本发明涉及智能制造装备
技术领域：
，具体地说是一种基于性能退化分析的智能制造装备可靠性的评估方法。
背景技术：
：智能制造装备是具有感知、分析、推理、决策、控制功能的制造装备，是是信息技术、智能技术和先进制造技术深度融合的产物，属于高度复杂的机电一体化产品。通过对机械设备的智能化，可使装备的功能极大丰富，智能制造装备因此具有功能强、精度高、生产效率和自动化程度高等优点。在实际工况条件下，智能制造装备的功能稳定性和性能一致性，即智能制造装备的使用可靠性，是保证其工作任务成败的目标所在。这是因为智能制造装备与普通机械装备的本质区别在于信息技术和智能技术的引入而产生的功能的极大丰富和性能的本质变化。如果智能制造装备的功能和性能在使用过程中不能稳定维持、故障频发，则智能制造装备的先进性和高效性将无从得到保证，失去智能制造装备的本质意义。可靠性工程作为全寿命周期内对产品功能使用一致性和产品质量时间稳定性的一项系统工程技术，随着智能制造装备的全面创新、快速发展、市场投放以及最终的产业形成，迫切需要针对智能制造装备开展可靠性工程技术和服务体系的构建。在这其中，智能制造装备的可靠性评估作为目标的可靠性共性技术，是对智能制造装备进行定量控制、研制考核和健康管理的目标所在；同时也是为智能制造装备设计的改进、工艺的优化和使用的保证提供信息和技术支撑的重要保障。智能制造装备多样的功能特性、复杂的任务工况和繁复的使用维护，使得其可靠性同时受到设计、制造和装配环节中多个内在因素的影响，同时也受到使用、维修和保养中多个外在因素的作用，并且由于工作环境和任务要求的特殊性而呈现出小批量定制的特点且个体差异明显。现有的基于故障时间数据的可靠性评估方法难以对智能制造装备的使用可靠性进行有效的表征并且不能对其使用可靠性进行实时高效的评价。因此，如何提供一种能够对智能制造装备使用寿命进行实时高效评价的方法，是本领域技术人员亟待解决的问题。技术实现要素：本发明实施例提供了一种基于性能退化分析的智能制造装备可靠性的评估方法，能够实现对智能制造装备的使用可靠性进行实时高效的评估。本发明实施例提供的基于性能退化分析的智能制造装备可靠性的评估方法，具体方案为：一种基于性能退化分析的智能制造装备可靠性的评估方法，包括步骤：(1)分析：分析识别表征智能制造装备使用可靠性的现场使用的目标性能退化指标，以及影响其可靠性的目标环境和工况应力因素。(2)采集信息：采集所述目标性能退化指标数据和所述目标环境和工况应力因素数据。(3)评估：对采集到的所述目标性能退化指标数据进行建模分析，并将采集到的所述目标环境和工况应力因素数据进行建模引入，应用贝叶斯方法构建可靠性评估。优选地，所述步骤(1)分析具体包括：A1、识别所述智能制造装备的系统中的目标子系统；A2、建立所述智能制造装备的系统、所述目标子系统与系统使用功能和输出特性之间的关联关系。A3、监测所述系统使用功能和输出特性参数，选择确定表征所述智能制造装备的系统可靠性的目标性能退化指标。A4、收集所述智能制造装备现场的故障信息和售后维修记录，对故障原因和影响因素进行分析识别，确认使用环境和工况中影响系统性能参数的目标环境和工况应力因素。本发明实施例中，所述目标子系统包括主轴子系统和液压子系统。优选地，所述步骤(2)具体包括：在识别所述智能制造装备的系统中的目标子系统为主轴子系统和液压子系统基础上，令Y1(t)描述所述液压子系统对应指标的性能退化过程，Y2(t)描述所述主轴子系统对应指标的性能退化过程，XE为工作环境变量，XO为加工任务变量。性能退化观测数据为：yk(tihj)(k＝1,2,i＝1,2,h＝1,…,10,j＝1,…,mih)，yk(tihj)即为第i个样本的第k个子系统，在第h个任务区间内的第j个观测时间点观测到的性能退化值。其中，k为液压子系统(k＝1)和主轴子系统(k＝2)的系数，i为样本的系数，h为工作任务的系数，j为观测点的系数。为第i个样本所处工作环境变量的观测值；为第i个在第h个任务区间内所经历工作任务变量的观测值。优选地，所述步骤(3)的实现具体包括以下步骤：C1、获取各目标性能退化指标的退化增量数据；C2、若所述退化增量数据为单调递增型退化增量，则通过逆高斯过程模型对性能退化过程进行建模；若否，则选择维纳过程模型进行建模；C3、将采集到的所述目标环境和工况应力因素数据引入到各目标性能指标对应的性能退化模型中；C4、应用贝叶斯方法，对引入了所述目标环境和工况应力因素的性能退化模型的模型参数进行估计，得到所述模型参数的后验概率分布抽样样本，以及所述模型参数的点估计值；C5、在所述模型参数的点估计值的基础上，基于C2中各性能退化增量数据对应的模型，获取所述目标性能退化指标的退化增量数据在对应模型下的累计概率分布函数值；C6、在步骤C5中的所述累计概率分布函数值的基础上，通过所述目标性能退化指标两两组合的散点分析，并以此选择Copula函数来对所述目标性能退化指标间的相关关系进行建模；C7、在步骤C6中所述目标性能退化指标间Copula函数确定的基础上，利用C5中所有目标性能退化指标的退化增量数据的累计概率分布函数值，应用贝叶斯方法对Copula函数的模型参数进行估计，获取Copula函数模型参数的后验概率分布抽样的样本。C8、在所述C4和C5中模型参数的后验概率分布样本的基础上，结合所述维纳过程模型和逆高斯过程模型在所述Copula函数组合下可靠度函数的表达式，将所述模型参数的后验概率分布样本带入可靠度函数的表达式中，获得可靠度后验概率分布的样本，并通过计算所述样本的均值、方差和核函数，获得装备使用寿命的点估计、区间估计和近似概率分布。优选地，所述步骤C1具体为：采用散点图形式将Y1(t)和log(Y2(t))的退化增量绘制出来，分别记Δy1(tihj)＝y1(tihj)-y1(tih,j-1)和Δlog(y2(tihj))＝log(y2(tihj))-log(y2(tih,j-1))为Y1(t)和log(Y2(t))的退化增量。优选地，所述步骤C2具体为：y1(tihj)～IG(β1tihj,λ1(β1tihj)2),i＝1,2；h＝1,L,10,log(y2(tihj))～N(θ2+β2tihj,σ22tihj),j＝1,L,mih其中，y1(tihj)～IG(β1tihj,λ1(β1tihj)2)为Y1(t)的观测值y1(tihj)对应的逆高斯过程模型；log(y2(tihj))～N(θ2+β2tihj,σ22tihj)为Y2(t)的观测值log(y2(tihj))对应的维纳过程模型。优选地，所述步骤C3具体为：Δy1(tihj)～IG(ΔΛ1(tihj),λ1ΔΛ1(tihj)2),i＝1,2；h＝1,L,10,Δlog(y2(tihj))～N(μ2ihΔtihj,σ22Δtihj),j＝1,L,mih,F(Δy1(tihj),Δlog(y2(tihj)))＝C(F(Δy1(tihj)),F(Δlog(y2(tihj)))|θC),F(Δy1(tihj))=Φ(λ1Δy1ij(Δy1(tihj)-ΔΛ1(tihj)))+]]>exp(2λ1ΔΛ1(tihj))Φ(-λ1Δy1ij(Δy1(tihj)+ΔΛ1(tihj))),]]>F(Δlog(y2(tihj)))=Φ(Δlog(y2(tihj))-μ2ihΔtihjσ2Δtihj),]]>ΔΛ1(tihj)=(β1+β1Elog(xiE))exp(β1OxihO-x0Ox0O)Δtihj,]]>μ2ih=β2+(β2Elog(xiE)+β2OxihO-x0Ox0O)]]>其中，Δtihj＝tihj-tih,j-1，逆高斯过程模型的退化增量为Δy1(tihj)，对应模型参数为维纳过程模型的退化增量为Δlog(y2(tihj))，对应的模型参数为优选地，所述步骤C4具体为：p(θIGF|Y1,1:2,XE,XO)∝π(β1,β1O,β1E,λ1)×Πi=12Πi=18Πj=2mihλ1ΔΛ1(tihj)exp(-λ1(Δy1(tihj)-ΔΛ1(tihj))22Δy1(tihj))]]>p(θWF|Y2,1:2,XE,XO)∝π(θ2,β2,β2O,β2E,σ2)×Πi=12φ(log(y2(ti,1,2))-μ2ihti,1,2σ2ti,1,2)×Πj=3mi,1φ(Δlog(y2(ti1j))-μ2i1(ti1j-ti1,j-1)σ2ti1j-ti1,j-1)×Πh=28Πj=2mihφ(Δlog(y2(tihj))-μ2ih(tihj-tih,j-1)σ2tihj-tih,j-1)]]>其中，Y1,1:2,Y2,1:2,XE,XO分别为Y1(t)、Y2(t)、工作环境和工作任务的观测数据；π(g)为模型参数的先验分布，p(·)为模型参数的后验分布。优选地，所述步骤C6具体为：F(Δy1(tihj),Δlog(y2(tihj)))=C(F(Δy1(tihj)),F(Δlog(y2(tihj)))|θC)=∫-∞Φ-1(uihj)∫-∞Φ-1(vihj)12π1-α2exp{-x2-2αxy-y22(1-α2)}dxdy,]]>uihj＝F(Δy1(tihj)),vihj＝F(Δlog(y2(tihj)))其中，θC＝{α}且-1≤α≤1，Φ-1(g)为标准正态分布累积概率分布函数的逆函数。优选地，所述步骤C8具体为：TRUL=inf{r:Y1(tm+r)>D1,or,Y2(tm+r)>D2|Y1(tm)<D1,and,Y2(tm)<D2}]]>对于液压子系统和主轴子系统性能退化过程的性能退化阈值分别为D1＝80和D2＝40。从以上技术方案可以看出，本发明实施例具有以下优点：1、本发明方法克服了传统可靠性评估方法需要大样本故障时间数据作支撑、无法考虑环境和工况应力的影响以及无法对各个个体在特定环境和工况下进行实时评估等问题。2、本发明所述的使用寿命评估方法从性能退化建模分析的角度，将智能制造装备的使用功能和输出特性映射为现场使用中目标性能指标，并且将影响装备可靠性的环境和工况应力因素引入到装备目标性能指标的建模分析中，实现了智能制造装备在实际环境和工况下的建模与评估。本方法克服了传统可靠性评估方法在进行智能制造装备使用可靠性评估时需要大样本故障时间数据作支撑、无法考虑环境和工况应力的影响、评估结果为统计平均值且无法对各个个体在特定环境和工况下进行实时评估等问题。3、本发明在传统贝叶斯性能退化分析的基础上，构建了两步贝叶斯多性能退化分析方法。本发明通过依次对目标系性能指标的性能退化过程以及两两组合的性能指标的相关关系模型进行模型参数估计，在获得模型参数点估计和区间估计的同时，也获得了模型参数的后验概率分布。在此基础上，一方面可以获得装备使用可靠性的点估计、区间估计和近似后验概率分布；另一方面可以将这些模型参数的后验概率分布作为新采集到数据的建模、分析与可靠性评估时的先验分布，以此实现对估计结果的实时动态更新。本方法克服了传统可靠性评估方法在评估结果不确定性量化上的不足、对后续装备的维修决策和健康管理提供信息支撑能力的不足、在多性能指标相关情形下可靠性评估精度低以及无法实现随着数据采集和状态监测所获得数据的动态更新来对评估结果进行实时更新的缺陷。附图说明图1为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法的一个实施例流程示意图；图2为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法的一个性能退化指标数据变化图；图3为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法的工况应力因素变化图；图4为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法的一个性能退化指标的退化增量散点图；图5为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法的一个退化增量的累计概率分布图；图6为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法中的一个样本剩余寿命估值图；图7为本发明实施例中一种基于性能退化分析的智能制造装备使用可靠性评估方法中的另一个样本剩余寿命估值图。具体实施方式本发明实施例提供了一种基于性能退化分析的智能制造装备使用可靠性评估方法，能够实现对智能制造装备的使用可靠性进行实时高效的评估。为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。实施例1，本发明实施例提供的一种基于性能退化分析的智能制造装备可靠性的评估方法，包括步骤：101、分析：分析识别表征智能制造装备使用可靠性的现场使用的目标性能退化指标，以及影响其可靠性的目标环境和工况应力因素。本发明实施例中，为了实现对智能制造装备的可靠性进行实施高效评估，首先要分析、识别能够用以进行评估的数据指标，包括表征其使用可靠性的现场使用的目标性能退化指标以及影响其可靠性的目标环境和工况应力因素等。102、采集信息：采集所述目标性能退化指标数据和所述目标环境和工况应力因素数据。在步骤101之后，分析、识别出相应的能够表征其使用可靠性的指标后，采集该指标数据和其他因素的数据，如目标环境和工况应力因素数据。103、评估：对采集到的所述目标性能退化指标数据进行建模分析，并将采集到的所述目标环境和工况应力因素数据进行建模引入，应用贝叶斯方法构建可靠性评估。采集完成之后，对该采集到的目标性能退化指标数据进行建模，以及建模后的分析，然后将目标环境和工况应力因素数据引入，进行可靠性评估分析，本发明实施例中，采用贝叶斯方法构建可靠性评估。本发明实施例中采用的评估方法从性能退化建模分析的角度，将智能制造装备的使用功能和输出特性映射为现场使用中目标性能指标，并且将影响装备可靠性的环境和工况应力因素引入到装备目标性能指标的建模分析中，实现了智能制造装备在实际环境和工况下的建模与评估。本方法克服了传统可靠性评估方法在进行智能制造装备使用可靠性评估时需要大样本故障时间数据作支撑、无法考虑环境和工况应力的影响、评估结果为统计平均值且无法对各个个体在特定环境和工况下进行实时评估等问题以上是对本发明实施例中采用的评估方法进行的整体方面的说明，下面针对该方法所采用的各个步骤，进行详细阐述：实施例2，本发明实施例中的一种基于性能退化分析的智能制造装备可靠性评估方法，包括如下步骤：(1)分析：分析识别表征智能制造装备使用可靠性的现场使用的目标性能退化指标，以及影响其可靠性的目标环境和工况应力因素。A1、根据某一基于性能退化分析的智能制造装备的系统结构和功能特性，开展功能故障模式影响分析，识别装备的目标子系统；本发明实施例中，该基于性能退化分析的智能制造装备的目标子系统包括主轴子系统和液压子系统；A2、在步骤A1的基础上，结合该智能制造装备的使用要求和任务特性，建立系统和目标子系统与系统使用功能和输出特性之间的关联关系。其中，其中主轴子系统对应的输出特性包括X、Y、Z三个方向上的定位精度，液压子系统对应的输出特性为液压油路中的压力。A3、在步骤A2的基础上，考虑使用功能和输出特性参数的可监测性，选择确定表征系统可靠性的目标性能指标。本实施例中选定X轴向上的定位精度和液压油路中的压力为目标性能指标。A4、收集智能制造装备现场的故障信息和售后维修记录，并应用故障树分析方法，对故障的原因和相关影响因素进行分析识别，确认使用环境和工况中影响系统性能参数的时变因素。本实例中识别出的影响装备可靠性的环境因素为装备工作环境的温度，工况因素为工件转速。(2)采集信息：采集所述目标性能退化指标数据和所述目标环境和工况应力因素数据。选定2台该智能制造装备进行现场性能退化数据的采集以及环境和工况时变因素的监测，采集得到的性能退化数据和时变因素信息如图2和图3所示。令Y1(t)描述液压子系统对应指标的性能退化过程，Y2(t)描述主轴系统对应指标的性能退化过程，XE为工作环境变量，XO为加工任务变量。将性能退化观测数据统一描述为：yk(tihj)(k＝1,2,i＝1,2,h＝1,…,10,j＝1,…,mih)，其中k为液压子系统(k＝1)和主轴子系统(k＝2)的系数，i为样本的系数，h为工作任务的系数，j为观测点的系数。yk(tihj)即为第i个样本的第k个子系统，在第h个任务区间内的第j个观测时间点观测到的性能退化值(每个任务区间内的总的观测点数为mih个)，如图2所示。为第i个样本所处工作环境变量的观测值；为第i个样本在第h个任务区间内所经历工作任务变量的观测值，如图3所示。(3)评估：对采集到的所述目标性能退化指标数据进行建模分析，并将采集到的所述目标环境和工况应力因素数据进行建模引入，应用贝叶斯方法构建可靠性评估。进一步地，评估层的实现包括如下步骤：C1、对采集的性能退化数据进行初步整理，得到各性能指标的退化增量数据；在获得图2和图3所示的性能退化数据和时变因素的观测数据之后，首先采用散点图的形式分别将Y1(t)和log(Y2(t))的退化增量绘制出来，分别记Δy1(tihj)＝y1(tihj)-y1(tih,j-1)和Δlog(y2(tihj))＝log(y2(tihj))-log(y2(tih,j-1))为Y1(t)和log(Y2(t))的退化增量，如图4所示。从散点图可知：Y1(t)的退化增量和log(Y2(t))的退化增量之间存在较强的相关关系。C2、根据退化增量的正负来判断退化过程是否为单调递增型退化过程，并以此选择维纳过程模型(非单调递增型退化过程)和逆高斯过程模型(单调递增型退化过程)对各性能退化过程进行建模；根据图2中目标性能指标的退化轨迹以及图4中对应退化增量的正负特性(退化增量都为正的退化过程为单调递增型退化)，对于液压子系统的性能退化过程Y1(t)采用线性均值函数的逆高斯过程模型来建模，对于主轴子系统的性能退化过程Y2(t)采用指数型的维纳过程模型来建模：y1(tihj)~IG(β1tihj,λ1(β1tihj)2),i=1,2;h=1,L,10log(y2(tihj))~N(θ2+β2tihj,σ22tihj),j=1,L,mih---(1)]]>式中，y1(tihj)～IG(β1tihj,λ1(β1tihj)2)为Y1(t)的观测值y1(tihj)对应的逆高斯过程模型；log(y2(tihj))～N(θ2+β2tihj,σ22tihj)为Y2(t)的观测值log(y2(tihj))对应的维纳过程模型。C3、根据环境和工况时变因素对性能指标的影响关系，以协变量的形式将采集到的环境和工况时变因素数据引入到各性能指标对应的性能退化模型中；本实施例中对于工作环境变量首先进行了对数化处理，即将引入到模型中去；对于工作任务变量进行了偏移量比例化处理，即将引入到模型中去，其中为工作任务变量的典型特征值；这些预处理的目的是为了调整这些变量的取值以使其适应模型中整体参数和变量的取值，增强模型的稳健性。对于变量的引入在逆高斯过程模型和维纳过程模型中都采用线性方式，对于变量的引入在逆高斯过程模型中采用指数方式而在维纳过程模型中则采用线性方式。综合以上建模的考虑，构建性能退化数据的模型如下：Δy1(tihj)～IG(ΔΛ1(tihj),λ1ΔΛ1(tihj)2),i＝1,2；h＝1,L,10,Δlog(y2(tihj))～N(μ2ihΔtihj,σ22Δtihj),j＝1,L,mih,F(Δy1(tihj),Δlog(y2(tihj)))＝C(F(Δy1(tihj)),F(Δlog(y2(tihj)))|θC),F(Δy1(tihj))=Φ(λ1Δy1ij(Δy1(tihj)-ΔΛ1(tihj)))+]]>exp(2λ1ΔΛ1(tihj))Φ(-λ1Δy1ij(Δy1(tihj)+ΔΛ1(tihj))),]]>F(Δlog(y2(tihj)))=Φ(Δlog(y2(tihj))-μ2ihΔtihjσ2Δtihj),]]>ΔΛ1(tihj)=(β1+β1Elog(xiE))exp(β1OxihO-x0Ox0O)Δtihj,]]>μ2ih=β2+(β2Elog(xiE)+β2OxihO-x0Ox0O)---(2)]]>式中，Δtihj＝tihj-tih,j-1，逆高斯过程模型的退化增量为Δy1(tihj)，对应模型参数为维纳过程模型的退化增量为Δlog(y2(tihj))，对应的模型参数为C(F(Δy1(tihj)),F(Δlog(y2(tihj)))|θC)的模型在确定两个性能退化过程的相关关系之后再确定具体形式。C4、应用贝叶斯方法，对引入了环境和工况时变因素的性能退化模型的模型参数进行估计，得到模型参数的后验概率分布，以及模型参数的点估计值；根据贝叶斯方法，结合式(2)所示的数据模型，得到模型参数的后验概率分布的数学表达式为：p(θIGF|Y1,1:2,XE,XO)∝π(β1,β1O,β1E,λ1)×Πi=12Πi=18Πj=2mihλ1ΔΛ1(tihj)exp(-λ1(Δy1(tihj)-ΔΛ1(tihj))22Δy1(tihj))---(3)]]>p(θWF|Y2,1:2,XE,XO)∝π(θ2,β2,β2O,β2E,σ2)×Πi=12φ(log(y2(ti,1,2))-μ2ihti,1,2σ2ti,1,2)×Πj=3mi,1φ(Δlog(y2(ti1j))-μ2i1(ti1j-ti1,j-1)σ2ti1j-ti1,j-1)×Πh=28Πj=2mihφ(Δlog(y2(tihj))-μ2ih(tihj-tih,j-1)σ2tihj-tih,j-1)---(4)]]>式中，Y1,1:2,Y2,1:2,XE,XO分别为Y1(t)、Y2(t)、工作环境和工作任务的观测数据；π(·)为模型参数的先验分布，本实施例中采用均匀分布形式的无信息先验分布，使得模型参数的估计完全依赖于观测数据；p(·)为模型参数的后验分布。通过对模型参数的后验分布进行抽样，并对后验样本进行统计分析，获得模型参数的估计结果如表1所示。表1性能退化过程模型参数的估计结果C5、在步骤C4中模型参数的点估计值的基础上，基于步骤C2中各性能退化增量对应的模型，获取各性能退化增量在对应模型下的累计概率分布函数值；当获得边缘退化过程模型参数的估计结果时，可得到退化增量Δy1(tihj)和Δlog(y2(tihj))在各自边缘退化过程对应分布模型下的累积概率分布函数值(F(Δy1(tihj)),F(Δlog(y2(tihj))))，这些累积概率分布函数取值的散点图如图5所示。C6、在步骤C5中退化增量累计概率分布函数值的基础上，通过进行性能退化指标两两组合的散点分析，并以此选择Copula函数来对性能退化指标间的相关关系进行建模；从图中可知两个退化过程退化增量对应的累积概率分布函数的取值之间存在着“纺锤形”的散点相关关系，可以采用高斯Copula函数来对这种类型的相关关系进行建模：F(Δy1(tihj),Δlog(y2(tihj)))=C(F(Δy1(tihj)),F(Δlog(y2(tihj)))|θC)=∫-∞Φ-1(uihj)∫-∞Φ-1(vihj)12π1-α2exp{-x2-2αxy-y22(1-α2)}dxdy,uihj=F(Δy1(tihj)),vihj=F(Δlog(y2(tihj)))---(5)]]>式中，θC＝{α}且-1≤α≤1，Φ-1(g)为标准正态分布累积概率分布函数的逆函数。C7、在步骤C6中性能退化指标间Copula函数确定的基础上，利用步骤C5中所有性能指标退化增量的累计概率分布函数值，应用贝叶斯方法对Copula函数的模型参数进行估计，获取Copula函数模型参数的后验概率分布抽样的样本。根据图5所示的边缘退化增量对应累积概率分布函数取值，结合式(5)所示的高斯Copula函数的表达式，应用贝叶斯方法可以构建模型参数估计的表达式：p(α|Y1,1:2,Y2,1:2,XE,XO)∝π(α)×Πi=12Πh=18Πj=2mih11-α2exp{-(aihj)2-2aihjbihjα-(bihj)22(1-α2)},aihj=Φ-1(F(Δy1(tihj)|xiE,xihO,θ^IGF)),bihj=Φ-1(F(Δlog(y2(tihj))|xiE,xihO,θ^WF))---(60)]]>式中，π(α)为α的先验分布，本实施例中选用[-1,1]区间上的均匀分布来表示无先验信息输入；和为两个退化过程退化增量对应的累积概率分布函数的取值，可将表1中对应模型参数的均值作为和代入式(2)中的F(Δy1(tihj))和F(Δlog(y2(tihj)))来得到。通过对模型参数的后验分布进行抽样，并对后验样本进行统计分析，得到了模型参数的后验分布、后验分布的样本以及参数的点估计和区间估计值。表2高斯Copula函数模型参数的估计结果C8、在步骤C4和C5中模型参数后验概率分布样本的基础上，结合维纳过程模型和逆高斯过程模型在Copula函数组合下可靠度函数的表达式，将模型参数的样本代入可靠度函数的表达式中，来获得装备使用寿命的点估计、区间估计和近似概率分布。根据式(2)所示模型下装备的使用可靠性可以通过当前装备的剩余寿命来进行描述，其计算表达式为：TRUL=inf{r:Y1(tm+r)>D1,or,Y2(tm+r)>D2|Y1(tm)<D1,and,Y2(tm)<D2}---(7)]]>对于液压子系统和主轴子系统性能退化过程的性能退化阈值分别为D1＝80和D2＝40。基于对所有样本前8个工作任务区间的性能退化分析所得的模型参数后验概率分布，对样本的剩余寿命进行评估，其结果如图6、图7所示。本发明方法克服了传统可靠性评估方法需要大样本故障时间数据作支撑、无法考虑环境和工况应力的影响以及无法对各个个体在特定环境和工况下进行实时评估等问题。从性能退化建模分析的角度，将智能制造装备的使用功能和输出特性映射为现场使用中目标性能指标，并且将影响装备可靠性的环境和工况应力因素引入到装备目标性能指标的建模分析中，实现了智能制造装备在实际环境和工况下的建模与评估。本方法克服了传统可靠性评估方法在进行智能制造装备使用可靠性评估时需要大样本故障时间数据作支撑、无法考虑环境和工况应力的影响、评估结果为统计平均值且无法对各个个体在特定环境和工况下进行实时评估等问题。在传统贝叶斯性能退化分析的基础上，构建了两步贝叶斯多性能退化分析方法。本发明通过依次对目标系性能指标的性能退化过程以及两两组合的性能指标的相关关系模型进行模型参数估计，在获得模型参数点估计和区间估计的同时，也获得了模型参数的后验概率分布。在此基础上，一方面可以获得装备使用可靠性的点估计、区间估计和近似后验概率分布；另一方面可以将这些模型参数的后验概率分布作为新采集到数据的建模、分析与可靠性评估时的先验分布，以此实现对估计结果的实时动态更新。本方法克服了传统可靠性评估方法在评估结果不确定性量化上的不足、对后续装备的维修决策和健康管理提供信息支撑能力的不足、在多性能指标相关情形下可靠性评估精度低以及无法实现随着数据采集和状态监测所获得数据的动态更新来对评估结果进行实时更新的缺陷。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。当前第1页1 2 3