留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

未知载荷条件下机械系统剩余寿命预测方法

许丹 肖小琦 冯至昕

许丹, 肖小琦, 冯至昕等 . 未知载荷条件下机械系统剩余寿命预测方法[J]. 北京航空航天大学学报, 2022, 48(3): 376-383. doi: 10.13700/j.bh.1001-5965.2020.0582
引用本文: 许丹, 肖小琦, 冯至昕等 . 未知载荷条件下机械系统剩余寿命预测方法[J]. 北京航空航天大学学报, 2022, 48(3): 376-383. doi: 10.13700/j.bh.1001-5965.2020.0582
XU Dan, XIAO Xiaoqi, FENG Zhixinet al. Remaining life prediction method of mechanical system under uncertain loads[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(3): 376-383. doi: 10.13700/j.bh.1001-5965.2020.0582(in Chinese)
Citation: XU Dan, XIAO Xiaoqi, FENG Zhixinet al. Remaining life prediction method of mechanical system under uncertain loads[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(3): 376-383. doi: 10.13700/j.bh.1001-5965.2020.0582(in Chinese)

未知载荷条件下机械系统剩余寿命预测方法

doi: 10.13700/j.bh.1001-5965.2020.0582
基金项目: 

国家自然科学基金 51875017

中央高校基本科研业务费专项资金 YWF-20-BJ-J-726

详细信息
    通讯作者:

    许丹, E-mail: xudan@buaa.edu.cn

  • 中图分类号: TH212;TH213.3

Remaining life prediction method of mechanical system under uncertain loads

Funds: 

National Natural Science Foundation of China 51875017

the Fundamental Research Funds for the Central Universities YWF-20-BJ-J-726

More Information
  • 摘要:

    针对无法确定复杂机械系统的随机工作载荷的问题,提出了一种基于隐半马尔可夫模型(HSMM)的寿命预测方法。在完成基于隐半马尔可夫模型的载荷空间构建后,引入前向-后向过渡参数,并结合Viterbi算法对模型参数进行求解,通过估计参数预测随机未来载荷的转移走向及对应的概率。将载荷预测的结果结合基于多传感器信息的寿命预测模型预测系统的剩余寿命。使用NASA的商用模块化航空推进系统仿真数据验证所提方法的有效性和正确性。

     

  • 图 1  HSMM载荷空间变化示意图

    Figure 1.  Sketch map of load space change of HSMM

    图 2  前向-后向变量算法示意图

    Figure 2.  Sketch map of forward-backward variable algorithm

    图 3  基于HSMM的随机载荷预测

    Figure 3.  Random load prediction based on HSMM

    图 4  基于随机预测载荷的剩余寿命预测

    Figure 4.  Remaining life prediction based on random load prediction

    图 5  商用涡扇发动机结构简图

    Figure 5.  Structure of commercial turbofan engine

    图 6  六个载荷状态随时间变化示意图

    Figure 6.  Sketch map of six load states changing with time

    表  1  HSMM模型特征量

    Table  1.   Characteristic variables in HSMM

    时间点序列 1, …, q1 q1+1, …, q2 qN-1+1, …, qN
      观测值 o1, …, oq1 oq1+1, …, oq2 oqN-1+1, …, oqN
      正常状态 g1, …, gq1 gq1+1, …, gq2 gqN-1+1, …, gqN
      停留时间 d1=q1 d2=q2q1 dN=qNqN-1
      载荷状态 Z1 Z2 ZN
    下载: 导出CSV

    表  2  载荷状态空间

    Table  2.   Space of load states

    载荷状态 高度/kft 马赫数 TRA
    42 0.84 100
    25 0.62 60
    0 0 100
    20 0.7 100
    10 0.25 100
    35 0.84 100
    注:kft为103ft,1ft(英尺)=0.304 8 m。
    下载: 导出CSV

    表  3  六个载荷状态之间的转移概率矩阵

    Table  3.   Transition probability matrix of six load states

    载荷状态 载荷状态
    0.082 3 0.096 5 0.344 4 0.062 0 0.204 1 0.210 7
    0.096 5 0.415 3 0.337 8 0.097 6 0.006 1 0.046 7
    0.344 4 0.337 8 0.053 3 0.084 9 0.085 1 0.094 4
    0.062 0 0.097 6 0.084 9 0.090 0 0.247 6 0.418 1
    0.204 1 0.006 1 0.085 1 0.247 6 0.109 2 0.347 9
    0.175 7 0.104 0 0.299 9 0.053 8 0.307 4 0.059 3
    下载: 导出CSV

    表  4  六个载荷状态各自停留的时间均值与方差

    Table  4.   Average and variance of settling time under six load states

    载荷状态 停留时间均值/cycle 停留时间方差/cycle2
    3.735 2 0.961 3
    8.927 7 2.118 5
    4.163 5 1.400 9
    1.147 7 0.002 4
    1.071 3 0.001 9
    2.047 6 0.495 7
    下载: 导出CSV

    表  5  未知载荷预测结果

    Table  5.   Predicted results for unknown loads

    时间/cycle 概率
    载荷状态Ⅰ 载荷状态Ⅱ 载荷状态Ⅲ 载荷状态Ⅳ 载荷状态Ⅴ 载荷状态Ⅵ
    0 0 0 0 0 1.000 0 0
    1 0.010 4 0.000 3 0.004 2 0.012 6 0.954 8 0.017 7
    2 0.204 4 0.006 2 0.085 6 0.248 0 0.109 1 0.346 7
    3 0.206 0 0.014 0 0.099 0 0.242 1 0.117 3 0.321 6
    4 0.152 0 0.109 3 0.209 5 0.087 0 0.223 4 0.218 8
    5 0.269 2 0.054 6 0.167 4 0.061 5 0.119 1 0.328 2
    6 0.295 1 0.081 0 0.196 6 0.059 2 0.097 5 0.270 6
    7 0.299 9 0.092 2 0.252 0 0.051 4 0.105 7 0.199 0
    8 0.264 6 0.112 3 0.250 1 0.040 9 0.095 9 0.236 2
    9 0.297 7 0.117 9 0.249 3 0.040 2 0.079 9 0.215 1
    10 0.329 8 0.126 5 0.267 6 0.034 7 0.079 2 0.162 3
    11 0.330 0 0.129 8 0.276 6 0.030 9 0.069 1 0.163 6
    12 0.319 8 0.137 4 0.288 7 0.030 4 0.065 5 0.158 2
    下载: 导出CSV

    表  6  未来载荷已知时的剩余寿命

    Table  6.   Remaining life when future loads are known

    样本 使用数据量占比为50% 使用数据量占比为60% 使用数据量占比为70% 使用数据量占比为80% 使用数据量占比为90%
    预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/%
    1 3.65 3.00 22 2.12 2.00 6 2.00 2.00 0 1.00 1.00 0 1.00 1.00 0
    2 4.67 4.00 17 3.21 3.00 7 2.09 2.00 5 1.96 2.00 2 1.01 1.00 1
    3 4.94 4.00 24 3.32 3.00 10 1.93 2.00 4 2.00 2.00 0 0.98 1.00 2
    50 100.24 91.00 10 72.71 72.00 1 56.14 54.00 4 37.02 36.00 3 18.12 18.00 1
    51 108.31 95.00 14 78.27 76.00 3 60.07 57.00 5 39.27 38.00 3 19.44 19.00 2
    52 104.51 96.00 9 80.54 76.00 6 58.93 57.00 3 35.96 38.00 5 18.53 19.00 3
    下载: 导出CSV

    表  7  未来载荷未知时的剩余寿命

    Table  7.   Remaining life when future loads are unknown

    样本 使用数据量占比为50% 使用数据量占比为60% 使用数据量占比为70% 使用数据量占比为80% 使用数据量占比为90%
    预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/% 预测数据/cycle 仿真数据/cycle 相对误差/%
    1 2.83 3.00 6 1.85 2.00 8 1.89 2.00 6 1.00 1.00 0 1.03 1.00 3
    2 4.06 4.00 2 3.00 3.00 0 1.85 2.00 8 2.10 2.00 5 0.99 1.00 1
    3 4.24 4.00 6 3.25 3.00 8 2.07 2.00 4 2.00 2.00 0 0.98 1.00 2
    50 98.13 91.00 8 79.41 72.00 10 58.12 54.00 8 34.86 36.00 3 16.76 18.00 7
    51 104.63 95.00 10 72.07 76.00 5 59.07 57.00 4 40.87 38.00 8 19.78 19.00 4
    52 106.25 96.00 11 84.56 76.00 11 58.85 57.00 3 39.25 38.00 3 19.47 19.00 2
    下载: 导出CSV

    表  8  剩余寿命相对误差均值

    Table  8.   Average relative error of remaining life

    使用数据量占比/% 相对误差均值
    载荷已知 载荷未知
    50 10.31 11.4
    60 7.0 8.50
    70 4.40 6.60
    80 4.15 4.70
    90 2.80 3.90
    下载: 导出CSV

    表  9  剩余寿命相对误差方差

    Table  9.   Variance of relative error of remaining life

    使用数据量占比/% 相对误差方差
    载荷已知 载荷未知
    50 1.18 1.60
    60 0.81 1.17
    70 0.74 0.98
    80 0.59 0.72
    90 0.41 0.51
    下载: 导出CSV
  • [1] 周绍华, 胡昌华, 司小胜, 等. 运行状态切换下的设备剩余寿命预测[J]. 电光与控制, 2017, 24(2): 95-99. https://www.cnki.com.cn/Article/CJFDTOTAL-DGKQ201702020.htm

    ZHOU S H, HU C H, SI X S, et al. Remaining life estimation for products with operation state switching[J]. Electronics Optics & Control, 2017, 24(2): 95-99(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-DGKQ201702020.htm
    [2] 薛小锋, 田晶, 何树铭, 等. 多传感器监测飞机部件非线性退化评估研究[J]. 航空学报, 2021, 42(5): 524342. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202105023.htm

    XUE X F, TIAN J, HE S M, et al. Non-linear degradation assessment of aircraft components monitored by multi-sensors[J]. Acta Aeronautica et Astronautica Sinica, 2021, 42(5): 524342(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB202105023.htm
    [3] LIU M, YAO X, ZHANG J, et al. Multi-sensor data fusion for remaining useful life prediction of machining tools by IABC-BPNN in dry milling operations[J]. Sensors, 2020, 20(17): 4657. doi: 10.3390/s20174657
    [4] 任子强, 司小胜, 胡昌华, 等. 融合多传感器数据的发动机剩余寿命预测方法[J]. 航空学报, 2019, 40(12): 134-145. https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201912012.htm

    REN Z Q, SI X S, HU C H, et al. Remaining useful life prediction method for engine combining multi-sensor data[J]. Acta Aeronautica et Astronautica Sinica, 2019, 40(12): 134-145(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-HKXB201912012.htm
    [5] 马奇友, 刘可薇, 杜坚, 等. 基于深度长短期记忆网络的发动机叶片剩余寿命预测[J]. 推进技术, 2021, 42(8): 1888-1897. https://www.cnki.com.cn/Article/CJFDTOTAL-TJJS202108024.htm

    MA Q Y, LIU K W, DU J, et al. Prediction of residual life of engine blades based on deep short term memory network[J]. Journal of Propulsion Technology, 2021, 42(8): 1888-1897(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-TJJS202108024.htm
    [6] CHEN Y, PENG G, ZHU Z, et al. A novel deep learning method based on attention mechanism for bearing remaining useful life prediction[J]. Applied Soft Computing, 2020, 86: 105919. doi: 10.1016/j.asoc.2019.105919
    [7] JAVED K, GOURIVEAU R, ZERHOUNI N. A new multivariate approach for prognostics based on extreme learning machine and fuzzy clustering[J]. IEEE Transactions on Cybernetics, 2015, 45(12): 2626-2639. doi: 10.1109/TCYB.2014.2378056
    [8] YAN H, LIU K, ZHANG X, et al. Multiple sensor data fusion for degradation modeling and prognostics under multiple operational conditions[J]. IEEE Transactions on Reliability, 2016, 65(3): 1416-1426. doi: 10.1109/TR.2016.2575449
    [9] FLORY J A, KHAROUFEH J P, GEBRAEEL N Z. A switching diffusion model for lifetime estimation in randomly varying environments[J]. ⅡE Transaction, 2014, 46(11): 1227-1241. doi: 10.1080/0740817X.2014.893400
    [10] RAMIN M, ZUO M J. An integrated framework for online diagnostic and prognostic health monitoring using a multistate deterioration process[J]. Reliability Engineering & System Safety, 2014, 124: 92-104.
    [11] FAN L, WANG S P, DUAN H B, et al. Fatigue crack fault diagnosis and prognosis based on hidden semi-Markov model[J]. The Journal of Engineering, 2019, 2019(13): 406-410.
    [12] DONG M, HE D. Hidden semi-Markov model-based methodology for multi-sensor equipment health diagnosis and prognosis[J]. European Journal of Operational Research, 2007, 178(3): 858-878.
    [13] KOUADRI A, HAJJI M, HARKAT M F, et al. Hidden Markov model based principal component analysis for intelligent fault diagnosis of wind energy converter systems[J]. Renewable Energy, 2020, 150: 598-606.
    [14] XIAO X Q, XU D, FENG Z X. Multi-sensor infusion and data-physics model based remaining useful life prediction[C]//2020 IEEE International Conference on Prognostics and Health Management. Piscataway: IEEE Press, 2020: 395-400.
    [15] SAXENA A, GOEBEL K, SIMON D, et al. Damage propagation modeling for aircraft engine run-to-failure simulation[C]//2008 International Conference on Prognostics and Health Management. Piscataway: IEEE Press, 2008: 1-9.
  • 加载中
图(6) / 表(9)
计量
  • 文章访问数:  193
  • HTML全文浏览量:  6
  • PDF下载量:  73
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-12
  • 录用日期:  2020-12-11
  • 刊出日期:  2022-03-20

目录

    /

    返回文章
    返回
    常见问答