件i的剩余使用寿命第i个重要部件与其所有服役状态相对应的隐_半马尔可夫模型的参数定义如下隐状态数量为UcCq=Li)，每个隐状态对应的可能的观测值数为ΜΛ初始状态分布K=,A)，状态转移概率矩阵j〗=^m)，(aj,；-)表示第i个重要部件从第j个服役状态跳转到第k个服役状态Sik的概率，j，k表示服役状态的序号；最大状态驻留时间DiS观察值矩阵<=(^I)iX，(bj,；-)表示重要部件i的服役状态为，但观测到的重要部件i的服役状态为sik的概率。第i个重要部件与其所有服役状态相对应的隐_半马尔可夫模型表示为..HSMM。{λ)=HM:,Β%π。)。步骤(bl)把从步骤al得到的重要部件i所有服役状态的估计值，作为训练数据的样本，建立针对重要部件i所有服役状态的隐-半马尔可夫模型HSMMc(Ac)=(LciMci,Aci,Dci,Bci,π^)。并采用Baum-Welch算法对模型进行训练，解决参数估计问题，得到参数的估计值U;力;，街，汝；)。步骤(b2)重要部件i的服役状态集为{Sij}，i=1，2，Am，j=1，2，A，Li;每个服役状态Su的驻留时间D(Su)服从单高斯分布Ν(μ(Sij)，σ2(Sij))0重要部件i的生命周期为T，满足maXΓ=!；/)()。然后对D(Sip的期望值μ(Sij)和方差Q2(Su)进行参数；=1估计，得到均值和方差的估计值/K)和J2()，并定义D(Su)的估计值为D(Slj)=ILi(Slj)^pa2(Slj)其中ρ=(T-YjM(Sij))/YjG2(Sij)。；=1/；=1步骤(b3)设步骤(a2)识别出的重要部件i的当前服役状态值为su，i=1，2，Am,j=1,2,Λ，Li,其剩余使用寿命为RULij，可建立如下递推方程式，从而估算出重要部件i的剩余使用寿命。‘卜1i厂1RUL11=a-XD(S11)+RUL1]+ι\+洲Lik<JJk=}+\‘RUL^=Cx^)其中C和^是状态转移概率^表示重要部件i保持第j个服役状态Su的概率，^表示重要部件i从第j个服役状态转移到第k个服役状态Sik的概率。第五步数控装备整机隐_半马尔可夫建模和剩余寿命预测。在建立了所有的重要部件隐-半马尔可夫模型之后，本发明采用支持向量机(SVM=SupportVectorMachine)分类方法来建立数控装备整机和组成部件之间的服役状态联系。利用SVM进行数控装备整机服役状态识别步骤如下步骤(5.1)建立支持向量机分类模型，设上述得到的所有重要部件和整机的服役状态数据样本容量为n，且η彡10。可以表示为D={(xf,yf)xf=(xfl,xf2,A,xfm)eS1XS2XAXSm,yfeS,fe{1，Λ，n}}，其中，Xf是m维输入向量，表示数控装备的重要部件服役状态，yf是整机服役状态的观测值。利用以上样本数据，可训练得到支持向量机分类模型，其中核函数采用径向基函数K(xf，χ)=exp(-|x-xf||2/σ2),χ表示待诊断的数控装备重要部件服役状态序列，σ为重要部件服役状态样本数据的标准差，其初始范围可取σe(2_13，23°)，支持向量机的训练有现成的成熟算法，此处不再赘叙。步骤(5.2)数控装备整机服役状态识别，将某时刻数控装备所有重要部件的服役状态，代入上述训练好的支持向量机模型，得到此时刻数控装备整机的当前服役状态。步骤(5.3)数控装备整机隐_半马尔可夫建模和剩余使用寿命预测。与数控装备整机所有服役状态相对应的隐_半马尔可夫模型的参数定义如下隐状态数量为L，每个隐状态对应的可能的观测值数为M，初始状态分布π=(π”Λ，j^)，状态转移概率矩阵A=(aj,k)LXL,(aj,k)表示数控装备从第j个服役状态~跳转到第k个服役状态Sk的概率，j，k表示服役状态的序号；最大状态驻留时间D，观察值矩阵B=(bi,k)Lx,(bi,k)表示数控装备整机的服役状态为Si，但观测到的数控装备整机的服役状态为Sk的概率。与数控装备整机所有服役状态相对应的隐_半马尔可夫模型可以表示为HSMMsUs)=(L，M，A，D，B，π)。根据上述支持向量机预测模型，依次选取10到20个时刻点，并根据每一时刻的重要部件服役状态，预测得到此时刻数控装备整机的服役状态；所有时刻点整机服役状态预测完毕，汇总成为整机的历史服役状态序列；然后采用Baum-Welch算法训练整机隐_半马尔可夫模型HSMMs(As)=(L，M，A，D，B，π)，得到模型参数的估计值(K,D,B,Τ)。计算整机剩余使用寿命的过程如下数控装备整机的服役状态集表示为S={Sl，s2，...，sL}，记Sq表示第q个整机的服役状态值，q=1，2，Λ，L。步骤(Cl)设整机服役状态Sq的驻留时间D(Sq)服从单高斯分布Ν(μ(sq),LO2(Stl))，整机的生命周期为Ts，满足maX7；，然后对D(Sq)的期望值μ(Sq)和方9=1差O2(Sq)进行参数估计，得到均值和方差的估计值/K^)和并定义D(Sq)的估计值D{sq)%D(Sq)=ju(sq)+psG2{sq)其中A=(Ts-JjKsq))/^2(Sq)；步骤(c2)设步骤(5.2)整机服役状态分类预测的结果为Vq=1,2,Λ，L，其剩余使用寿命为RULtl，建立如下递推方程式，估算出整机的剩余使用寿命；<formula>formulaseeoriginaldocumentpage10</formula>其中^^和^是状态转移概率表示整机保持第q个服役状态Sq的概率，康示整机从第q个服役状态Sq转移到第t个服役状态St的概率。实例数控DM4600型立式铣床的服役状态分析与剩余使用寿命预测。1根据部件功能、故障后果、历史故障数据统计、部件可监测性等4个因素，采用专家评分法确定数控装备的部件重要度。结果为主轴、刀具、伺服进给系统、夹具、工作台和液压系统等六个部件作为重要部件并进行服役状态监控。根据经验，主轴的服役状态分为5种1、II、III、IV、V，其中I表示“完全正常”，V表示“完全失效”，其他5种重要部件的服役状态均为4种，另外，整机的服役状态也分为5种。2重要部件服役状态监控与服役状态数据收集。采用振动信号作为重要部件服役状态特征的表征量，针对每个信号布置了多个测点。采用虚拟仪器Labview软件作为分析工具，整个测试系统需要的硬件仅仅为普通电缆、数据采集卡和若干传感器，可扩展性也大大增强。3建立各重要部件除完全失效状态外每个服役状态的HSMM模型以及重要部件全生命周期的HSMM模型。虚拟仪器软件Labview并不提供现成的HSMM建模程序库。我们按照HSMM模型的统计推断过程，自己开发了一套HSMM建模程序，嵌入到虚拟仪器软件里面。然后就开始训练模型，即把Labview得到的重要部件状态混合特征向量作为输入，通过参数估计手段，训练每一重要部件的每一个服役状态对应的HSMM模型，然后使用重要部件所有服役状态的历史数据训练重要部件全生命周期的HSMM模型。本实例中，这样的重要部件HSMM模型一共有1X6+5X5=31个。4离散采样得到整机和部件的服役状态对应关系的样本，形式如下表利用以上数据，训练得到支持向量机分类模型。本实例中我们采用了自己开发的SVMC(SupportVectorMachineClassifier)工具，并集成到Labview中。1部件和整机的服役状态样本<table>tableseeoriginaldocumentpage10</column></row><table>5利用4建立的支持向量机模型，按照整机服役时间顺序，依次选取10到20个时刻点，根据此时刻的重要部件服役状态，预测得到整机的服役状态，最后得到整机的服役历史状态序列，通过参数估计手段，训练得到整机服役生命周期的HSMM模型。通过3-5步，完成HS匪模型和SVM模型的构建。6数控装备服役过程中实时数据采集及重要部件状态辨识。利用2中的方法，实时得到DM4600机床每一部件的运行特征数据，比如刀具部件，针对刀具的4个分状态HSMM模型，利用最大似然估计方法，辨识出刀具的当前服役状态，比如为服役状态II。7重要部件剩余使用寿命预测。利用本发明提供的状态驻留时间估计公式和剩余使用寿命递推方程式，并根据6所辨识出的重要部件当前服役状态，计算出重要部件的剩余使用寿命。本实例中，某时刻刀具的服役状态为II，经计算得到刀具的剩余使用寿命为10小时。8整机状态辨识。在某时刻，通过6辨识出所有重要部件的当前状态，然后利用4建立的支持向量机模型，预测出整机的当前服役状态。本实例中，某时刻主轴的服役状态为II，刀具的服役状态为II，伺服进给系统的服役状态为II，夹具的服役状态为I，工作台的服役状态为II，液压系统的服役状态为I，预测得到整机的服役状态为III。9整机剩余使用寿命预测。利用本发明提供的状态驻留时间估计公式和剩余使用寿命递推方程式，并根据8所预测出的整机当前服役状态，计算出整机的剩余使用寿命。对于8中整机服役状态为III的情况，经计算得到整机的剩余使用寿命约为50小时，III级服役状态的持续时间约为40小时，进入IV级状态后，再经过10多个小时整机将完全失效。以上6-9步完成数控装备服役状态分析和剩余使用寿命预测。本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。权利要求一种数控装备服役状态分析方法，其特征在于，该方法包括下述步骤第1步确定待分析的数控装备的重要部件及其服役状态，设重要部件数量为m，i表示重要部件的序号，i∈{1，2，..，m}，第i个重要部件的状态数量为Li，则第i个重要部件的状态集表示为表示第i个重要部件完全失效；第2步利用传感器采集重要部件的特征信号；第3步对上述采集的特征信号进行信息融合处理，得到各个重要部件的服役状态混合特征向量Yi；第4步对数控装备的各个重要部件的服役状态识别和剩余寿命预测服役状态识别的过程为步骤(a1)建立模型将第i个重要部件的隐-半马尔可夫模型的表述为HSMMi(λi)＝(Li，Mi，Ai，Di，Bi，πi)，其中，隐状态即部件i的服役状态的数量为Li，每个隐状态对应的可能的观测值数为Mi，初始状态分布状态转移概率矩阵(aj，ki)表示第i个重要部件从第j个服役状态sij跳转到第k个服役状态sik的概率，j，k表示服役状态的序号；最大状态驻留时间Di，观察值矩阵bj，ki表示重要部件i的服役状态为sij、但观测到的重要部件i的服役状态为sik的概率；步骤(a2)模型训练首先对重要部件i的服役状态混合特征向量Yi做矢量量化处理，得到离散的服役状态sij，j＝1，2，Λ，Li，然后采用鲍姆-韦尔奇(Baum-Welch)算法对模型进行训练，即解决模型的参数估计问题，得到模型参数Ai，Di，Bi，πi的估计值依次对重要部件i的所有服役状态进行训练，得到每种服役状态的隐-半马尔可夫模型；步骤(a3)服役状态识别在模型训练完成之后，对新采集的服役状态混合特征向量，计算每个服役状态的对数似然函数值，取最大数值对应的状态为当前重要部件的服役状态；剩余寿命预测过程为步骤(b1)设重要部件服役状态sij的驻留时间D(sij)服从单高斯分布N(μ(sij)，σ2(sij))，部件的生命周期为T，满足然后对D(sij)的期望值μ(sij)和方差σ2(sij)进行参数估计，得到均值和方差的估计值和并定义D(sij)的估计值为<mrow><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>=</mo><mover><mi>μ</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>ρ</mi><msup><mover><mi>σ</mi><mo>^</mo></mover><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow></mrow>其中<mrow><mi>ρ</mi><mo>=</mo><mrow><mo>(</mo><mi>T</mi><mo>-</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>L</mi><mi>i</mi></msub></munderover><mover><mi>μ</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>/</mo><munderover><mi>Σ</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mover><mi>σ</mi><mo>^</mo></mover><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>步骤(b2)设第i个部件的第j个服役状态为{sij}，i＝1，2，Λm，j＝1，2，Λ，Li，其剩余使用寿命为RULij，建立如下递推方程式，估算出部件的剩余使用寿命；<mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>RUL</mi><mi>ij</mi></msub><mo>=</mo><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><mi>j</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>×</mo><mo>[</mo><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>+</mo><msub><mi>RUL</mi><mrow><mi>ij</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>+</mo><munderover><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mi>j</mi><mo>+</mo><mn>1</mn></mrow><mrow><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></munderover><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><mi>j</mi><mo>,</mo><mi>k</mi></mrow></msub><mo>×</mo><msub><mi>RULi</mi><mi>k</mi></msub></mtd></mtr><mtr><mtd><msub><mi>RUL</mi><mrow><mi>i</mi><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>=</mo><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn><mo>,</mo><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>×</mo><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mrow><mi>i</mi><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced>其中和是状态转移概率表示重要部件i保持第j个服役状态sij的概率，表示重要部件i从第j个服役状态sij转移到第k个服役状态sik的概率。第5步采用支持向量机分类方法建立数控装备整机和组成部件之间的服役状态联系，完成数控装备整机服役状态识别和剩余寿命预测。FDA0000020231970000011.tif,FDA0000020231970000012.tif,FDA0000020231970000013.tif,FDA0000020231970000014.tif,FDA0000020231970000015.tif,FDA0000020231970000021.tif,FDA0000020231970000022.tif,FDA0000020231970000023.tif,FDA0000020231970000024.tif,FDA0000020231970000025.tif,FDA0000020231970000029.tif,FDA00000202319700000210.tif,FDA00000202319700000211.tif,FDA0000020231970000031.tif2.根据权利要求1所述的数控装备服役状态分析方法，其特征在于，第5步包括下述过程步骤(5.1)建立支持向量机分类模型，设上述得到的重要部件和整机的服役状态数据样本容量为n，且η彡10，表示为D={(xf,yf)Xf=(xf！,xf2,Λ,xfm)eS1XS2XΛXSm,yfes，fe{1,2,Λ，η}}，其中，Xf是m维输入向量，表示数控装备的重要部件服役状态，yf是整机服役状态的观测值；利用以上样本数据，训练得到支持向量机分类模型，其中核函数采用径向基函数K(xf，x)=exp(-|x-xf|I2/。2)，χ表示待诊断的数控装备部件服役状态序列，ο为部件服役状态样本数据的标准差，其初始范围取οe(2_13，23°)；步骤(5.2)数控装备整机服役状态识别，将数控装备所有重要部件的服役状态，代入上述训练好的支持向量机模型，得到数控装备的整机服役状态；步骤(5.3)数控装备整机隐-半马尔可夫建模和剩余使用寿命预测；根据上述支持向量机预测模型，依次选取10到20个时刻点，并根据此时刻的重要部件服役状态，预测得到整机的服役状态，最后得到整机的服役历史状态序列；然后把第4步中重要部件的服役状态序列换成数控装备整机的服役状态序列，采用同样的Baum-Welch训练算法得到整机服役生命周期的隐_半马尔可夫模型。全文摘要本发明属于重大装备服役状态监控与寿命预测技术，具体涉及一种数控装备服役状态分析方法。该方法先通过多传感器采集到的表征物理量识别出数控设备多个重要部件的服役状态，然后通过统计学习理论所建立的支持向量机分类模型预测出整机的服役状态，并通过“隐-半马尔可夫”随机过程模型计算出重要部件和整机的剩余使用寿命，不仅可以辨识部件的当前运行状态，而且可以预测部件的剩余使用寿命；根据各个部件的运算结果，通过支持向量机分类预测方法得到整机的当前运行状态和剩余使用寿命。本发明为预防性维修提供决策支持的新方法。文档编号G05B19/4065GK101799674SQ201010133638公开日2010年8月11日申请日期2010年3月28日优先权日2010年3月28日发明者刘繁茂,张国军,朱海平,邵新宇申请人:华中科技大学