一种基于退化建模的设备失效次数预测方法
【专利摘要】本发明涉及一种基于退化建模的设备失效次数预测方法。充分利用产品在性能变化过程中获取的性能退化数据，预测高可靠性产品个体剩余寿命；确定设备失效次数；通过预测设备失效次数，优化备件管理。包括：建立设备的性能退化模型；性能退化模型中参数的估计；剩余寿命预测；设备失效次数的预测四大步骤。同现有技术相比，不仅可以对产品的个体剩余寿命和总体可靠性寿命的特征量进行预测分析，还可以作为预测产品剩余寿命与失效次数的一种有效分析工具，为产品的维修与备件订购策略的确定提供有力的理论依据和技术支撑，从而节约经费开支，避免不必要的经济损失，具有很好的工程应用价值。
【专利说明】一种基于退化建模的设备失效次数预测方法
【技术领域】
[0001]本发明属于可靠性工程【技术领域】，涉及一种基于退化建模的设备失效次数预测方法。
【背景技术】
[0002]目前有关备件管理的研究的基础是设备失效次数的预测，然后在预测已定的情况下进行最优库存管理，以提高设备的运行可靠性.但预测不准确是一个共性问题.然而，对于大多数设备而言，其备件需求是间歇型的，可能长时间不需要一件，但也可能一次需要几件.这就给基于历史消耗量的预测带来了极大的困难.值得注意的是，以往的研究大多忽视了一个重要的因果关系:备件的需求是由于设备的失效或预防性维修所产生，而这些维修都跟设备的寿命有关.因此，如何通过预测设备失效次数，优化备件管理策略？这是区别于传统备件管理方法的一个新思路.目前的研究未考虑设备实际的运行状态和监测数据，本质上还是依赖于历史的统计寿命信息。
【发明内容】
[0003]针对上述现有技术状况，本发明的目的是:提供一种基于退化建模的设备失效次数预测方法，以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题。
[0004]现将本发明构思及技术解决方案叙述如下:
[0005]本发明的基本构思是，充分利用产品在性能变化过程中获取的性能退化数据，科学预测高可靠性产品个体剩余寿命，在此基础上，确定设备失效次数，以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题。通过预测设备失效次数，优化备件管理
[0006]根据上述发明构思，本发明一种基于退化建模的设备失效次数预测方法，其特征在于:包括以下步骤:
[0007]步骤1:建立设备的性能退化模型
[0008]基于维纳过程的退化模型是一类典型的描述设备随机退化过程的线性随机模型，即设备的性能退化率可以近似为常数。令X(t)表示t时刻的退化量，则基于维纳过程的随机退
[0009]化过程{X(t)，t≥0}可以描述为:
[0010]X(t) = A t+σ B(t) (I)其中，B(t)是标准布朗运动，且有 B(t) ON(0，t)，λ 和σ分别是漂移系数和扩散系数.[0011]步骤2:性能退化模型中参数的估计
[0012]假设设备在监测时刻t1;..., tk的退化监测值为X1,..., xk,其中tQ=0, k≥I, tk为当前时刻，X(tk) =xk < w, X0=0.那么退化模型中的参数λ和σ ,可以通过极大似然估计的方法得到.具体地，在tk时刻λ和σ的极大似然估计为:[0013]又=今二(2)
【权利要求】
1.一种基于退化建模的设备失效次数预测方法，其特征在于:充分利用产品在性能变化过程中获取的性能退化数据，预测高可靠性产品个体剩余寿命；在此基础上，确定设备失效次数，以解决传统的基于失效数据进行设备失效次数预测时忽略设备实际运行状态的问题；通过预测设备失效次数，优化备件管理；包括以下步骤: 步骤1:建立设备的性能退化模型； 步骤2:性能退化模型中参数的估计； 步骤3:剩余寿命预测； 步骤4:设备失效次数的预测。
2.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法，其特征在于:步骤I中所述的“建立设备的性能退化模型”具体为: 基于维纳过程的退化模型是一类典型的描述设备随机退化过程的线性随机模型，即设备的性能退化率可以近似为常数。令X(t)表示t时刻的退化量，则基于维纳过程的随机退化过程{X(t), t ^ 0}可以描述为: X ⑴=λ t+ σ B (t) (I) 其中，B(t)是标准布朗运动，且有B(t) DN(0, t), λ和σ分别是漂移系数和扩散系数。
3.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法，其特征在于:步骤2中所述的“性能退化模型中参数的估计”具体为: 设设备在监测时刻t1;...，tk的退化监测值为X1,...，xk，其中tfO，k≤1，tk为当前时亥lj, X(tk) =xk < w, X0=0.那么退化模型中的参数λ和O ,可以通过极大似然估计的方法得到.具体地，在tk时刻λ和σ的极大似然估计为:
4.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法，其特征在于:步骤3中所述的“剩余寿命预测”的具体步骤为: 步骤3.1:基于退化过程{X(t)，t ^ 0}，设备的寿命可以通过首达时间的概念来定义.主要原理是:当退化过程{X(t)，t > 0}首次达到预先设定的失效阈值w时，就认为设备失效.因此，将设备寿命终止的时间定义为随机退化过程{X(t)，t>0}首次穿越失效阈值w的时间，也就是说设备的寿命T可以被定义为:
T=inf {t:X (t) ^ w IX (O) < w} (4) 步骤3.2:那么在当前时刻tk，设备的剩余寿命Lk可以被定义为:
Lk=inf {lk:X(tk+lk)≤ w} (5) 步骤3.3:根据以上参数估计结果以及剩余寿命的定义，可以得到，剩余寿命Lk是逆高斯分布的，其概率密度函数和分布函数如下:
5.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法，其特征在于:步骤4中所述的“设备失效次数的预测”的具体步骤为: 步骤4.1:设设备失效后马上对其替换，且替换后的设备和之前的设备服从相同的随机退化过程，各个设备是相互独立的.也就是说，设备和其备件在服役后的寿命是独立同分布的.令设备从当前时刻tk开始到将来一段时间Λ发生失效的次数为Dk(A).由于设备的寿命是随机的，那么设备的备件需求Dk(A)也是随机的，且Dk(A)为离散型随机变量.若Dk(A)=n,其中η=0,1,...,表明设备在时间间隔(tk,tk+A]内发生了11次失效.由此需要计算剩余寿命分布的η重卷积.利用逆高斯分布的卷积性质，可以得到Dk(A) =η的概率如下:
Pr (Dk ( Δ ) =η I xk) =Pr ((Lk | nw, xk) ≤Δ，(Lk | (n+l)w, xk) > Δ) (8) 其中，事件{(Lk|nw,xk) ≤Δ , (Lk| (n+l)w,xk) > Δ}表示在时间间隔(tk,tk+A]内发生了 n次失效.； 步骤4.2:进一步有:
Pr (Dk ( Δ ) =n I xk) = Pr ((Lk|nw, xk) ≤ Δ )-Pr ((Lk | (n+1) w, xk)≤ Δ) (9) 其中，Pr ((LkInw，xk) ≤ Δ)表示设备以xk为初始退化，以nw为失效阈值，在时间间隔(tk，tk+A]内随机过程{X(t),t≥0}首达时间小于Δ的概率； 步骤4.3:基于(11)式，根据定义，时间间隔(tk，tk+A]内失效次数的期望和方差可以通过下式计算:
6.根据权利要求1所述的一种基于退化建模的设备失效次数预测方法，其特征在于:步骤4.2中所述的“进一步”的具体步骤为: 步骤4.2.1:具体地，有:
【文档编号】G06Q10/04GK103793752SQ201310424597
【公开日】2014年5月14日 申请日期:2013年9月13日 优先权日:2013年9月13日
【发明者】胡昌华, 司小胜, 何华锋, 周涛, 蔡光斌, 张建勋 申请人:中国人民解放军第二炮兵工程大学