基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法技术

一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，属于可靠性工程技术领域。它为了解决现有微动开关剩余寿命预测方法适用性低、鲁棒性差的问题。其方法：1、建立带有随机参数的微动开关剩余寿命模型；2、采用贝叶斯后验估计算法实时更新随机参数；3、采用EM算法同时更新模型初始参数以及系统误差；4、采用强跟踪滤波算法融合预测残差，当预测结果出现明显偏差时及时修正模型中的随机参数；5、根据更新后的参数实时预测微动开关剩余使用寿命。优点是自适应预测能力强，不依赖于同类型历史数据，当微动开关在寿命末期退化过程不稳定时或模型初始参数设置不正确时，仍然可以保持较高的剩余寿命预测精度。

Residual Life Prediction Method of Track Bus Fretting Switch Based on Strong Tracking Filter

A method for predicting the residual life of track bus micro-switch based on strong tracking filter belongs to the field of reliability engineering technology. In order to solve the problems of low applicability and poor robustness of the existing methods for predicting the residual life of micro-switch. The methods are as follows: 1. Establishing the residual life model of fretting switch with random parameters; 2. Real-time updating of random parameters by Bayesian posterior estimation algorithm; 3. Simultaneously updating the initial parameters and system errors of the model by EM algorithm; 4. Intensive tracking filtering algorithm is used to fuse the prediction residual, and the random parameters in the model are corrected in time when the prediction results show obvious deviations; 5. According to more information, the model is updated in time. The new parameters can predict the residual service life of the micro-switch in real time. The advantage is that it has strong adaptive prediction ability and does not depend on the same type of historical data. When the end-of-life degradation process of the micro-switch is unstable or the initial parameters of the model are incorrectly set, it can still maintain a high residual life prediction accuracy.

【技术实现步骤摘要】
基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法
本专利技术属于可靠性工程
，涉及一种基于强跟踪滤波(STF)的轨道客车微动开关剩余寿命预测方法。
技术介绍
微动开关是一种由物理力驱动的开关机构，可以在电子电路中提供可靠的开关动作。随着现代轨道客车系统规模和复杂性的增加，微动开关因其低成本和耐用性而不可或缺。由于轨道客车微动开关的失效可能会导致元件更换过程中长时间的停机，甚至会导致机车失控，给乘客带来灾难性后果，因此研究轨道客车微动开关的可靠性评估问题具有十分重要的意义。通常提升微动开关可靠性的方式为改其结构或者材料，然而随着科学技术的飞速发展，微动开关这一类基础性元器件呈现高可靠性、长寿命的发展趋势，这使得进一步改进微动开关的性能越来越困难。而且，微动开关是轨道客车中使用频率最高的元件，导致微动开关失效率高的主要原因不在于自身的性能，而是使用频率。随着科技的发展，研究发现通过在线监测微动开关的退化过程，实时预测其剩余寿命，以此做出及时的、合理的替换决策，可以有效地节约成本，保证系统的安全运行，从而提高轨道客车的可靠性。现阶段，剩余寿命预测的所用的方法主要有贝叶斯算法、EM算法、卡尔曼滤波算法等。然而，微动开关因其特有的复杂的物理化学退化过程，使得退化趋势具有不稳定性，到目前为止，对于不稳定退化的剩余寿命估计问题还没有得到充分的考虑，很少有研究人员对其进行过研究。现有的寿命预测方法具有有限的模型参数更新能力，当退化过程与既定模型不一致时，或退化数据发生突变时，将无法得到准确的估计结果。为了解决微动开关的退化过程不稳定的问题，本专利技术在现有论文“Degradationdata-drivenremainingusefullifeestimationapproachundercollaborationbetweenBayesianupdatingandEMalgorithm”剩余寿命预测方法的基础上进一步考虑残差的数据融合，使得新方法具有更强的自适应更新能力，使得预测结果更准确。鉴于此，提出一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法尤为重要。
技术实现思路
本专利技术一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，提供了一种提高微动开关寿命预测准确性的方法，充分地利用实验退化数据，基于强跟踪理论，将残差数据进行融合，即保证了残差的正交性，使算法能够自适应地调整模型参数，从而提高了预测结果的准确性。能够在指定失效阈值的前提下，预测出剩余寿命分布函数。本专利技术的技术方案是：一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，其由五个步骤组成。其中，步骤一、建立带有随机参数的微动开关剩余寿命模型；步骤二、采用贝叶斯后验估计算法实时更新随机参数；步骤三、采用EM算法同时更新模型初始参数以及系统误差；步骤四、采用强跟踪滤波算法融合预测残差，当预测结果出现明显偏差时及时修正模型中的随机参数；步骤五、根据更新后的参数实时预测微动开关剩余使用寿命。本专利技术与现有技术相比，具有以下优点和积极效果：1.适用性高，当实时监测数据与模型参数不匹配时，更及时调整模型参数，保证预测的精度，同时，针对退化过程的不确定性，特别是在微动开关退化后期的突然失效，本专利技术会表现出更好的预测性能；2.对于初始参数设置的鲁棒性强，即使参数设置的不准确，仍然可以较为准确的预测剩余使用寿命；3.引入的强跟踪滤波是一种非常适合于计算机操作的算法，改进后的方法计算速度快，同时本专利技术不依赖于同类型的历史数据，利于实际工程应用。附图说明图1为一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法的流程图；图2为设置合理的初始参数情况下本专利技术的寿命预测结果；图3为初始参数设置为0时的寿命预测结果；图4为初始参数设置非正常时的寿命预测结果；图5为选取三个典型时刻(退化的初始阶段，退化的中期，故障时刻)的剩余使用寿命概率密度函数的预测结果。具体实施方式下面将结合附图和实施例对本专利技术作进一步的详细说明。本专利技术一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，是一种基于强跟踪滤波技术融合预测残差的方法，其具有更高的适用性及鲁棒性。本实施例的数据采集是基于微动开关寿命试验台得出的，并以一组微动开关寿命退化数据作为范例验证本专利技术的有效性。以下实施例是按照附图1所示的流程图实施的，它包括以下五个步骤：步骤一、建立带有随机参数的微动开关剩余寿命模型。对轨道客车微动开关寿命试验数据进行预处理，将采集到的微动开关动态接触电压降作为退化特征量，每600组动态接触电压降取平均值作为这段时间内的一个样本点，退化监测数据被描述为X0:k＝{x0,x1,x2,...,xk}，其中xk是tk时刻的退化值；根据微动开关一般的退化趋势，并结合累积损伤退化过程的通用模型，确定模型形式为带有随机参数的指数模型：式中为初始退化常数，θ和β为随机参数并服从高斯分布且相互独立，ε(tk)是随机误差项，服从ε(tk)～N(0,σ2)，σ是扩散参数；模型的随机误差项为ε(tk)-(-1)eσ2/2，且服从[ε(tk)-(-1)eσ2/2]～N(-(-1)eσ2/2,σ2)，其中(-1)e是符号调整项用来确定随机误差项中σ2的符号；为了简化程序，这种指数模型通常作对数变换处理，定义在tk时刻模型等号两端取对数后的对应退化量为Sk：Sk＝ln(xk-φ)＝lnθ-(-1)eσ2/2+βtk+ε(tk)＝θ′+βtk+ε(tk)(2)式中通过数据的整体平移变换可将设置为0，其中μθ′＝μ0-σ2/2，进一步，可得预测值为注意到，式(1)中增加了符号调整项(-1)e，用来确定随机误差项ε(tk)-(-1)eσ2/2中σ2的符号，其计算方法为：式中，μθ′,k，μβ,k是tk时刻μθ′,μ1的更新值；在现有的寿命预测建模方法中均不包含符号调整项，当系统误差σ2通过监测数据更新时，由于它是平方值，结果必然为σ2＞0，σ2表示剩余误差补偿，即当实际监测到的退化数据出现波动时，其值的大小会适当增加，但是σ2始终为正号，这会影响预测路径的准确性，使得现有方法的预测路径会在实际路径峰值处反而下降。附图2到附图4为设置不同的初始参数时本专利技术寿命预测的结果，由于考虑了符号调整项，可从图中看出预测轨迹并未出现在实际路径局部峰值处反而下降的情况，这证明了本专利技术考虑符号调整项的正确性。步骤二、采用贝叶斯后验估计算法实时更新随机参数。监测数据取对数后表示为S1:k＝{S1,S1,…,Sk}，决定寿命预测准确性的关键参数是θ′和β，当获得tk时刻的监测数据后采用贝叶斯后验估计方法去更新θ′和β；可得采样数据的联合概率分布，即多变量高斯分布p(S1:k|θ′,β)，对于θ′和β关于S1:k的联合后验估计可以写为p(θ′,β|S1:k)∝p(S1:k|θ′,β)p(θ′,β)，θ′和β的参数μθ′,k,μβ,k,都可以用一些代数运算表示出来，其更新过程按下述式进行：其中，参数μθ′,k,μβ,k是获取监测数据S1:k之后θ′,β后验估计的平均值，是θ′,β后验估计的方差，ρk是对应的相关系数。步骤三、采用EM算法同时更新模型初始参数以及系统误差。EM算法是极大似然估计方法的延伸形式，采用EM算法的原因在于未知参数中存在隐含变量和本文档来自技高网...

【技术保护点】
1.一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，其特征是：它由以下步骤实现：步骤一、建立带有随机参数的微动开关剩余寿命模型；对轨道客车微动开关寿命试验数据进行预处理，将采集到的微动开关动态接触电压降作为退化特征量，每600组动态接触电压降取平均值作为这段时间内的一个样本点，退化监测数据被描述为X0:k＝{x0,x1,x2,…,xk}，其中xk是tk时刻的退化值；根据微动开关一般的退化趋势，并结合累积损伤退化过程的通用模型，确定模型形式为带有随机参数的指数模型

【技术特征摘要】
1.一种基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法，其特征是：它由以下步骤实现：步骤一、建立带有随机参数的微动开关剩余寿命模型；对轨道客车微动开关寿命试验数据进行预处理，将采集到的微动开关动态接触电压降作为退化特征量，每600组动态接触电压降取平均值作为这段时间内的一个样本点，退化监测数据被描述为X0:k＝{x0,x1,x2,…,xk}，其中xk是tk时刻的退化值；根据微动开关一般的退化趋势，并结合累积损伤退化过程的通用模型，确定模型形式为带有随机参数的指数模型其中为初始退化常数，θ和β为随机参数并服从高斯分布且相互独立，ε(tk)是随机误差项，服从ε(tk)～N(0,σ2)，σ是扩散参数；模型的随机误差项为ε(tk)-(-1)eσ2/2，且服从[ε(tk)-(-1)eσ2/2]～N(-(-1)eσ2/2,σ2)，其中(-1)e是符号调整项用来确定随机误差项中σ2的符号；为了简化程序，这种指数模型通常作对数变换处理，定义在tk时刻模型等号两端取对数后的对应退化量为Sk：Sk＝ln(xk-φ)＝lnθ-(-1)eσ2/2+βtk+ε(tk)＝θ′+βtk+ε(tk)，其中通过数据的整体平移变换可将设置为0，其中μθ′＝μ0-σ2/2，进一步，可得预测值为步骤二、采用贝叶斯后验估计算法实时更新随机参数；监测数据取对数后表示为S1:k＝{S1,S1,…,Sk}，决定寿命预测准确性的关键参数是θ′和β，当获得tk时刻的监测数据后采用贝叶斯后验估计方法去更新θ′和β；可得采样数据的联合概率分布，即多变量高斯分布p(S1:k|θ′,β)，对于θ′和β关于S1:k的联合后验估计可以写为p(θ′,β|S1:k)∝p(S1:k|θ′,β)p(θ′,β)，θ′和β的参数μθ′,k,μβ,k,都可以用一些代数运算表示出来，其更新过程按下述式进行：其中，参数μθ′,k,μβ,k是获取监测数据S1:k之后θ′,β后验估计的平均值，是θ′,β后验估计的方差，ρk是对应的相关系数；步骤三、采用EM算法同时更新模型初始参数以及系统误差；EM算法是极大似然估计方法的延伸形式，采用EM算法的原因在于未知参数中存在隐含变量和隐含变量不能被极大似然估计方法直接计算出来；为了反映Θ随时间推移的更新特性，采用EM算法通过监测数据S1:k对Θ进行估计，并将其更新结果表示为其更新过程按下述式进行：EM算法主要更新的是参数σ2，其他的四个参数μ′0,μ1同样也被更新，在下一步中，它们的值由贝叶斯更新后的值代替；步骤四、采用强跟踪滤波算法融合预测残差，当预测结果出现明显偏差时及时修正模型中的随机参数；由轨道客车微动开关寿命试验得出微动开关实际退化曲线在退化后期存在明显的波动，为了防止预测曲线偏离实际的退化轨迹，基于强跟踪滤波的理论，融合残差数据，使其能够自适应地调整...

【专利技术属性】
技术研发人员：张邦成，邵昱博，何潇，步倩影，隋元昆，徐燃，张敖翔，张阳，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林,22