一种多传感器系统的剩余寿命预测方法与流程

本发明涉及机电设备健康管理技术领域，具体为一种多传感器系统的剩余寿命预测方法。

背景技术：

随着现代科技技术的迅速发展和功能需求的不断提高，大量机电设备的复杂性、综合性和智能化水平不断提高，使得这些机电设备成为一个大型复杂多传感系统，与此同时，这些设备的可靠性和安全运行性能也变得越来越重要，然而，复杂的运行工况和恶劣的运行环境，会导致机电设备在运行过程中有着不可避免的性能退化，当机电设备的性能退化到设备不足以完成其功能时，会导致设备停机甚至故障，并带来巨大的经济损失甚至人员伤亡，作为预测和健康管理的关键技术，剩余寿命预测可以有效预测系统潜在的退化趋势，估计机电设备故障时间，对于确保机电设备安全服务和可靠运行具有重要意义和实用价值。

目前，已有多数学者对机电设备剩余寿命预测进行了研究，并且采用不同方法和技术来预测机电设备的剩余寿命，有些学者集成了粒子滤波器和键合图建模的优点实现rul预测，并获得较高的精度和精确的置信界限；有些学者建立了改进的自回归模型，并利用粒子滤波方法预测rul，提高了预测精度，但是，上述方法都是只利用了机电设备中的某一个传感器数据进行剩余寿命预测，当机电设备的性能退化机理很清晰，并且单个传感器数据可以描述机电设备的退化过程时，上述方法是有效的，但是，在实际工程中，由于一个机电设备往往存在多个传感器，单个传感器数据不足以表征整个设备的性能降级，因此，现有方法难以精准的预测到多传感器机电设备的剩余寿命。

技术实现要素：

本发明提供了一种多传感器系统的剩余寿命预测方法，具备可精确预测出机电设备剩余寿命的优点，解决了上述背景技术中所提到的问题。

本发明提供如下技术方案：一种多传感器系统的剩余寿命预测方法，具体实施步骤如下：

s1计算传感器数据的改进二阶排列熵；

s2：按照s1所述的计算方法计算各个传感器数据的改进的二阶排列熵值并进行比较；

s3：选择改进的二阶排列熵值并将传感器的数据用于数据融合，构建能表征多传感器系统健康状态的健康指标；

s4：将健康指标作为粒子滤波方法的观测值，实现对多传感系统的健康状态预测。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述计算传感器数据的改进二阶排列熵包括以下步骤：

s1.1：将第i个传感器数据xi映射至2维相空间进行重构，得到如下所示的相空间矩阵：

其中a为重构后的相空间矩阵，b为a中的子矩阵，n为传感器数据的长度；

s1.2：对于上述重构相空间矩阵每一个状态向量可得一个符号序列：

s(l)＝[m1,m2],l＝1,2,...,n*(n-1)/2

其中l为状态向量索引，[m1,m2]为按状态向量数值大小得到的排列，共有两种可能性π1＝[0,1]和π2＝[1,0]，当状态向量中两个数数值相等时，取[0,1]，比较每一个状态向量中的数值大小，得到每个状态向量的排列关系；

s1.3：计算所有状态向量对应的排列π1,π2的概率；

s1.4：计算传感器数据改进的二阶排列熵值。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述计算所有状态向量对应的排列π1,π2的概率用到的计算公式如下所示：

其中#代表个数。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述计算传感器数据改进的二阶排列熵值所用的计算公式为：

s2＝abs(p(π1)log2[p(π1)]-p(π2)log2[p(π2)])

其中abs()为取绝对值。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述构建能表征多传感器系统健康状态的健康指标具体包括以下步骤：

s3.1：构建t时刻的健康指标；

s3.2：通过遗传算法求解双目标优化问题，获得最优的权重向量ω*，计算健康指标的整体单调趋势和故障阈值方差。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述构建t时刻的健康指标的构建公式如下：

ht＝x·,tωt＝0,1,2,...,ni

其中ω为权重向量，x·,t∈r^1×s是从s个传感器中收集的量测值矩阵；

所述计算健康指标的整体单调趋势的计算公式为：

s.t.ω′1s＝1

其中s2ω(d)是由权重向量ω确定的健康指数的改进的二阶排列熵值，是由权重向量ω确定的健康指数的故障阈值方差，1s∈r^s×1是值全为1的向量；

所述故障阈值方差计算公式如下：

其中y∈r^m×s是故障值矩阵，m是训练单元的数量。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述粒子滤波方法具体包括以下步骤：

s4.1：构建多传感系统的状态空间模型：

θk＝f(θk-1,υk)

hk＝h(θk,νk)

其中θ是状态向量，f是非线性函数，υ是过程方差，h是健康指标，h是非线性观测函数，ν是量测方差；

s4.2：用无味卡尔曼滤波产生粒子滤波的重要密度函数；

s4.21：设置k＝0，从先验分布中抽取ns个粒子，并确定权重为1/ns，然后初始化参数：

增广初始化状态向量和协方差矩阵：

s4.22：高斯点和权重计算：

s4.23：时间更新：

s4.24：量测值更新：

s4.3：计算采样粒子和更新粒子权重：

s4.4：如果有效粒子数低于所给的阈值，进行重采样：

s4.5：状态估计：

若k>t则结束预测；

其中为选取的粒子，α和β为无味变换的参数，wi^(m)和wi^(c)分别为一阶统计特性和二阶统计特性的权系数，θk|k-1、pk|k-1和hk|k-1分别是状态量，方差和量测值的一步预测，kk为滤波增益，和分别为无味卡尔曼滤波最后的到的均值和方差；

s4.6：利用无味粒子滤波算法获得的预测模型对系统进行健康状态预测；

s4.7：通过对健康状态的预测，确定多传感系统的剩余寿命：

其中th是系统的故障阈值，trul是系统的剩余寿命，t是当前时刻。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：当k≤t时，令k＝k+1，然后通过以下步骤进行计算：

s4.22：高斯点和权重计算：

s4.23：时间更新：

s4.24：量测值更新：

s4.3：计算采样粒子和更新粒子权重：

s4.4：如果有效粒子数低于所给的阈值，进行重采样：

s4.5：状态估计：

若k>t则结束预测

其中为选取的粒子，α和β为无味变换的参数，wi^(m)和wi^(c)分别为一阶统计特性和二阶统计特性的权系数，θk|k-1、pk|k-1和hk|k-1分别是状态量，方差和量测值的一步预测，kk为滤波增益，和分别为无味卡尔曼滤波最后的到的均值和方差；

s4.6：利用无味粒子滤波算法获得的预测模型对系统进行健康状态预测；

s4.7：通过对健康状态的预测，确定多传感系统的剩余寿命：

其中th是系统的故障阈值，trul是系统的剩余寿命，t是当前时刻。

作为本发明所述多传感器系统的剩余寿命预测方法的一种优选方案，其中：所述用无味卡尔曼滤波产生粒子滤波的重要密度函数的方法首先在采样阶段，用无味卡尔曼滤波为每个粒子计算其均值和协方差；其次利用该均值和协方差来指导采样。

本发明具备以下有益效果：

该多传感器系统的剩余寿命预测方法，提出一种改进的二阶排列熵指标衡量数据的单调性趋势，并通过数据融合方法融合多个传感器数据，构建出具有良好退化趋势和较小阈值方差的健康指标去表征设备的健康状态，再将健康指标的数据作为无味粒子滤波的观测值，对设备的健康状态进行估计和预测，最终实现对多传感系统的剩余寿命预测。

附图说明

图1为本发明方法的结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

请参阅图1，一种多传感器系统的剩余寿命预测方法，所述多传感器系统的剩余寿命预测方法主要包括采用数据融合方法表征机电设备的健康指标和采用粒子滤波方法实现机电设备健康状态的预测，数据融合方法通过融合多个传感器数据，构建出具有良好退化趋势和较小阈值方差的健康指标去表征设备的健康状态，利用数据融合方法构建健康指标时，往往会让健康指标具有更小的改进二阶排列熵，去使得健康指标具有良好的整体单调趋势，从而提高机电设备剩余寿命的预测精度，其具体实施步骤如下：

s1计算传感器数据的改进二阶排列熵，通过改进的二阶排列熵和数据融合方法构建健康指标会有良好的整体单调趋势和较小的故障阈值误差，使得剩余寿命预测精度更高；

s1.1：将第i个传感器数据xi映射至2维相空间进行重构，得到如下所示的相空间矩阵：

其中a为重构后的相空间矩阵，b为a中的子矩阵，n为传感器数据的长度；

s1.2：对于上述重构相空间矩阵每一个状态向量可得一个符号序列：

s(l)＝[m1,m2],l＝1,2,...,n*(n-1)/2

其中l为状态向量索引，[m1,m2]为按状态向量数值大小得到的排列，共有两种可能性π1＝[0,1]和π2＝[1,0]，当状态向量中两个数数值相等时，取[0,1]，比较每一个状态向量中的数值大小，得到每个状态向量的排列关系；

s1.3：计算所有状态向量对应的排列π1,π2的概率，如下所示：

其中#代表的个数；

s1.4：计算传感器数据改进的二阶排列熵值，改进的二阶排列熵计算公式为：

s2＝abs(p(π1)log2[p(π1)]-p(π2)log2[p(π2)])

其中abs()为取绝对值；

s2：按照s1所述的计算方法计算各个传感器数据的改进的二阶排列熵值并进行比较；

s3：选择改进的二阶排列熵值最大且具有良好整体单调趋势的传感器数据用于数据融合，构建能表征多传感器系统健康状态的健康指标，

s3.1：构建t时刻的健康指标，健康指标构建公式如下：

ht＝x·,tωt＝0,1,2,...,ni

其中ω为权重向量，x·,t∈r^1×s是从s个传感器中收集的量测值矩阵；

s3.2：通过遗传算法求解上述双目标优化问题，获得最优的权重向量ω^*，确保健康指标有着良好的整体单调趋势和较小的故障阈值方差：

s.t.ω′1s＝1

其中s2ω(d)是由权重向量ω确定的健康指数的改进的二阶排列熵值，是由权重向量ω确定的健康指数的故障阈值方差，1s∈r^s×1是值全为1的向量，故障阈值方差计算公式如下：

其中y∈r^m×s是故障值矩阵，m是训练单元的数量；

s4：将健康指标作为粒子滤波方法的观测值，实现对多传感系统的健康状态预测，粒子滤波因为其能较好的解决非线性、非高斯系统的状态估计问题被广泛应用与设备剩余寿命预测。

本实施例工作原理为：通过采用数据融合方法融合多个传感器数据，构建出具有良好退化趋势和较小阈值方差的健康指标去表征设备的健康状态，之后将健康指标作为粒子滤波方法的观测值，采用粒子滤波算法获得的预测模型对系统进行健康状态预测，最终算出机电设备的剩余寿命，数据融合方法与粒子滤波方法相互配合使用，进一步提高对机电设备剩余寿命的预测精度。

实施例2

请参阅图1，本实施例与上述实施例的区别在于：本实施例所采用无味卡尔曼滤波来选择粒子滤波的建议分布，由于粒子滤波算法是采用先验分布来作为建议密度分布函数，当先验分布与后验分布的重合度很小的时候，粒子滤波算法的效果较差，导致在用粒子滤波算法预测机电设备剩余有效寿命时，预测精度会相应降低，因此本实施例所采用无味卡尔曼滤波来选择粒子滤波的建议分布，首先在采样阶段，用无味卡尔曼滤波为每个粒子计算其均值和协方差，其次利用该均值和协方差来指导采样，利用无味卡尔曼滤波计算均值和协方差时，利用了最新的观测信息，所以更接近后验分布，从而提高计算机电设备剩余寿命时的精确性。

该多传感器系统的剩余寿命预测方法主要包括采用数据融合方法表征机电设备的健康指标和采用无味粒子滤波方法实现机电设备健康状态的预测，数据融合方法通过融合多个传感器数据，构建出具有良好退化趋势和较小阈值方差的健康指标去表征设备的健康状态，利用数据融合方法构建健康指标时，往往会让健康指标具有更小的改进二阶排列熵，去使得健康指标具有良好的整体单调趋势，从而提高机电设备剩余寿命的预测精度，其具体实施步骤如下：

s1计算传感器数据的改进二阶排列熵，通过改进的二阶排列熵和数据融合方法构建健康指标会有良好的整体单调趋势和较小的故障阈值误差，使得剩余寿命预测精度更高；

s1.1：将第i个传感器数据xi映射至2维相空间进行重构，得到如下所示的相空间矩阵：

其中a为重构后的相空间矩阵，b为a中的子矩阵，n为传感器数据的长度；

s1.2：对于上述重构相空间矩阵每一个状态向量可得一个符号序列：

s(l)＝[m1,m2],l＝1,2,...,n*(n-1)/2

其中l为状态向量索引，[m1,m2]为按状态向量数值大小得到的排列，共有两种可能性π1＝[0,1]和π2＝[1,0]，当状态向量中两个数数值相等时，取[0,1]，比较每一个状态向量中的数值大小，得到每个状态向量的排列关系；

s1.3：计算所有状态向量对应的排列π1,π2的概率，如下所示：

其中#代表的个数；

s1.4：计算传感器数据改进的二阶排列熵值，改进的二阶排列熵计算公式为：

s2＝abs(p(π1)log2[p(π1)]-p(π2)log2[p(π2)])

其中abs()为取绝对值；

s2：按照s1所述的计算方法计算各个传感器数据的改进的二阶排列熵值并进行比较；

s3：选择改进的二阶排列熵值最大且具有良好整体单调趋势的传感器数据用于数据融合，构建能表征多传感器系统健康状态的健康指标，

s3.1：构建t时刻的健康指标，健康指标构建公式如下：

ht＝x·,tωt＝0,1,2,...,ni

其中ω为权重向量，x·,t∈r^1×s是从s个传感器中收集的量测值矩阵；

s3.2：通过遗传算法求解上述双目标优化问题，获得最优的权重向量ω^*，确保健康指标有着良好的整体单调趋势和较小的故障阈值方差：

s.t.ω′1s＝1

其中s2ω(d)是由权重向量ω确定的健康指数的改进的二阶排列熵值，是由权重向量ω确定的健康指数的故障阈值方差，1s∈r^s×1是值全为1的向量，故障阈值方差计算公式如下：

其中y∈r^m×s是故障值矩阵，m是训练单元的数量；

s4：将健康指标作为粒子滤波方法的观测值，实现对多传感系统的健康状态预测，粒子滤波法具体包括以下步骤，粒子滤波因为其能较好的解决非线性、非高斯系统的状态估计问题被广泛应用与设备剩余寿命预测，

s4.1：构建多传感系统的状态空间模型：

θk＝f(θk-1,υk)

hk＝h(θk,νk)

其中θ是状态向量，f是非线性函数，υ是过程方差，h是健康指标，h是非线性观测函数，ν是量测方差；

s4.2：用无味卡尔曼滤波产生粒子滤波的重要密度函数；

粒子滤波算法是采用先验分布来作为建议密度分布函数，当先验分布与后验分布的重合度很小的时候，粒子滤波的效果会不好，因此，本发明采用无味卡尔曼滤波来选择粒子滤波的建议分布，具体是在采样阶段，用无味卡尔曼滤波为每个粒子计算其均值和协方差，然后利用该均值和协方差来指导采样，因为用无味卡尔曼滤波计算均值和协方差时，利用了最新的观测信息，所以更接近后验分布；

s4.21：首先，设置k＝0，从先验分布中抽取ns个粒子，并确定权重为1/ns，然后初始化参数：

增广初始化状态向量和协方差矩阵：

s4.22：高斯点和权重计算：

s4.23：时间更新：

s4.24：量测值更新：

s4.3：计算采样粒子和更新粒子权重：

s4.4：如果有效粒子数低于所给的阈值，进行重采样：

s4.5：状态估计：

如果满足k≤t，则令k＝k+1，返回步骤s4.22，否则，结束预测；

其中为选取的粒子，α和β为无味变换的参数，wi^(m)和wi^(c)分别为一阶统计特性和二阶统计特性的权系数，θk|k-1、pk|k-1和hk|k-1分别是状态量，方差和量测值的一步预测，kk为滤波增益，和分别为无味卡尔曼滤波最后的到的均值和方差；

s4.6：利用无味粒子滤波算法获得的预测模型对系统进行健康状态预测；

s4.7：通过对健康状态的预测，确定多传感系统的剩余寿命：

其中th是系统的故障阈值，trul是系统的剩余寿命，t是当前时刻。

本实施例的工作原理为：首先采用数据融合方法融合多个传感器数据，通过改进的二阶排列熵和数据融合方法构建出具有良好退化趋势和较小阈值方差的健康指标去表征设备的健康状态，之后将健康指标作为无味粒子滤波方法的观测值，采用无味粒子滤波算法获得预测模型并对系统进行健康状态预测，数据融合方法与粒子滤波方法相互配合使用，进一步提高对机电设备剩余寿命的预测精度。

需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。