一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116011214A(43)申请公布日2023.04.25(21)申请号202211717067.8(22)申请日2022.12.29(71)申请人重庆大学地址400044重庆市沙坪坝区沙正街174号(72)发明人刘切王浩柴毅李俊豪(74)专利代理机构重庆市嘉允启行专利代理事务所(普通合伙)50243专利代理师胡柯(51)Int.Cl.G06F30/20(2020.01)G06F17/18(2006.01)G06F17/17(2006.01)G06N5/046(2023.01)G06N7/01(2023.01)G06F119/04(2020.01)权利要求书5页说明书12页附图3页(54)发明名称一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法(57)摘要本申请提供一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，步骤为：采集数据库中复杂装备的健康状态监测变量与装备退化指标数据；将健康状态监测变量作为输入，装备退化指标作为输出，构建存在噪声数据的剩余使用寿命预测线性回归模型；采用变分贝叶斯方法对回归模型进行参数估计，输出模型的权重系数，并对回归模型的权重系数进行稀疏化处理，去除占比小的权重系数及其状态监测变量，得到不同工况下的线性回归模型；采集待预测装备的健康状态监测变量，根据不同工况下的线性回归模型进行剩余使用寿命预测。本发明考虑测量噪声与参数不确定的影响，采用稀疏变分贝叶斯方法选取了更少的健康状态监测变量，实现了更准确的剩余使用寿命预测。CN116011214ACN116011214A权利要求书1/5页1.一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，具体步骤如下：1)数据采集：采集数据库中复杂装备的健康状态监测变量与装备退化指标数据；2)构建模型：将步骤1)中得到的数据集中健康状态监测变量作为输入变量，装备退化指标作为输出变量，构建存在噪声数据的剩余使用寿命预测线性回归模型；3)模型训练：采用变分贝叶斯的方法对回归模型进行参数估计，输出模型的权重系数，并对回归模型中的权重系数进行稀疏化处理，去除占比小的权重系数及其状态监测变量，得到不同工况下的线性回归模型；4)剩余使用寿命预测：采集待预测装备的状态监测变量，根据步骤3)中不同工况下的线性回归模型进行剩余使用寿命预测。2.如权利要求1所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤2)中构建模型的具体方法为：Y＝UΘ+ω(1)T式(1)中，Y＝[y1,y2,...,yN]为装备N个不同周期内的健康状态序列，U＝[U1,U2,...,TTUM]为M个监测变量序列构成的矩阵，对于每一个Ui(1≤i≤M)，有Ui＝[ui,1,ui,2,...,ui,N]，TT参数向量Θ＝[θ1,θ2,...,θM]，测量噪声向量ω＝[ω1,ω2,...,ωN]。3.如权利要求1所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3)中模型训练的具体步骤为：3‑1)设置K‑1时刻为初始时刻，初始化模型各参数的分布；3‑2)构建参数估计的目标函数，根据K‑1时刻各参数的先验分布，利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计；3‑3)根据变分贝叶斯推理方法的VB最大化步骤选择出使第K时刻目标函数最优的解并作用于K+1时刻；令时刻K＝K+1，返回步骤3‑2)，重复步骤3‑2)‑步骤3‑3)，直至目标函数的下界函数收敛，输出模型系数与似然函数值；3‑4)去除步骤3‑3)中得到的占比较小的模型系数及其对应的健康状态监测变量，返回步骤3‑1)，重复步骤3‑1)‑步骤3‑4)，直至ARD变量出现最大，输出模型最优参数，得到优化后的线性回归模型。4.如权利要求3所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3‑1)中初始化模型各参数分布的具体步骤为：3‑1‑1)设参数向量Θ服从高斯‑伽马分布：‑1式(2)中，α为高斯分布的方差，a0,b0分别为伽马分布的超参数；3‑1‑2)设测量噪声向量ω服从高斯分布：式(3)中，τ‑1为高斯分布的方差，且服从伽马分布，即：式(4)中，c0,d0分别为伽马分布的超参数；2CN116011214A权利要求书2/5页3‑1‑3)设参数之间相互独立，其联合先验分布可表示为：T式(5)中，α＝[α1,α2,...,αM]。5.如权利要求3所述的一种基于稀疏变分贝叶斯的复杂装备剩余寿命预测方法，其特征在于，步骤3‑2)中利用变分贝叶斯方法对K时刻目标函数中各参数的后验分布进行近似估计的具体步骤为：3‑2‑1)构建参数估计的目标函数，根据变分贝叶斯的相关思想，对目标函数进行数学变化；3‑2‑2)结合K‑1时刻各参数的先验分