基于多源信息的隐含非线性维纳退化过程剩余寿命预测

doi:10.7527/S1000-6893.2022.27662

固体力学与飞行器总体设计

本期目录 | 过刊浏览 | 高级检索

前一篇 |

基于多源信息的隐含非线性维纳退化过程剩余寿命预测

杨家鑫¹, 唐圣金¹(), 李良¹, 孙晓艳², 祁帅³, 司小胜¹

^1.火箭军工程大学导弹工程学院，西安 710025
^2.火箭军工程大学作战保障学院，西安 710025
^3.火箭军装备部驻郑州军代表室，郑州 450000

收稿日期:2022-06-22 修回日期:2022-07-14 接受日期:2022-08-15 出版日期:2022-09-01 发布日期:2022-08-31
通讯作者: 唐圣金 E-mail:tangshengjin27@126.com
基金资助:
国家自然科学基金(61703410);陕西省自然科学基础研究计划(2022JM-376)

Remaining useful life prediction of implicit nonlinear Wiener degradation process based on multi-source information

Jiaxin YANG¹, Shengjin TANG¹(), Liang LI¹, Xiaoyan SUN², Shuai QI³, Xiaosheng SI¹

^1.Missile Engineering College，Rocket Force University of Engineering，Xi’an 710025，China
^2.Operational Support College，Rocket Force University of Engineering，Xi’an 710025，China
^3.Military Representative Office of Rocket Force Equipment Department in Zhengzhou，Zhengzhou 450000，China

Received:2022-06-22 Revised:2022-07-14 Accepted:2022-08-15 Online:2022-09-01 Published:2022-08-31
Contact: Shengjin TANG E-mail:tangshengjin27@126.com
Supported by:
National Natural Science Foundation of China(61703410);Basic Research Plan of Shaanxi Natural Science Foundation(2022JM-376)

摘要/Abstract

摘要：

准确的剩余寿命预测对提高系统的可靠性安全性具有重要意义。在工程应用中，经常会遇到先验退化信息不完美或缺失的情况，且线性退化模型往往难以跟踪非线性退化特征。为解决这一问题，针对带测量误差的非线性退化系统，基于隐含非线性维纳退化过程模型，提出了一种合理融合失效寿命数据和多源信息的剩余寿命预测方法。首先，通过理论推导，得到了隐含非线性维纳退化过程的参数估计性质与退化数据之间的关系，为合理融合多源信息提供了理论依据。其次，根据参数估计的性质，分别使用现场退化数据和历史退化数据估计2种预测情况下的模型固定参数，并使用期望最大化算法将失效寿命数据信息融入退化模型中。再次，根据现场退化数据，使用Kalman滤波算法在线更新漂移参数。最后，通过仿真实验进一步验证了参数估计的性质，并通过2个实例验证了所提方法的优越性。

关键词: 剩余寿命预测, 测量误差, 隐含非线性维纳过程, 多源信息, Kalman滤波

Abstract:

Accurate remaining useful life prediction is of huge significance in improving the reliability and safety of the system. Practical engineering often encounters imperfect or scarce prior degradation information， with the nonlinear degradation characteristics difficult to track by the linear degradation models. To solve this problem， we propose a remaining useful life prediction method for nonlinear degradation systems with measurement errors by reasonably fusing failure time data and multi-source information， based on the implicit nonlinear Wiener degradation process model. Firstly， we obtain the relationship between the degradation data and the nature of parameter estimation based on the implicit nonlinear Wiener degradation process by theoretical derivation， providing a theoretical basis for reasonable fusion of multi-source information. Secondly， according to the nature of parameter estimation， we use the field degradation data and historical degradation data to estimate the model fixed parameters of the two prediction cases respectively and fuse the failure time data into the degradation model by the Expectation Maximization （EM） algorithm. Then， the Kalman filtering algorithm is used to update online the drift parameter based on the field degradation data. Finally， simulation experiments are conducted to further verify the nature of parameter estimation， and two practical case studies are used to verify the superiority of the proposed method.

Key words: remaining useful life prediction, measurement error, implicit nonlinear Wiener process, multi-source information, Kalman filtering

中图分类号:

杨家鑫, 唐圣金, 李良, 孙晓艳, 祁帅, 司小胜. 基于多源信息的隐含非线性维纳退化过程剩余寿命预测[J]. 航空学报, 2023, 44(12): 227662-227662.

Jiaxin YANG, Shengjin TANG, Liang LI, Xiaoyan SUN, Shuai QI, Xiaosheng SI. Remaining useful life prediction of implicit nonlinear Wiener degradation process based on multi-source information[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(12): 227662-227662.

图/表 23

图 1

图 2

图 3

图 4

图 5

图 6

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

表1

M0在不同时刻的先验参数

循环次数/10⁴	3	4	5	6	7	8	9
$μ λ$	7.275 4	7.388 4	6.743 9	6.991 0	7.287 8	8.631 9	10.147 6
$σ λ 2$	1.511 0	1.578 9	1.215 1	1.347 8	1.518 3	2.450 6	3.839 9
$σ B 2$	$4.7 × 10 - 16$	$8.5 × 10 - 13$	$6.3 × 10 - 16$	$1.8 × 10 - 17$	$7.8 × 10 - 15$	$7.7 × 10 - 14$	$1.7 × 10 - 16$
$b$	1.105 6	1.112 8	1.070 0	1.086 9	1.106 4	1.185 9	1.261 7
$σ ε 2$	$5.9 × 10 - 5$	$4.4 × 10 - 5$	$3.8 × 10 - 5$	$3.2 × 10 - 5$	$2.9 × 10 - 5$	$5.7 × 10 - 9$	$8.7 × 10 - 5$

表1

图 15

图 16

图 17

图 18

图 19

图 20

图 21

图 22

参考文献 46

1	YAN B， MA X， YANG L， et al. A novel degradation-rate-volatility related effect Wiener process model with its extension to accelerated ageing data analysis［J］. Reliability Engineering & System Safety， 2020， 204： 107138.
2	TANG S J， GUO X S， YU C Q， et al. Real time remaining useful life prediction based on nonlinear Wiener based degradation processes with measurement errors［J］. Journal of Central South University， 2014， 21（12）： 4509-4517.
3	HU J W， SUN Q Z， YE Z S， et al. Joint modeling of degradation and lifetime data for RUL prediction of deteriorating products［J］. IEEE Transactions on Industrial Informatics， 2021， 17（7）： 4521-4531.
4	李天梅，司小胜，张建勋. 多源传感监测线性退化设备数模联动的剩余寿命预测方法［J］. 航空学报， 2023， 44（8）： 227190.
	LI T M， SI X S， ZHANG J X. Data-model interactive remaining useful life prediction method for multi-sensor monitored linear stochastic degrading devices［J］. Acta Aeronautica et Astronautica Sinica， 2023， 44（8）： 227190 （in Chinese）.
5	HU G， XU Z Q， WANG G R， et al. Forecasting energy consumption of long-distance oil products pipeline based on improved fruit fly optimization algorithm and support vector regression［J］. Energy， 2021， 224： 120153.
6	LIU D， WANG S Q. Reliability estimation from lifetime testing data and degradation testing data with measurement error based on evidential variable and Wiener process［J］. Reliability Engineering & System Safety， 2021， 205： 107231.
7	WANG X， WANG B X， JIANG P H， et al. Accurate reliability inference based on Wiener process with random effects for degradation data［J］. Reliability Engineering & System Safety， 2020， 193： 106631.
8	ZHENG Z X， SI X S， HU C H， et al. Degradation data analysis and remaining useful life estimation： A review on Wiener-process-based methods［J］. European Journal of Operational Research， 2018， 271（3）： 775-796.
9	SI X S， WANG W B， HU C H， et al. A Wiener-process-based degradation model with a recursive filter algorithm for remaining useful life estimation［J］. Mechanical Systems and Signal Processing， 2013， 35（1-2）： 219-237.
10	李天梅，司小胜，刘翔，等.大数据下数模联动的随机退化设备剩余寿命预测技术［J］.自动化学报，2022，48（9）：2119-2141.
	LI T M， SI X S， LIU X， et al. Data-model interactive remaining useful life prediction technologies for stochastic degrading devices with big data［J］. Acta Automatica Sinica，2022，48（9）：2119-2141 （in Chinese）.
11	GEBRAEEL N Z， LAWLEY M A， LI R， et al. Residual-life distributions from component degradation signals： A Bayesian approach［J］. IIE Transactions， 2005， 37（6）： 543-557.
12	BIAN L K， GEBRAEEL N. Computing and updating the first-passage time distribution for randomly evolving degradation signals［J］. IIE Transactions， 2012， 44（11）： 974-987.
13	GEBRAEEL N， ELWANY A， PAN J. Residual life predictions in the absence of prior degradation knowledge［J］. IEEE Transactions on Reliability， 2009， 58（1）： 106-117.
14	TSAI C C， TSENG S T， BALAKRISHNAN N. Mis-specification analyses of gamma and Wiener degradation processes［J］. Journal of Statistical Planning and Inference， 2011， 141（12）： 3725-3735.
15	PENG W， LI Y F， YANG Y J， et al. Inverse Gaussian process models for degradation analysis： A Bayesian perspective［J］. Reliability Engineering & System Safety， 2014， 130： 175-189.
16	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）： 223312.
	REN Z Q， SI X S， HU C H， et al. Remaining useful life prediction method for engine combining multi-sensors data［J］. Acta Aeronautica et Astronautica Sinica， 2019， 40（12）： 223312 （in Chinese）.
17	LIU D， WANG S， ZHANG C. Reliability estimation by fusing multiple-source information based on evidential variable and Wiener process［J］. Computers & Industrial Engineering， 2021， 162： 107745.
18	董青，郑建飞，胡昌华，等.考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法［J］.航空学报，2022，43（9）： 225914.
	DONG Q， ZHENG J F， HU C H， et al. Remaining useful life prediction for adaptive Wiener process method with random shock ［J］. Acta Aeronautica et Astronautica Sinica， 2022， 43（9）： 225914 （in Chinese）.
19	杨家鑫，唐圣金，李良，等. 基于隐含非线性维纳退化过程的剩余寿命预测［J/OL］. 北京航空航天大学学报，（2022-05-30）［2022-06-22］. .
	YANG J X， TANG S J， LI L， et al. Remaining useful life prediction based on implicit nonlinear Wiener degradation process ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics，（2022-05-30）［2022-06-22］. （in Chinese）.
20	郑建飞，胡昌华，司小胜，等. 考虑不确定测量和个体差异的非线性随机退化系统剩余寿命估计［J］. 自动化学报， 2017， 43（2）： 259-270.
	ZHENG J F， HU C H， SI X S， et al. Remaining useful life estimation for nonlinear stochastic degrading systems with uncertain measurement and unit-to-unit variability［J］. Acta Automatica Sinica， 2017， 43（2）： 259-270 （in Chinese）.
21	SI X S， WANG W B， CHEN M Y， et al. A degradation path-dependent approach for remaining useful life estimation with an exact and closed-form solution［J］. European Journal of Operational Research， 2013， 226（1）： 53-66.
22	WANG W， CARR M， XU W， et al. A model for residual life prediction based on Brownian motion with an adaptive drift［J］. Microelectronics Reliability， 2011， 51（2）： 285-293.
23	WANG X， HU C H， SI X S， et al. An adaptive prognostic approach for newly developed system with three-source variability［J］. IEEE Access， 2019， 7： 53091-53102.
24	SI X S. An adaptive prognostic approach via nonlinear degradation modeling： Application to battery data［J］. IEEE Transactions on Industrial Electronics， 2015， 62（8）： 5082-5096.
25	HUANG Z Y， XU Z G， WANG W H， et al. Remaining useful life prediction for a nonlinear heterogeneous Wiener process model with an adaptive drift［J］. IEEE Transactions on Reliability， 2015， 64（2）： 687-700.
26	FENG L， WANG H L， SI X S， et al. A state-space-based prognostic model for hidden and age-dependent nonlinear degradation process［J］. IEEE Transactions on Automation Science and Engineering， 2013， 10（4）： 1072-1086.
27	TANG S J， YU C Q， WANG X， et al. Remaining useful life prediction of lithium-ion batteries based on the Wiener process with measurement error［J］. Energies， 2014， 7（2）： 520-547.
28	CAI Z Y， CHEN Y X， ZHANG Q， et al. Residual lifetime prediction model of nonlinear accelerated degradation data with measurement error［J］. Journal of Systems Engineering and Electronics， 2017， 28（5）： 1028-1038.
29	TANG S J， XU X D， YU C Q， et al. Remaining useful life prediction with fusing failure time data and field degradation data with random effects［J］. IEEE Access， 2019， 8： 11964-11978.
30	WANG L， PAN R， LI X， et al. A Bayesian reliability evaluation method with integrated accelerated degradation testing and field information［J］. Reliability Engineering & System Safety， 2013， 112： 38-47.
31	PANG Z N， SI X S， HU C H， et al. A Bayesian inference for remaining useful life estimation by fusing accelerated degradation data and condition monitoring data［J］. Reliability Engineering & System Safety， 2021， 208： 107341.
32	ZHANG Y， JIA X， GUO B. Bayesian framework for satellite rechargeable lithium battery synthesizing bivariate degradation and lifetime data［J］. Journal of Central South University， 2018， 25（2）： 418-431.
33	TANG S J， WANG W F， SUN X Y， et al. Unbiased parameters estimation and mis-specification analysis of Wiener process-based degradation model with random effects［J］. Applied Mathematical Modelling， 2022， 109： 134-160.
34	王凤飞，唐圣金，孙晓艳，等. 考虑随机效应的多源信息融合剩余寿命预测［J/OL］. 北京航空航天大学学报，（2022-03-01）［2022-06-22］. .
	WANG F F， TANG S J， SUN X Y， et al. Remaining useful life prediction based on multi source information with considering random effects ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics，（2022-03-01）［2022-06-22］. （in Chinese）.
35	CAI Z Y， WANG Z Z， CHEN Y X， et al. Remaining useful lifetime prediction for equipment based on nonlinear implicit degradation modeling［J］. Journal of Systems Engineering and Electronics， 2020， 31（1）： 194-205.
36	SI X S， WANG W B， HU C H， et al. Estimating remaining useful life with three-source variability in degradation modeling［J］. IEEE Transactions on Reliability， 2014， 63（1）： 167-190.
37	TANG S J， GUO X S， ZHOU Z J. Mis-specification analysis of linear Wiener process-based degradation models for the remaining useful life estimation［J］. Proceedings of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2014， 228（5）： 478-487.
38	YANG J X， TANG S J， FANG P Y， et al. Remaining useful life prediction of implicit linear Wiener degradation process based on multi-source information［J/OL］. Proceedings of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability，（2022-11-19）［2022-11-20］， .
39	YE Z S， WANG Y， TSUI K L， et al. Degradation data analysis using Wiener processes with measurement errors［J］. IEEE Transactions on Reliability， 2013， 62（4）： 772-780.
40	HAN Y Y， MA C L， TANG S J， et al. Residual life estimation of lithium-ion batteries based on nonlinear Wiener process with measurement error［J］. Proceedings of the Institution of Mechanical Engineers， Part O： Journal of Risk and Reliability， 2023， 237（1）： 133-151.
41	万昌豪，刘志国，唐圣金，等. 基于不完美先验信息的随机系数回归模型剩余寿命预测方法［J］. 北京航空航天大学学报， 2021， 47（12）： 2542-2551.
	WAN C H， LIU Z G， TANG S J， et al. Remaining useful life prediction method based on random coefficient regression model with imperfect prior information［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（12）： 2542-2551 （in Chinese）.
42	PENG C Y， TSENG S T. Mis-specification analysis of linear degradation models［J］. IEEE Transactions on Reliability， 2009， 58（3）： 444-455.
43	HONG S， YUE T Y， LIU H. Vehicle energy system active defense： A health assessment of lithium-ion batteries［J］. International Journal of Intelligent Systems， 2022， 37（12）： 10081-10099.
44	JIN G， MATTHEWS D E， ZHOU Z. A Bayesian framework for on-line degradation assessment and residual life prediction of secondary batteries inspacecraft［J］. Reliability Engineering & System Safety， 2013， 113： 7-20.
45	LU C J， MEEKER W O. Using degradation measures to estimate a time-to-failure distribution［J］. Technometrics， 1993， 35（2）： 161-174.
46	WANG X， BALAKRISHNAN N， GUO B. Residual life estimation based on a generalized Wiener degradation process［J］. Reliability Engineering & System Safety， 2014， 124： 13-23.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

[1]	李天梅, 司小胜, 张建勋. 多源传感监测线性退化设备数模联动的剩余寿命预测方法[J]. 航空学报, 2023, 44(8): 227190-227190.
[2]	刘斌, 许靖, 霍美玲, 崔学英, 谢秀峰, 杨栋辉, 王嘉. 基于多尺度自适应注意力网络的剩余寿命预测[J]. 航空学报, 2023, 44(5): 226918-226918.
[3]	董青, 郑建飞, 胡昌华, 余铜辉, 牟含笑. 考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法[J]. 航空学报, 2022, 43(9): 225914-225914.
[4]	张晟斐, 李天梅, 胡昌华, 杜党波, 司小胜. 基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用[J]. 航空学报, 2022, 43(8): 225708-225708.
[5]	牟含笑, 郑建飞, 胡昌华, 赵瑞星, 董青. 基于CDBN与BiLSTM的多元退化设备剩余寿命预测[J]. 航空学报, 2022, 43(7): 325403-325403.
[6]	熊伟, 朱洪峰, 崔亚奇. 在线学习的循环自适应机动目标跟踪算法[J]. 航空学报, 2022, 43(5): 325250-325250.
[7]	尹东亮, 黄晓颖, 吴艳杰, 何有宸, 谢经伟. 基于云模型和改进D-S证据理论的目标识别决策方法[J]. 航空学报, 2021, 42(12): 324768-324768.
[8]	王巍, 邢朝洋, 冯文帅. 自主导航技术发展现状与趋势[J]. 航空学报, 2021, 42(11): 525049-525049.
[9]	梁帅, 杨林, 杨朝旭, 许斌. 基于Kalman滤波的变体飞行器T-S模糊控制[J]. 航空学报, 2020, 41(S2): 724274-724274.
[10]	任子强, 司小胜, 胡昌华, 王玺. 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): 223312-223312.
[11]	齐林, 刘瑜, 任华龙, 何友. 空基多雷达航迹抗差关联算法[J]. 航空学报, 2018, 39(3): 321691-321691.
[12]	李凡, 熊家军. 临近空间高超声速跳跃滑翔式目标自适应跟踪模型[J]. 航空学报, 2018, 39(12): 322355-322355.
[13]	姚郁, 郑天宇, 贺风华, 王龙, 汪洋, 张曦, 朱柏羊, 杨宝庆. 飞行器末制导中的几个热点问题与挑战[J]. 航空学报, 2015, 36(8): 2696-2716.
[14]	李业波, 李秋红, 黄向华, 赵永平. 航空发动机气路部件故障融合诊断方法研究[J]. 航空学报, 2014, 35(6): 1612-1622.
[15]	张建勋, 胡昌华, 周志杰, 司小胜, 杜党波. 多退化变量下基于Copula函数的陀螺仪剩余寿命预测方法[J]. 航空学报, 2014, 35(4): 1111-1121.

基于多源信息的隐含非线性维纳退化过程剩余寿命预测

Remaining useful life prediction of implicit nonlinear Wiener degradation process based on multi-source information

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 46

相关文章 15

编辑推荐

Metrics

本文评价