一种概率时变的海水液压泵故障预测方法

摘要

一种概率时变的海水液压泵故障预测方法，属于深海海水柱塞泵故障预测研究领域。本方法选取深海海水柱塞泵工作容积效率作为故障预测特征量，采集柱塞泵真实送出的海水数值形成柱塞泵故障预测原始数据序列；通过Laplace小波提取再进行Hilbert包络解调处理原始数据序列，得到新的数据序列；再根据多尺度支持向量机数据处理进行重构重组，得到较为精确的初始数据。将处理后数据引入基于时变状态转移的寿命预测方法中，训练得到系统全寿命历史数据及各个健康状态模型，将当前监测数据通过多尺度支持向量机数据处理后与各个健康状态模型对比，识别出目前系统健康状态并计算状态转移系数，最终计算系统在当前状态的剩余持续时间和剩余寿命。

主权项

一种概率时变的海水液压泵故障预测方法，其特征在于：本方法的具体流程如下：第一步，通过Laplace小波滤波提取柱塞泵的冲击振动信号，转换成输入信号；对输入信号进行Hilbert包络解调消除其它耦合振动信号的影响，并最终得到Hilbert包络谱中各倍频点处边频区间相对能量和，作为初始数据；第二步，将初始数据引入多尺度支持向量机数据处理，通过多尺度数据分解和相空间重构理论，将时间序列y分解成s个分量：对于分解得到的x₁,x₂,…,x_s，采用FPE准则寻找最佳嵌入维数k₁,k₂,…,k_s，利用支持向量机建立预测模型，得到预测函数f₁,f₂,…,f_s，则最终预测值p_y，第三步，通过多尺度支持向量机数据处理得到数据，对柱塞泵各个健康状态下的历史数据及全寿命状态下的历史数据进行训练，得到各个健康状态的模型以及全寿命模型；第四步，将当前时刻监测到并处理后的数据输入各个健康状态下的模型中，计算当前观测序列在各个健康状态模型中的概率P(O|S)，通过比较得到的各个P(O|S_m)(1≤m≤N)，P(O|S)与三个健康状态模型比较，相近的划入P(O|S_m)(1≤m≤N)中；m为健康状态数量；N取值范围为健康状态的数量，完成对各个健康状态模型的适应度评价，选取P(O|S)值最大的那个模型，确定系统的当前状态为该模型对应的系统健康状态，完成系统的状态识别；状态识别分为平稳退化阶段、均匀退化阶段、加速退化阶段；(1)平稳退化阶段的状态概率描述在平稳退化阶段，状态转移概率随时间的变化是固定的，沿着时间往回推导，得到当前时刻的状态转移概率与刚进入该健康状态时状态转移概率之间的关系表达式；(2)均匀退化阶段的状态概率描述在均匀退化阶段，状态转移概率随时间的变化是线性增加的，沿着时间往回推导，得到当前时刻的状态转移概率与刚进入该健康状态时状态转移概率之间的关系表达式；(3)加速退化阶段的状态概率描述在加速退化阶段，状态转移概率随时间的变化是按指数形式变化的，沿着时间往回推导，得到当前时刻的状态转移概率与刚进入该健康状态时状态转移概率之间的关系表达式；初始状态转移概率矩阵A₀通过训练历史数据获得；利用健康状态时状态转移概率之间的关系表达式与矩阵相结合，进而得到在加速退化阶段经历时刻t＝kΔt后的状态转移矩阵；利用EM算法计算出状态转移系数的值之后，就计算三种退化阶段的状态转移概率，通过比较系统停留在当前状态的概率与转移至其它状态的概率(1≤p≠q≤N)的大小，当时，认为系统性能退化状态发生转移，由当前状态p转移至其它状态q，从而选用不同的状态转移系数θ计算时变状态转移矩阵；通过引入针对系统不同退化阶段的状态转移系数得到状态转移矩阵，该状态转移矩阵随时间变化；第五步，利用改进的前向‑后向算法得到状态持续时间的均值和方差，并计算时段持续时间和剩余寿命；系统从投入使用到最终失效过程中，会经历多个健康状态，其剩余使用寿命等于系统停留在当前状态的时间与在后续各个状态的持续时间之和；利用全寿命历史数据训练得到模型，得到系统在每个状态持续时间的概率分布；一般而言，认为系统在各个健康状态的持续时间服从高斯分布，所以需要得到持续时间高斯分布的均值和方差，利用改进的前向‑后向算法得到状态持续时间的均值和方差；根据求得的状态持续时间的均值和方差能够得到系统在每个状态i的持续时间；状态持续时间是随着状态转移矩阵的变化而变化的，即时变状态转移矩阵，并根据在线监测数据不断更新状态转移概率，随着状态转移概率的变化系统在当前状态的持续时间也会发生变化，给出更加精确的剩余故障预测值RUL^t。