文档分类：
在线文档经过高度压缩，下载原文更清晰。
淘豆网网友近日为您收集整理了关于粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究的文档，希望对您的工作和学习有所帮助。以下是文档介绍：粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究 振动与冲击第 32卷第 6期 JOURNALOFVIBRATIONANDSHOCK Vol.32No.62013 收稿日期: 修改稿收到日期:第一作者孙磊男,博士生,讲师,1985年 9月生粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究孙磊1,贾云献1,蔡丽影2,张星辉1(1.军械工程学院装备指挥与管理系,石家庄 .石家庄军械技术研究所,石家庄 0500031)
摘要:针对非线性非高斯系统的剩余寿命(RUL)预测问题,提出了一种基于粒子滤波(PF)理论的设备剩余寿命预测方法。首先建立设备的非线性状态空间模型(含有未知的时变参数),然后通过粒子滤波算法估计出设备状态的概率密度函数(PDF),从而根据该 PDF计算出设备的 RUL。此外,计算设备 RUL的期望值和 95%置信区间,并对模型的预测效果进行评估,验证预测的有效性和准确性。最后通过齿轮箱的全寿命实验,对方法的有效性进行实例验证,将实验结果和传统的比例风险模型(PHM)预测结果对比分析,结果表明剩余寿命预测方法要优于传统的 PHM预测方法。关键词:状态空间模型;粒子滤波;比例风险模型;剩余寿命预测中图分类号:TH17
文献标识码:AResidualusefullifepredictionofgearboxbasedonparticlefilteringparameterestimationmethodSUNLei1,JIAYunxian1,CAILiying2,ZHANGXinghui1(1.OrdnanceEngineeringCollege,Shijiazhuang.OrdnanceTechniqueResearchInstitution,Shijiazhuang050003,China)
Abstract: Tosolvetheproblemofpredictingequipmentresidualusefullife(RUL)whichisnonlinearandnonGaussian,aparticlefilteringframeworkforsystemsRULpredictionwasproposed.Theframeworkusesanonlinearstatespacemodelofthesystem(withunknowntimevaryingparameters)andaparticlefiltering(PF)algorithmtoestimatetheprobabilitydensityfunction(PDF)ofthestate.ThestatePDFestimatewasthenusedtopredicttheevolutionofthefaultindicatorandadaresultobtainthePDFoftheremainingusefullife(RUL)forthefaultysubsystem.uracyofthepredictions,RULexpectations,and95% confidenceintervalsfortheconditionunderstudy.Datafrom afulllifetestforagearboxwereusedtovalidatetheproposedmethodology,parisonsweremadebetweenproportionalhazardmodel(PHM)andPFmethod.eshowsthatthePFmethodhasabettereffectthanPHMonRULprediction.Keywords:proresidualusefullifeprediction
设备剩余寿命预测是实现基于状态维修(CBM)的关键技术之一,准确的剩余寿命预测对维修决策的优化起着重要的指导作用,因而受到了广泛地关注和研究。特别地,当设备的未来状态能够准确预测后,对确定其维修检测间隔期和开展以可靠性为中心的维修(RCM)将大为方便[1]。而且现代维修策略的制定越来越依赖于设备当前状态而不是按照维修计划按部就班,这就需要准确预测出设备未来退化的发展趋势。因此,对设备进行早期故障识别并预测其剩余寿命(RUL)显得尤为重要。目前,很多学者通过建立复杂的系统退化模型来预测设备的剩余寿命,在这些模型的基础上制定维修策略[2-5]。例如,Vlok等[6]将状态监测值作为协变量,用于比例风险模型(PHM)预测;Kopnov,Pulkkinen等[7,8]假定完全监测情况下,建立随机退化过程模型来制定最优维修策略。在实际应用中,因为设备的退化状态很难被直接监测到,对设备的剩余寿命预测往往比较困难,而且监测值也常常被噪声所“污染”。因此,需要建立基于噪声量测序列的系统退化模型,然后通过设备量测值对其内在状态值进行估计,进而计算设备剩余寿命的预测值。贝叶斯理论非常适合解决这类状态估计问题,它可以将过程监测数据(一般是序贯观测值)作为先验信息,对设备未来的状态值进行递推估计。典型的贝叶斯估计方法是卡尔曼滤波(KF),它可以求得高斯噪音下,线性状态空间模型的最优解[9]。然而在实际应用中,绝大多数动态系统往往是非线性的,量测噪声也往往是非高斯的。为解决上述问题,各种改进算法和新算法相继提出,例如,通过扩展卡尔曼滤波(EKF)和无迹卡尔曼滤波(UKF)解决非线性高斯系统的状态估计问题[10]。近年来,随着计算技术和硬件存储技术的快速发展,序贯蒙特卡罗(SMC)方法,也叫粒子滤波(PF)算法,被越来越多地用于估计非线性非高斯条件下的系统状态。文献[11]将它应用于马尔科夫跳变线性系统,产生了很好的效果。近年来,基于 PF理论的故障诊断研究已经得到了越来越多的关注,但是基于 PF的剩余寿命预测问题研究的还相对较少。为此本文结合粒子滤波对非线性非高斯系统的处理能力,提出了一套基于粒子滤波理论的设备剩余寿命预测框架。用非线性状态空间模型(SSM)来表示系统的故障演化过程,通过粒子滤波算法预测出系统状态的概率密度函数(PDF)。本文所提出的方法不仅能够提供设备剩余寿命的预测结果,还能够计算出结果的期望值和置信区间。另一方面,PF算法的研究仍处于发展阶段,在实际系统寿命预测中的应用还不成熟,绝大部分都是用于仿真领域,即人工时间序列模型产生输入数据[12]。针对上述问题,我们对 PF算法在工程实际中的预测应用开展了实验研究。1 理论基础11 问题的提出基于状态空间模型的系统剩余寿命预测基本原理,是根据系统已知的先验信息得到的未知状态的先验分布,结合观测数据,来估计系统的后验分布及其剩余寿命,如图 1所示。图 1 基于状态空间模型的设备 RUL预测Fig.1Conceptofdynamicmodelbasedprognostics一般地,用下面的状态方程来描述系统模型及其状态向量的演化过程:xk=fk(xk-1,wk-1) (1)其中,fk∶Rnx×Rnw→Rnx是非线性函数,时间步长为 tk=kΔt,{wk,k∈N}是已知分布形式的状态噪声向量序列。状态向量序列{xk,k∈N}服从一阶马尔科夫过程。假设系统初始状态 p(x0)已知,状态转移概率 p(xk|xk-1)由状态方程(1)和分布类型已知的噪声向量 wk定义。系统的量测方程可由连续观测值 tk 的观测序列{zk,k∈N}来描述:zk=hk(xk,vk) (2)其中,hk∶Rnx×Rnv→Rnx是给定的非线性函数,{vk,k∈N}是已知分布形式的量测噪声向量序列。并且,量测向量序列{zk,k∈N}状态独立于状态过程{xk,k∈N}。也就是说已知状态 xk时刻 t,量测值 zk的概率值不依赖于前一时刻的量测序列 z0∶k-1 =(z0,…,zk-1)。p(zk|xk,z0∶k-1)=p(zk|xk)可由量测方程(2)和噪声向量 vk确定。12 传统的比例风险剩余寿命预测模型比例风险模型(PHM)作为一种剩余寿命预测方法,首先由 Cox在 1972年提出,并很快成为一种统计数据分析工具[13]。该模型综合考虑设备运行的寿命信息和各种设备状态信息,从而有效地将状态信息用于设备可靠性分析及剩余寿命预测,其基本形式如下:λ(t|X)=λ0(t)g(X) (3)其中,λ0(t)和 g(X)都可能含未知参数,λ0(t)可以理解为 g(X)=1下的标准故障率函数。由于威布尔分布可作为许多类型设备(如真空管,滚珠轴承和电器的绝缘材料等)的寿命分布模型,因此下面主要研究WeibullPHM剩余寿命预测模型。WeibullPHM的故障率函数定义如下[13]:λ(t|X)=λ0(t)g(X)=δαt( )αδ-1eβX(4)相应的可靠度函数为R(t|X)=exp∫t0λ0(s)g(X)d[ ]s=exp - t( )αδeβ[ ]X(5)则平均剩余寿命为T—r =∫+∞0R(t|X)dt=∫+∞0exp - t( )αδeβ[ ]Xdt (6)其中,X为设备状态向量,X=(x1,x2,…,xp)′;λ(t|X)为设备在状态 X的故障率;α、δ为威布尔分布中的尺度参数和形状参数;X是 p维状态向量,反映设备的状态信息;β为与 X相对应的变量系数,由上述公式可以看出,只要求得参数α、δ和β的值,即可确定WeibullPHM的具体形式,模型参数用极大似然估计求解即可。1.3 贝叶斯递归和粒子滤波根据 1.1节,我们想要得到的结果是后验概率分布p(xk|z0,k),在贝叶斯框架下,已知 k-1时刻的概率分布p(xk-1|z0,k-1),根据系统状态方程(1)来预测系统状态xk先验概率分布,由 ChapmanKolmogorov方程得:7第 6期
孙磊等:粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究p(xk|z0∶k-1)=∫p(xk|xk-1,z0∶k-1)p(xk-1|z0∶k-1)dxk-1 =∫p(xk|xk-1)p(xk-1|z0∶k-1)dxk-1 (7)k时刻收集到新的观测值 zk,根据贝叶斯准则更新系统状态的后验分布,从而得到当前系统状态 xk的后验概率分布:p(xk|z0∶k)=p(xk|z0∶k-1)p(zk|xk)p(zk|z0∶k-1)(8)其中的常数项:p(zk|z0∶k-1)=∫p(xk|z0∶k-1)p(zk|xk)dxk (9)递推公式(7)和公式(8)构成了贝叶斯递归求解的基础。然而,除了极少数情况,包括线性高斯状态空间模型(卡尔曼滤波)和有限状态空间隐马尔科夫链(Wohnam滤波),用解析方法很难求解上述分布,因为计算需要大量运算和高维积分运算。这就需要其它有效求解方法———蒙特卡罗采样。接下来,本文只分析蒙特卡罗方法的基本步骤,详细推导参考文献[14-16]。一般来说,已知量测向量 z0;k,系统整个状态序列x0;k的后验分布可以写成下述形式:p(x0∶k|z0∶k)=∫p(ξ0∶k|z0∶k)δ(ξ0∶k -x0∶k)dξ0∶k (10)这里,δ()是狄拉克函数。假设系统真实后验概率 p(x0∶k|z0∶k)已知,且能被采样,则公式(10)可以由下式估计:p^(x0∶k|z0∶k)=1Ns∑Nsi=1δ(x0∶k -xi0∶k) (11)其中,xi0∶k,i=1,2,…,Ns是从 p(x0∶k|z0∶k)采样得到的独立随机样本集。实际上,由于 p(x0∶k|z0∶k)可能是多变量、非标准的,通常很难写成解析分布函数的组合形式,抽样过程比较困难。为了克服这个问题,可以借助重要性函数抽样。所谓重要性函数就是指概率分布与 p(x0∶k|z0∶k)相同,概率密度分布π(x0∶k|z0∶k)已知,而且容易从中抽样的分布函数,则公式(10)可以变换为:p(x0∶k|z0∶k)=
∫π(ξ0∶k|z0∶k)p(ξ0∶k|z0∶k)π(ξ0∶k|z0∶k)δ(ξ0∶k -x0∶k)dξ0∶k (12)其估计式为:p^(x0∶k|z0∶k)=1Ns∑Nsi=1wik δ(x0∶k-xi0∶k) (13)其中,wik =p(z0∶k|xi0∶k)p(xi0∶k)p(z0∶k)π(xi0∶k|z0∶k)(14)是系统状态序列 xi0∶k,i=1,2,…,Ns的权重,它可以通过π(xi0∶k|z0∶k)采样得到;p(z0∶k|xi0∶k)是观测序列的似然值。实际计算中,该权重很难求解,它需要知道p(z0∶k)=∫p(z0∶k|x0∶k)p(x0∶k)dx0∶k,但上式很难表示为闭合形式进行解析求解。为了解决这个问题,后验分布 p(x0∶k|z0∶k)可以由下式计算得到:p^(x0∶k|z0∶k)=∑Nsi=1w~ik δ(x0∶k-xi0∶k) (15)其中,w~ik =wik∑Nsj=1wjk(16)wik=p(z0∶k|xi0∶k)p(xi0∶k)π(xi0∶k|z0∶k)=wik p(z0∶k) (17)这样,根据系统前 k-1时刻状态的分布 p(x0∶k-1|z0∶k-1)来估计 k时刻状态的分布 p(x0∶k|z0∶k)。从而,再根据贝叶斯滤波理论,由公式(8)递推得到 p(x0∶k|z0∶k):p(x0∶k|z0∶k)=p(x0∶k|z0∶k-1)p(zk|x0∶k,z0∶k-1)p(zk|z0∶k-1)=p(xk|x0∶k-1,z0∶k-1)p(x0∶k-1|z0∶k-1)p(zk|x0∶k,z0∶k-1)p(zk|z0∶k-1)=p(xk|x0∶k-1)p(x0∶k-1|z0∶k-1)p(zk|x0∶k)p(zk|z0∶k-1)=p(x0∶k-1|z0∶k-1)p(zk|x0∶k)p(xk|x0∶k-1)p(zk|z0∶k-1)(18)其中,推导过程中再次用到了系统状态方程(1)符合一阶马尔科夫过程这个假设,在系统状态序列已知的情况下,量测方程(2)是条件独立的。则重要性函数可以选取如下:π(x0∶k|z0∶k)=π(x0|z0)∏kj=1π(xj|x0∶j-1,z0∶j)=π(xk|x0∶k-1,z0∶k)π(x0∶k-1|z0∶k-1) (19)然后,可以得到非归一化的 wik 和 wik 权值递推公式如下:wik =p(xi0∶k|z0∶k)π(xi0∶k|z0∶k)=p(xi0∶k-1|z0∶k-1)p(zk|xik)p(xik|xik-1)p(xi0∶k-1|z0∶k-1)π(xik|xi0∶k-1,z0∶k)π(xi0∶k-1|z0∶k-1)=wik-1p(zk|xik)p(xi|xik-1)π(xik|xi0∶k-1,z0∶k)1p(zk|zk-1)wik=wik p(z0∶k)=wik-1p(zk|xik)p(xik|xik-1)π(xik|xi0∶k-1,z0∶k)(20)重要性函数的选取是一个非常关键的问题,选取原则之一就是使得重要性权值的方差最小。文献[16]指出,选择π(xk|x0∶k-1,z0∶k)=p(xk|x0∶k-1,z0∶k)可以满足重要性权值的方程最小原则,但是这种选择8 振动与冲击
2013年第 32卷方法在实际中往往比较难以实现。从实际应用角度来讲,多数文献普遍选择采用π(xk|x0∶k-1,z0∶k)=p(xk|xk-1),这种方法尽管不是最优方法,但是较容易实现。然而,重采样算法仍然存在严重的局限:在迭代很少几步之后,重要性权值有可能集中到少数粒子上。这使得大量的更新运算对最后的估计几乎不起作用。通常,在迭代几步之后,除了一个粒子权重外,其余粒子的权重都几乎趋向于零。为了避免这种退化,可以采用 bootstrap采样技术[16]。对离散估计 p(x0∶k|z0∶k)进行重采样 Ns次,得到一系列粒子{xik ,i=1,2,…,Ns}。本文采用了序贯重要性重采样算法(SIRs),具体过程如下:重要性采样For i=1,…,N
初始化采样 x~(i)0 ~q0(x0|y0)求初始重要性权重w~(i)0 =q0(y0|x~(i)0 )π(x~(i)0 )q0(x~(i)0 |y0)EndFor t=1,…,T for i=1,…,N
传播粒子x~(i)t ~qt(x~(i)t |x~(i)t-1,yt)
计算重要性权重w~(i)t =w~(i)t-1g(yt|x~(i)t )f(x~(i)t |x~(i)t-1)qt(x~(i)t |x~(i)t-1,yt)end归一化权重w(i)t =w~(i)t∑Nj=1w~(j)t,i=1,…,N重采样如果重采样,则根据权重选择 N个粒子序列{w(j)t-1}1≤j≤N令 x(i)t-1=x~(ji)t-1,并且 w(i)t-1=1/N,i=1,…,N否则, 设 x(i)t-1=x~(ji)t-1,i=1,…,NEnd其重要性函数的权重为:wik=wik-1p(zk|xik) (21)在每一步迭代过程都要进行重采样 wik-1 =1/Ns,经过归一化和更新后的权重等于量测量的似然值,即:w~ik=p(zk|xik) (22)2 基于粒子滤波的剩余寿命预测方法机械设备的振动信号可以作为描述其退化状态的指标,为了准确预测设备的退化趋势及其剩余寿命,本文提出了基于设备振动信号和粒子滤波参数估计的预测算法,见图 2所示。具体包括以下四步:步骤一:(数据采集)首先通过振动传感器采集机械设备的原始信号,包括其从正常状态到发生故障的全寿命数据。步骤二:(特征提取)提取反映设备退化趋势的特征指标,本文选用的是特定频带能量和机械设备的磨损量。步骤三:(预测和滤波)通过逐步采样,应用粒子滤波算法,计算粒子的重要性权重,然后重采样技术,实现设备的寿命预测。步骤四:(效果评估)为了确定所提方法的有效性和准确性,首先对预测结果是否落于其 95%置信区间进行分析,然后提出预测效果评估指标和相应计算方法,进一步对预测的结果进行效果评估。为了对上述预测算法的效果进行综合定量的评估,本文选用均方根误差(RMSE)、平均绝对误差(MAE)和方差绝对误差(VAE)作为绝对误差指标;用平均相对误差(MARE)和方差相对误差(VRE)作为相对误差指标。它们的计算公式如下:RMSE =1n ∑nt=1(x^t-xt)槡2(23)MAE =1n∑nt=1|x^t-xt| (24)VAE =1n∑nt=1(|x^t-xt|-MAE)2(25)MARE =1n∑nt=1x^t-xtxt(26)VRE =1n∑nt=1x^t-xtxt-E( )MARE2(27)其中,xt表示状态真实值,x^t表示状态预测值,上述指标值越小,表示预测的精度越高。3 应用案例分析:齿轮箱全寿命实验及其剩余寿命预测31 实验设置齿轮箱由于其结构紧凑、传动精确等优点,广泛应用于设备传动系统中,由于其工作环境恶劣等原因,齿轮箱容易出现故障,因此本文选择齿轮箱作为实验和研究对象,对其进行剩余寿命预测,讨论本文所提方法的实际应用问题。实验设备和实验所用齿轮箱的结构如图 3所示,传感器测点布置如图 4所示。动力源为电磁调速电机,型号 YCT180-4A,磁粉制动器为齿轮箱提供载荷,型号 FZ200.K/F型风冷磁粉制动器。实验工况,扭矩9第 6期
孙磊等:粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究图 2 粒子滤波预测算法流程图Fig.2Flowchartofparticlefilteralgorithmforprognosis图 3 实验台和齿轮箱结构示意图Fig.3Sketchmapofthetestbedandgearboxstructure图 4 齿轮箱振动传感器安置位置Fig.elerometersmounting为额定负载的 2~2.5倍,目的是为了减少实验时间。实验所用齿轮箱主要参数见表 1。表 1 齿轮箱主要参数Tab.1Primeparametersofthegearbox名称第一级第二级高速轴齿数中间轮齿数中间轮齿数大齿轮齿数传动比35 64 18 81 8.23实验齿轮箱为本实验的核心部分(图 4),它是一种二级斜齿轮箱,额定传输功率为 0.75kW;在箱体的不同部位上共装有 4个振动加速度传感器,能够通过数据采集系统同时采集 4路不同部位的振动信号。通过实验发现,本次被测齿轮箱工作约 450小时后,主要故障形式是齿轮齿面的严重磨损,实验结果如图 5所示。图 5 齿轮实验前后对Fig.5Comparisonofgearbeforeandafterexperiment32 实验数据采集和特征提取实验过程中对齿轮箱振动信号进行采集,采样频率为 20k,采集长度为 40k,每小时采样 1次,累计采样 448h。对采集到的数据,利用小波包频带能量提取方法[17],获取不同时刻振动信号特定频带能量(3~4.5kHz,通过观测,该频带的振动信号能量随工作时间逐渐增大,趋势较为明显,反映齿轮箱健康状态的指标较为理想){Ei;i=1,2,…,448}作为观测特征值,如图 6所示。同时对轮齿磨损量进行不完全数据采集,即仅对部分运行时刻的磨损状态进行检测,所获得的磨损数据如表 2。表 2 不同检测时间轮齿磨损量Tab.2Thewearofgearteethatdifferentinspections运行时间/h 0 300 325 380 400 450轮齿磨损量/mm0 0.05 0.08 0.1 0.19 0.3图 6 齿轮箱振动信号特定频带能量Fig.6Specialbandenergyofvibration3.3 基于 PHM 的齿轮箱剩余寿命预测为了克服模型在小样本且存在异常数据条件下预测精度较差的缺陷,需要选取一定的方法识别状态信息样本中的异常数据,以提高 PHM的预测精度。本文采用支持限量机(SVM)算法,对状态信息样本中的异常数据进行识别及分离。采用特定频带能量{Ei;i=1,2,…,448}数据作为模型的训练样本。首先对 E中的异常数据进行识别,然后利用 PHM实现剩余寿命预测。根据文献[19]提01 振动与冲击
2013年第 32卷出的 SVM 数据识别方法,选取核函数为 k(x,y)=(x-y)2σ2 ,通过参数优化可得最优参数为 C=6.2993,σ2=0.187,异常数据识别结果如图 7。图 7 异常数据识别结果Fig.7Theresultsofabnormaldatadetection利用 SVM对样本进行处理及平滑后,进一步利用PHM进行齿轮箱剩余寿命预测。通过极大似然算法可获得最有参数为:α=438.9,δ=4.216,β=2.567×10-5,则齿轮箱的故障率函数为λ(t|X)=5;t( )5;e--5X=;t;e-(×10-5X)通过计算,可得齿轮箱在不同时刻预测的平均剩余寿命,表 3为不同检测时间的剩余寿命预测结果。表 3 齿轮箱剩余寿命Tab.3Theremainingusefullifeofthegearbox运行时间/h SVMPHM预测结果/h300 162.0 131..4 基于 PF的齿轮箱剩余寿命预测基于 PF的齿轮箱剩余寿命预测模型与传统 PHM不同,其训练样本综合采用特定频带能量 E和磨损量wl。利用 PF对齿轮箱轮齿磨损过程进行建模。由于Gamma过程具有平稳、独立增量等退化建模所需的所有属性,被认为是描述产品退化过程的首选方法[18],磨损量演化的状态空间模型如下:wli-wli-1~Gamma(a(ti-ti-1),ξ)Ei=cwi+ε(28)取 448h的磨损量 0.3mm为故障阈值 WLf,ε~(0,σ)为观测误差。为便于计算,取 a(0)的初始值为 1,分别可得初始参数参数ξ(0)=2105、c(0)=48744和σ(0)=968.7。令 Wu表示所获得的第 u个磨损量观测值,相应的监测时间为 tu,通过 PF方法可计算模型参数,其收敛过程如图 8所示。图 8 参数收敛过程Fig.8Convergenceoftheparameters由于参数求解过程中,滤波粒子通过先验分布随机生成,导致每次参数求解结果具有一定的随机性,因此进行 1000次重复参数求解后可得各参数的分布图及参数均值和标准差,具体结果见表 4。表 4 参数评估结果Tab.4Theresultsofparameterestimation参数 a^ ξ^ c^ σ^均值 0. 标准差 0. 357.4 53.9获得模型参数后,可对不同时刻的磨损情况进行评估,利用状态方程可实现对未来裂纹概率密度的预测,预测公式为:p(xk|y1∶k-1)=∫p(xk|xk-1)p(xk-1|y1∶k-1)dxk-1 =∑Nss=1p(xk|xsk-1)wsk-1 (29)其中,p(xk|xsk-1)为 xk在粒子 xsk-1条件下的先验概率论,wsk-1为粒子 xsk-1所对应的权值,粒子集{xsk-1,wsk-1}Nss=1由粒子滤波算法获得。则通过式(29),可实现对齿轮箱磨损量的预测,预测结果如图 9所示。图 9 磨损量预测结果Fig.9Thepredictionresultsofwear11第 6期
孙磊等:粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究通过计算,分别得到 400h时的齿轮箱剩余寿命累积分布函数、概率密度函数和剩余寿命(如图 10,其中实际剩余寿命为 48h,预测值为 60.7h)。图 10 400h时的剩余寿命累积分布及概率密度函数Fig.10TheCDFandPDFofRULat400h采用同样的方法,得到不同时刻的振动检测序列后,确定相应的模型参数,表 5为不同时刻测模型参数。表 5 不同检测时刻的模型参数Tab.5Estimatedparametersatdifferentinspectiontime运行时间/h a^ ξ^ c^ σ^300 0. 5 0. 0 0.
0. 获得不同时刻模型参数后,可计算得到剩余寿命的概率密度函数和平均剩余寿命,如图 11所示。表 6为不同时刻的剩余寿命预测结果及 95%的置信区间。根据公式(23)~(27)对预测的结果进行效果评估(见表 7)。图 11 不同检测时刻剩余寿命概率密度函数和均值Fig.11ProbabilitydistributionfunctionandmeanofRULatdifferentinspectiontime表 6 剩余寿命预测值及置信区间Tab.6Meanvalueand95% confidenceintervalofRUL运行时间/h剩余寿命实际值/h剩余寿命预测值/h方差置信区间-95% +95%300 148 165.0 57.1 107.9 206..6 30.5 111.1 172..8 20 80.8 120..7 13 47.7 73.7表 7 剩余寿命预测效果评估结果Tab.7PerformanceevaluationresultsofRULprediction预测模型误差效果评估值RMSE MAE VAE MARE VRESVMPHM 24.0 584.8 0.3197PF算法 10.0 56.3 0.02053.5 结果分析表 3和表 6分别给出了两种剩余寿命预测方法的预测结果。从表 6可知,齿轮箱实际剩余寿命均落于置信度为 0.95的置信区间之内,因此基于 PF的剩余寿命预测结果具有一定的合理性。表 7给出了两种方法 RUL预测效果评估结果,从上述 5个指标对比可以看出,基于 PF的剩余寿命预测无论是在预测的准确度还是精确度方面均较 PHM有明显优势。这主要是由于基于 PF的剩余寿命预测时综合考虑了磨损量和振动特征值,使模型能够更为准确的反映齿轮箱的磨损过程;而 PHM单纯采用振动特征进行剩余寿命预测,由于振动特征并不能完全准确地反映齿轮磨损状态,因此预测结果较差。但 PHM较基于 PF的剩余寿命预测来说,模型结构比较简单,计算复杂度较低,模型求解过程更为容易。4 结论本文针对非线性系统剩余寿命预测问题,提出了基于粒子滤波算法的剩余寿命预测框架,并根据系统的状态监测数据,结合粒子滤波算法,提出了剩余寿命预测方法,针对预测效果评估问题,进行了准确性和精确性验证。最后通过齿轮箱全寿命实验进行了实例分析,结果表明,与传统的 PHM预测方法进行对比分析,基于粒子滤波模型的剩余寿命预测方法更加有效和准确。本文的研究结论为复杂噪声条件下非高斯非线性系统的剩余寿命预测提供了一种可行的解决方法,具有一定的普适性。为增强该方法实际应用的实时性,结合 Raoblackwellized进行算法简化研究和实时预测研究;以及设备多故障模式条件下的故障追踪和预测问题,将做为进一步研究的重点方向。(下转第 23页)21 振动与冲击
2013年第 32卷[4]XieW F,ZhuY Q,ZhaoZY,etal.work[J].puting,):.[5]SharanAnandM.work (ANN) technique[J].AdvancesinVibrationEngineering,):253-260.[6]PatraJC,PalR N,ChatterjiBN,etal.Identificationofnonlineardynamicsystemsusingfunctionallink works[J].IEEETransactionsOnSystemsManAnd ics Part ics, ):254-262. [7]YeM,DouSG,ZhangW,etal.Nonlinearidentificationofsystemswith parametric excitation[J]. Science ChinaTechnologicalSciences,):.[8]NarayananM D,NarayananS.PadmanabhanC.Parametricidentificationofnonlinearsystemsusingmultipletrials[J].NonlinearDynamics,):341-360.[9]ThothadriM,CasasRA,MoonFC,etal.Nonlinearsystemidentification of multidegreeoffreedom systems[J].NonlinearDynamics,):307-322.[10]ThothadriM,MoonFC.Nonlinearsystem identificationofsystemswithperiodiclimitcycleresponse[J].NonlinearDynamics,):63-77.[11]LiangY,FeenyBF.Parametricidentificationofachaoticbaseexciteddoublependulum experiment[J]. NonlinearDynamics,):181-197.[12]YuanCM,FeenyBF.Parametricidentificationofchaoticsystems[J].JournalofVibrationandControl,):405-426.[13]HaoHR,BaiH B,HouJF,etal.Generalizedresumingforcemodelformetalrubber[J].JournalofVibrationandShock,):106-109.[14]ShiL,He L. Study on parameter identification orheologicaldampers[J].JournalofVibrationandControl,):131-133.[15]LuC,BaiH,XinW T.Parameteridentificationofdynamicmodel of hysteretic vibration isolation system withunsymmetricalelasticityandviscousdamping[J].JournalofVibrationandShock,):110-112.[16]WuR A,FengJQ,WangY J,etal.Nonlinearparameteridentification and characterresearch ofrubbervibrationisolatingsystem[J].ChineseQuarterlyofMechanics,):欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁欁281-285.(上接第 12页)参考文献[1]Marseguerra M, Zio E, PodofilliniL. icalgorithmsandMonteCarlosimulation[J]. ReliabilityEngineeringandSystemSafety,-65.[2]SamantaP K,VeselyW E,HsuF,etal.Degradationmodeling with application to aging and maintenanceeffectiveness evaluations[R]. NUREG/CR5612. mission,1991.[3]KopnovV A.Optimaldegradationprocesscontrolbytwolevelpolicies[J].ReliabilityEngineeringandSystemSafety,-11.[4]Lam C, Yeh R. Optimal maintenance policies fordeterioratingsystemsundervariousmaintenancestrategies[J].IEEETransReliability,-430.[5]HontelezJAM,BurgerHH,WijnmalenDJD.Optimumconditionbasedmaintenancepoliciesfordeterioratingsystemswithpartialinformation[J]. ReliabilityEngineeringandSystemSafety,-274.[6]VlokPJ,CoetzeeJL,BanjevicD,etal.ponentreplacementdecisions[J].JournalofOperationalResearchSociaty,-202.[7]KopnovV A.Optimaldegradationprocesscontrolbytwolevelpolicies[J].ReliabilityEngineeringandSystemSafety,-11.[8]PulkkinenU,UryasevS.ponent[C].In:PetersenKE,RasmussenB,editors. Safety and Reliability '92, Proceedings oftheEuropeanSafetyandReliabilityConference'92.London,.[9]AndersonBD,MooreJB.Optimalfiltering[M].EnglewoodCliffs(NJ):PrenticeHall,1979.[10]MyotyriE,PulkkinenU,SimolaK.Applicationofstochasticfilteringforlifetimeprediction[J].ReliabilityEngineeringandSystemSafety,-208.[11]ZioE.Parameteridentificationindegradationmodelingbyreversiblejump Markov Chain Monte Carlo[J]. IEEETranctionsonreliability,):123-131.[12]GuoD,WangX,ChenR.New sequentialMonteCarlomethodsfornonlineardynamicsystems[J].puting,-147.[13]NewbyM.PerspectiveonWeibullproportionalhazardsmodels[J].IEEETransactionsonReliability,):217-223.[14] OrchardM E,TangL,GoebelK,etal.A novelRSPFapproachtopredictionofhighrisk,lowprobabilityfailureevent[C].AnnualConferenceofthePrognosticsandHealthManagementSociety,.[15]CadiniF,ZioE.AMonteCarlomethodforthemodelbasedestimationofnuclearreactordynamics[J].Ann.NuclearEnergy):773-781.[16]DoucetA,deFreitasN,GordonN.SequentialMonteCarloinpractice[M].NewYork:SpringerVerlag,2000.[17]HuQ,HeZJ.FaultdiagnosisofrotatingmachinerybasedonimprovedwaveletpackagetransformandSVMsensemble[J].MechanicalSystems and Signal Processing, -705. [18] VanNoortwijkJM.A surveyoftheapplicationofgammaprocessesinmaintenance[J].ReliabilityEngineeringandSystemSafety,-21.[19]BoserBE,GuyonIM,VapnikVN.Atrainingalgorithmforoptimalmargin classifiers[C].The 5th putation LearningTheory,ACM Press,.32第 6期
张呈波等:一类具有非对称特性的隔振装置结构参数实验辨识方法播放器加载中，请稍候...
该用户其他文档
下载所得到的文件列表粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究.pdf
文档介绍：
粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究 振动与冲击第 32卷第 6期 JOURNALOFVIBRATIONANDSHOCK Vol.32No.62013 收稿日期: 修改稿收到日期:第一作者孙磊男,博士生,讲师,1985年 9月生粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究孙磊1,贾云献1,蔡丽影2,张星辉1(1.军械工程学院装...
内容来自淘豆网转载请标明出处.