一种基于寿命多层次递进预测的复杂产品全流程设计方法技术

本发明专利技术公开了一种基于寿命多层次递进预测的复杂产品全流程设计方法。首先采集现场的设备样本数据，并用平均秩次法处理设备样本数据；结合灰色关联度法对不同分布模型进行匹配识别，进而确定针对设备样本数据最优的全流程寿命分布模型；根据最优分布的全流程寿命分布模型处理获得模型参数，再通过解析法结合建立目标函数进行线性回归法参数估计，获得模型参数的估计值，并利用模型参数的估计值准确预测获得设备样本数据的寿命结果。本发明专利技术提出的多层次递进法选出的全流程寿命分布模型与工业汽轮机全流程寿命分布的实际状况匹配度佳，能较好地解决工业汽轮机全流程寿命分布模型匹配过程中存在的不确定性的问题，提高了模型匹配的准确性。配的准确性。配的准确性。

【技术实现步骤摘要】
一种基于寿命多层次递进预测的复杂产品全流程设计方法


[0001]本专利技术属于复杂产品多学科领域的一种设备寿命产品处理方法，具体涉及一种基于寿命多层次递进预测的复杂产品全流程设计方法。

技术介绍

[0002]剩余全流程寿命是指当前条件下从当前时刻到设备失效的时间间隔，是可靠性的重要指标。如果能够计算出设备的剩余全流程寿命，就可以知道设备即将发生故障的时间，并提前组织技术人员开展预防性维修工作，将设备故障扼杀在摇篮中，最大程度减少设备故障带来的损失。因此，建立设备的全流程寿命分布模型是对设备进行预防性维修决策研究的基础。而如何为设备匹配出最佳的全流程寿命分布模型则是建立全流程寿命分布模型的关键。
[0003]现有大多数设备结构复杂，含有众多子系统，不同的子系统又由大量零部件组成。因此在构建设备全流程寿命分布模型时，如何为每个设备选择符合自身特性的分布模型，一直是一个难题。传统设备全流程寿命分布模型匹配的方法往往根据设备自身特点，笼统地假定其符合某种类型的分布模型，然后再进行参数估计和模型检验。通常情况下，这种方法是可行的，能够得到较为符合设备老化规律的全流程寿命分布模型。但如果对设备自身特点不熟悉，又没有大量的历史数据作为初步选择的依据，这就给设备模型的建立带来困难，增加了全流程寿命分布模型选择的不确定性，并可能因为建立的模型与实际相差较大而增加接下来维修工作的困难。

技术实现思路

[0004]为了解决
技术介绍
中的问题，本专利技术提出了一种基于寿命多层次递进预测的复杂产品全流程设计方法，也相当于一种基于多层次递进的设备全流程寿命预测方法。本专利技术通过对全流程寿命分布模型匹配建模方法的研究，可以建立减少模型选择的不确定性，为设备匹配出最佳的预防性维修模型奠定基础。
[0005]本专利技术技术方案包括：
[0006]步骤1：首先采集现场的设备样本数据，并用平均秩次法处理设备样本数据；现场是指工作状态下。
[0007]步骤2：结合灰色关联度法对不同分布模型进行匹配识别，进而确定针对设备样本数据最优的全流程寿命分布模型；
[0008]步骤3：根据最优分布的全流程寿命分布模型处理获得模型参数，再通过解析法结合建立目标函数进行线性回归法参数估计，获得模型参数的估计值，并利用模型参数的估计值准确预测获得设备样本数据的寿命结果。
[0009]本专利技术将已知设备样本数据代入到模型中，用于设备的寿命预测。具体可以用于预测汽轮机部件全流程寿命分布。
[0010]所述步骤1中，采集设备样本数据划分三类：定时截尾数据、定时截尾故障数据和
不规则截尾数据；
[0011]对于定时截尾数据和定时截尾故障数据，试验设备故障的时间有秩次，直接对故障数据做进一步处理；
[0012]对于非规则截尾的故障数据，采用平均秩次法来确定秩次。
[0013]所述的秩次是指时间顺序。
[0014]对一批非规则截尾故障数据进行分析，其中有N个设备故障测试数据，但由于种种原因有N
‑
m个故障数据丢失，剩下m个故障数据d1，d2，...，d
m
，其中 m＜N；将得到的m个故障数据按照从小到大的顺序重新排列，表示为数列： d
(1)
，d
(2)
，...，d
(m)
，并且有d
(1)
≤d
(2)
≤...≤d
(m)
。
[0015]所述步骤1中，针对设备样本数据，针对对于非规则截尾的故障设备样本数据，采用以下方式进行处理：
[0016]将设备样本数据的秩次B
k
代入以下公式的设备经验分布函数获得经验分布值F(d
k
)：
[0017][0018]式中，B
k
为设备样本数据的秩次，k表示设备样本数据的序号，N表示设备故障测试数据数量；F(d
k
)表示故障数据d
k
的经验分布值；
[0019]从而得到分布函数下的所有设备故障数据：
[0020](d
(1)
，F(d
(1)
))，(d
(2)
，F(d
(2)
))，...，(d
(m)
，F(d
(m)
))。
[0021]所述步骤2具体如下：
[0022]2.1、构建全流程寿命样本数据的参考数列和多个待评价数列；
[0023]X0＝(X0(1)，X0(2)，...，X0(n)}
[0024]X
i
＝{X
i
(1)，X
i
(2)，...，X
i
(n)}
[0025]其中，X0为参考数列，X
i
为第i个待评价数列；参考序列和待评价数列均由n个元素组成，i＝1，2，...，n。
[0026]多个待评价数列具有不同的分布，将各个设备故障数据输入到不同分布后获得的故障概率作为待评价数列中的元素，构成了全流程寿命分布模型的待评价数列；
[0027]2.2、计算设备故障数据在待评价数列X
i
中的第k个元素与参考数列X0之间的关联系数η
i
(k)：
[0028][0029]式中，i表示待评价数列的序号，k表示待评价数列中的元素序数，μ表示分辨率系数，μ＝0.5，m＝3，
[0030]2.3、再利用每个元素的关联系数η
i
(k)采用以下公式计算待评价数列X
i
对参考数列X0的关联度v
i
(X0，X
i
)；
[0031][0032]其中，n表示元素总数；
[0033]2.4、根据求得所有待评价数列与参考数列的关联度，并按照大小对各个关联度进行排序，选取最大关联度的待评价数列对应的分布作为最优分布，以最优分布针对设备样本数据构建全流程寿命分布模型作为最优的全流程寿命分布模型。
[0034]具体实施中，所述的待评价数列共计有三个，i＝1，2，3，分别为指数分布、对数正态分布和威布尔分布，指数分布、对数正态分布和威布尔分布对应的待评价数列分别表示为X1，X2，X3。
[0035]指数分布、对数正态分布和威布尔分布的待评价数列X
i
与参考数列X0之间的关联系数表示为η1(k)，η2(k)，η2(k)；指数分布、对数正态分布和威布尔分布，分别得到三个关联度ν1(X0，X1)，ν2(X0，X2)，ν3(X0，X3)。
[0036]所述的最优分布为威布尔分布。
[0037]所述步骤3具体为：
[0038]3.1、建立最优分布的全流程寿命分布模型，为两参数威布尔分布的设备全流程寿命分布模型，设备全流程寿命分布中采用两参数威布尔分布：
[0039][0040]其中，e表示自然常数，t表示时间，ρ表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
的关联度ν
i
(X0，X
i
)；其中，n表示元素总数；2.4、根据求得所有待评价数列与参考数列的关联度，并按照大小对各个关联度进行排序，选取最大关联度的待评价数列对应的分布作为最优分布，以最优分布针对设备样本数据构建全流程寿命分布模型作为最优的全流程寿命分布模型。5.根据权利要求4所述的一种基于寿命多层次递进预测的复杂产品全流程设计方法，其特征在于：所述的最优分布为威布尔分布。6.根据权利要求1所述的一种基于寿命多层次递进预测的复杂产品全流程设计方法，其特征在于：所述步骤3具体为：3.1、建立最优分布的全流程寿命分布模型，为两参数威布尔分布的设备全流程寿命分布模型：其中，e表示自然常数，t表示时间，ρ表示设备故障数据的均值，σ表示设备故障数据的标准差，F(t)表示时刻t下的两参数威布尔分布函数值；将两参数威布尔分布变换到平面直角坐标系x
‑
y下获得分布直线：Y＝σX
‑
ZX＝ln(t)Z＝σln(ρ)其中，Y表示寿命参数，X表示时间对数...

【专利技术属性】
技术研发人员：伊国栋，伊骊帆，孙效益，
申请(专利权)人：浙江大学，
类型：发明
国别省市：