一种数控装备服役状态分析方法

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。

主权项

1.一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L_i，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Y_i；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HSMM_i(λ_i)＝(L_i，M_i，A_i，D_i，B_i，π_i)，其中，隐状态即部件i的服役状态的数量为L_i，每个隐状态对应的可能的观测值数为M_i，初始状态分布状态转移概率矩阵表示第i个重要部件从第j个服役状态s_ij跳转到第k个服役状态s_ik的概率，j，k表示服役状态的序号；最大状态驻留时间D_i，观察值矩阵表示重要部件i的服役状态为s_ij、但观测到的重要部件i的服役状态为s_ik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Y_i做矢量量化处理，得到离散的服役状态s_ij，j＝1，2，…，L_i，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A_i，D_i，B_i，π_i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s_ij的驻留时间D(s_ij)服从单高斯分布N(μ(s_ij)，σ²(s_ij))，部件的生命周期为T，满足：然后对D(s_ij)的期望值μ(s_ij)和方差σ²(s_ij)进行参数估计，得到均值和方差的估计值和并定义D(s_ij)的估计值为：$\hat{D}\left(s_{\mathrm{ij}}\right)=\hat{\mu }\left(s_{\mathrm{ij}}\right)+\rho {\hat{\sigma }}^2\left(s_{\mathrm{ij}}\right)$其中$\rho =(T-\underset{j=1}{\overset{L_i}{\Sigma }}\hat{\mu }\left(s_{\mathrm{ij}}\right))/\underset{j=1}{\overset{N}{\Sigma }}{\hat{\sigma }}^2\left(s_{\mathrm{ij}}\right);$步骤(b2)：设第i个部件的第j个服役状态为{s_ij}，i＝1，2，…m，j＝1，2，…，L_i，其剩余使用寿命为RUL_ij，建立如下递推方程式，估算出部件的剩余使用寿命；$\left\{\begin{array}{c}{\mathrm{RUL}}_{\mathrm{ij}}={{\hat{a}}^i}_{j,j}\times [\hat{D}\left(s_{\mathrm{ij}}\right)+{\mathrm{RUL}}_{\mathrm{ij}+1}]+\underset{k=j+1}{\overset{L_i-1}{\Sigma }}{{\hat{a}}^i}_{j,k}\times {\mathrm{RULi}}_k\\ {\mathrm{RUL}}_{i{L}_i-1}={{\hat{a}}^i}_{L_i-1,L_i-1}\times \hat{D}\left(s_{{\mathrm{iL}}_i-1}\right)\end{array}\right.$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s_ij的概率，表示重要部件i从第j个服役状态s_ij转移到第k个服役状态s_ik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；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n≥10，表示为：D＝{(x_f，y_f)|x_f＝(x_f1，x_f2，…，x_fm)∈S₁×S₂×…×S_m，y_f∈S，f∈{1，2，…，n}}，其中，x_f是m维输入向量，表示数控装备的重要部件服役状态，y_f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(x_f，x)＝exp(-‖x-x_f‖²/σ²)，x表示待诊断的数控装备部件服役状态序列，σ为部件服役状态样本数据的标准差，其初始范围取σ∈(2^-13，2³⁰)；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。