融合随机退化过程与失效率建模的设备剩余寿命预测方法

剩余寿命预测对于设备的维修与保养具有十分重要的意义。现有的剩余寿命预测方法大多只利用了设备的当前退化信息,对设备的历史寿命信息没有充分利用,而这些信息往往包含着设备寿命的演化信息,对于准确预测设备的剩余寿命具有重要意义。针对这个问题,提出了一种融合随机退化过程与失效率建模的设备剩余寿命预测方法。该方法首先将设备的退化过程建模为Wiener过程,然后利用Cox比例失效模型建模的方法融合设备退化过程对设备失效率的影响,由此达到利用设备历史监测信息的目的。进一步通过Bayes方法,利用当前退化监测信息对退化过程模型的参数进行更新,基于此进行剩余寿命预测,从而实现设备历史数据与当前数据的有效融合。最后,通过激光发生器的退化测量数据验证了提出的方法,说明该方法是有效的,具有一定的应用价值。     

基于EM-EKF与隐含比例退化模型的机载电子设备剩余寿命自适应预测

针对现有机载电子设备剩余寿命自适应预测方法在新研小样本条件下,未能综合考虑设备隐含退化建模与漂移系数在线更新的问题,本文提出一种基于期望最大-扩展卡尔曼滤波(Expectation Maximization-Extended Kal-man Filter,EM-EKF)与隐含比例退化模型的机载电子设备剩余寿命自适应预测方法.首先,基于非线性Wiener过程构建带比例关系的设备隐含退化模型;其次,在引入漂移系数更新机制的基础上建立设备退化状态方程,并采用EKF算法同步更新设备退化状态与漂移系数;然后,采用EM-EKF算法实现对退化模型参数的自适应估计;最后,基于全概率公式,推导出设备剩余寿命的概率密度函数.通过对单台微机械陀螺仪实测数据进行分析,验证了本文所提方法具有更好的模型拟合性与预测准确性.     

不确定退化测量数据下的剩余寿命估计

剩余寿命估计是工程系统预测与健康管理的关键.目前,基于观测的系统退化数据进行剩余寿命估计得到了很大的关注.由于系统随机退化过程和测量误差的影响,测量数据中不可避免包含退化随机性和测量不确定性.然而,现有基于观测数据的剩余寿命估计研究中,没有将退化随机性和测量不确定性对估计的剩余寿命分布的影响同时考虑.鉴于此,提出了一种基于Wiener过程且同时考虑随机退化和不确定测量的退化建模方法,利用Kalman滤波技术,实现了潜在退化状态的实时估计.在退化状态估计的基础上,得到了同时考虑退化状态不确定性和测量不确定性的解析剩余寿命分布.此外,提出了一种基于极大似然方法的退化模型参数估计方法.最后,通过陀螺仪的退化测量数据验证了本文提出的方法优于不考虑测量不确定性的方法,可以提高剩余寿命估计的准确性.     

多源数据融合建模的寿命预测方法

针对单一传感器在设备状态监测期间不能很好地进行退化建模和剩余使用寿命预测的问题,提出了一种多源数据融合建模的寿命预测方法.首先,根据设备的退化性能,构造了复合健康指标;其次,使用非线性漂移维纳过程对设备进行退化建模,通过使用极大似然法估计模型参数后,推导出设备剩余寿命概率密度函数;最后,对所提出的方法进行了验证,并与单一传感器预测结果进行了对比,结果表明此方法具有较高的准确性.     

基于逆高斯过程和证据推理的退化建模方法

为解决高可靠性设备的剩余寿命预测问题,针对寿命数据缺少、物理模型难以建立的情况,结合单调退化数据,采用逆高斯退化模型,对设备的退化过程进行建模;通过参数估计的方法得到退化模型,进而预测设备的剩余寿命。在有同批次多组数据都能对逆高斯模型进行参数估计的情况下,将会面临数据融合问题。采用基于证据推理(ER)的方法对多源数据进行融合处理,引入属性权重的概念,以此更加准确地估计逆高斯模型的参数。最后,通过实验仿真,证明了所提方法能够得到较为可信的参数估计结果。     

考虑不完全维护影响的随机退化设备剩余寿命预测

针对寿命周期中存在不完全维护影响的随机退化设备剩余寿命难以预测的问题,提出了一种考虑不完全维护影响的退化建模和剩余寿命预测方法.首先,在Wiener过程理论架下,建立了能够表征不完全维护影响的分阶段退化过程模型,然后从阶段时间服从的逆高斯分布出发,利用逆高斯分布的卷积特性,从理论上推导出存在不完全维护下寿命分布的解析解,并将维护效果的随机性和维护次数的影响传递到寿命分布中.进一步通过时间尺度变换,得到了考虑未来存在不完全维护影响下的剩余寿命分布解析解.通过极大似然估计和最小二乘法对模型未知参数进行了估计.最后将本文方法应用到陀螺仪的实际退化过程中,验证了所提方法的有效性.     

融合非线性加速退化模型与失效率模型的产品寿命预测方法

针对高可靠性产品寿命数据少、获取成本高的问题,基于充分利用产品在研制、加速试验等不同环境下的退化数据、失效数据等可靠性数据的思想,提出了一种融合非线性加速退化模型和失效率模型的产品寿命预测方法.首先,根据退化数据对非线性退化过程进行分析,估计退化过程的参数;然后,根据加速退化数据及相应的加速退化模型估计加速退化模型的参数,从而得到退化参数与应力之间的关系.进一步,利用比例风险模型融合产品的寿命数据和未失效截尾数据,并基于此计算产品的可靠度函数、预测产品的寿命.实例应用验证了所提方法的有效性,同时说明了所提方法的应用价值.     

金属化膜脉冲电容器剩余寿命预测方法研究

 金属化膜脉冲电容器是惯性约束聚变激光装置的重要元器件之一,其寿命预测是激光装置维护和备件决策制定的依据.在分析金属化膜脉冲电容器退化失效机理的基础上,采用Wiener过程描述其性能退化过程.进一步考虑到各电容器之间的差异,将Wiener过程的漂移参数和扩散参数看成随机变量,提出了随机效果Wiener过程模型,由同一批电容器的历史性能退化数据拟合其分布.在对单个电容器进行寿命预测时,采用Bayes方法融合电容器总体信息与该电容器自身的性能退化信息,得到其剩余寿命参数的验后估计,因而在电容器性能退化数据较少时采用该方法能提高剩余寿命预测精度.     

缓变退化设备剩余寿命预测的随机阈值方法

针对一类缓变退化设备的样本平均在短时间内退化不明显的特点,将设备检测数据的样本标准差作为一个失效指标进行退化建模,从样本标准差的变化趋势来估计设备的性能状态,并且鉴于样本标准差数据非线性强波动幅度大的特点,提出了一种随机阈值的剩余寿命预测方法。通过惯性平台陀螺仪漂移数据实例验证证明,该方法能够对这类非线性强、波动幅度大的退化数据建模,并得到可信的预测结果。     

非连续运行设备贮存-工作联合退化模型及其应用

 对某些非连续运行的设备,贮存状态和工作状态会交替出现,工程上可通过观测其关键性能参数变化监控设备健康状态,并以此为依据对其寿命和可靠性进行预测分析.针对该类设备,本文综合分析其贮存和工作条件下性能退化规律,建立设备贮存-工作联合退化模型,利用性能退化数据的拐点特性对该联合退化模型的参数进行估计,在此基础上,实现设备的可靠性分析和寿命预测.最后以金属化膜电容器为例建立了联合退化模型,分析该电容器的可靠性并预测寿命.     

Residual Life Predictions in the Absence of Prior Degradation Knowledge

Recent developments in degradation modeling have been targeted towards utilizing degradation-based sensory signals to predict residual life distributions. Typically, these models consist of stochastic parameters that are estimated with the aid of an historical database of degradation signals. In many applications, building a degradation database, where components are run-to-failure, may be very expensive and time consuming, as in the case of generators or jet engines. The degradation modeling framework presented herein addresses this challenge by utilizing failure time data, which are easier to obtain, and readily available (relative to sensor-based degradation signals) from historical maintenance/repair records. Failure time values are first fitted to a Bernstein distribution whose parameters are then used to estimate the prior distributions of the stochastic parameters of an initial degradation model. Once a complete realization of a degradation signal is observed, the assumptions of the initial degradation model are revised and improved for future predictions. This approach is validated using real world vibration-based degradation information from a rotating machinery application.      

Application of multi-output Gaussian process regression for remaining useful life prediction of light emitting diodes

Light-emitting diodes (LEDs) are the preferred technology today when it comes to lighting both for indoor and outdoor applications, predominantly due to their high efficiency, environmental resilience and prolonged lifetime. Given their widespread use, there is a need to quickly qualify them and accurately predict the reliability of these devices. Due to their inherently long operational life, most LED reliability studies involve the use of degradation tests and application of filter-based prognostic techniques for dynamic update of degradation model parameters and estimation of the remaining useful life (RUL). Although they are in general very effective, the main drawback is the need for a specific state-space model that describes the degradation. In many cases, LED degradation trends are affected by a multitude of unknown factors such as unidentified failure modes, varying operational conditions, process and measurement variance, and environmental fluctuations. These variable factors that are hard to control tend to complicate the selection of a suitable state-space model and in some cases; there may not be a single model that could be used for the entire lifespan of the device. If the degradation patterns of LEDs under test deviate from the state space models, the resulting predictions will be inaccurate. This paper introduces a prognostics-based qualification method using a multi-output Gaussian process regression (MO-GPR) and applies it to RUL prediction of high-power LED devices. The main idea here is to use MO-GPR to learn the correlation between similar degradation patterns from multiple similar components under test and thereby, bypass the need for a specific state space model using available data of past units tested to failure.     

基于相似性的剩余寿命预测：鲁棒性与不确定性研究

基于相似性的剩余寿命预测方法是近年来兴起的一类部件寿命预测方法。关于该方法预测结果的鲁棒性及不确定性研究尚未见报道,然而上述性质对于广泛应用该方法具有重要意义。首先,介绍了基于相似性的剩余寿命预测方法的主要思想,并介绍了一种基于相似性的剩余寿命预测方法（简称方法A）,提出一种基于历史样本估计来预测不确定性的方法;而后,基于一个广泛应用的随机衰退模型,在比较方法A的预测结果与某基于时间序列预测的剩余寿命预测方法结果的过程中,探究了方法A预测结果的鲁棒性;最后,基于同样的数据,运用所建议的方法,考察了方法A预测结果的不确定性。     

基于维纳过程的卫星用光纤陀螺剩余寿命预测

卫星用光纤陀螺的剩余寿命预测是卫星健康状态管理中的一个关键问题。针对传统的退化过程建模不能考虑同批设备中个体差异的问题,提出采用一种基于维纳过程的随机变量模型对光纤陀螺在空间环境下的退化特性进行建模。该模型将维纳过程中的漂移系数看成随机变量以描述个体差异,传统的维纳过程是其特例。依据该模型,可以得到光纤陀螺的可靠性指标和剩余寿命信息。仿真试验表明,文中提出的退化建模方法的精度明显高于传统方法,具有一定的工程应用价值。     

基于加速性能退化试验的板级可靠性评估

传统的可靠性评估方法一般基于失效寿命数据,而目前对于高可靠长寿命的电子产品,很难通过加速试验获得其失效寿命时间。为解决这一矛盾,将性能退化理论引入到传统可靠性评估中,提出了基于失效数据及加速性能退化的可靠性评估的新方法。应用某型雷达24V/2A稳压电源板加速性能退化试验进行验证,结果表明该方法用于高可靠长寿命电子装备的可靠性评估是正确有效的。     

Fault prognostic of electronics based on optimal multi-order particle filter

The accurate fault prediction is of great importance in electronics high reliability applications for condition based maintenance. Traditional Particle filter (TPF) used for fault prognostic mainly uses the first-order state equation which represents the relationship between the current state and one-step-before state without considering the relation with multi-step-before states. This paper presents an optimal multi-order particle filter method to improve the prediction accuracy. The multiple τth-order state equation is established by training Least Squares Support Vector Regression (LSSVR) via electronics historical failure data, the τ value and LSSVR parameters are optimized through Genetic Algorithm (GA). The optimal τth-order state equation which can really reflect electronics degradation process is used in particle filter to predict the electronics status, remaining useful life (RUL) or other performances. An online update scheme is developed to adapt the optimal τth-order state transformation model to dynamic electronics. The performance of the proposed method is evaluated by using the testing data from CG36A transistor degradation and lithium-ion battery data. Results show that it surpasses classical prediction methods, such as LSSVR, TPF.     

微电子器件多失效机理可靠性寿命外推模型

提出了一种新的微电子器件快速评价方法,具有快速、准确、成本低、能观察分析参数退化的全过程,能有效地分析器件的失效机理。它与常规方法不同,可对单样品求出不同失效阶段的失效激活能和寿命,根据其参数退化的温度范围可外推出单样品工作条件下的寿命。通过一定数量的对比试验,该方法与常规方法有可比性。