退化速率跟蹤粒子濾波在剩余使用壽命預(yù)測(cè)中的應(yīng)用*

范 彬，胡 雷，胡蔦慶

(國(guó)防科技大學(xué)裝備綜合保障技術(shù)重點(diǎn)實(shí)驗(yàn)室，湖南長(zhǎng)沙410073)

科學(xué)技術(shù)的加速發(fā)展使得現(xiàn)代復(fù)雜工程系統(tǒng)的結(jié)構(gòu)越來(lái)越復(fù)雜，同時(shí)也使得保障其長(zhǎng)期安全運(yùn)行的難度越來(lái)越高，一旦發(fā)生事故都將造成巨大的損失和危害。為避免事故發(fā)生，就需要對(duì)設(shè)備剩余使用壽命進(jìn)行預(yù)測(cè)，從而針對(duì)性地制定維護(hù)方案，提高系統(tǒng)的可靠性和安全性，降低維修成本。因此，在許多重要的領(lǐng)域，對(duì)設(shè)備的故障和剩余使用壽命進(jìn)行預(yù)測(cè)已經(jīng)受到越來(lái)越高的重視［1］。

近年來(lái)，國(guó)內(nèi)外學(xué)者開(kāi)發(fā)了很多可用于設(shè)備剩余使用壽命預(yù)測(cè)的方法［2－10］，如神經(jīng)網(wǎng)絡(luò)［5］、自回歸滑動(dòng)平均(Auto-Regressive and Moving Average，ARMA)時(shí)間序列模型［6］、隱半馬爾可夫模型［7］、相關(guān)向量機(jī)［8］等基于數(shù)據(jù)驅(qū)動(dòng)的方法，以及直接對(duì)具體零部件解析建?；蚍抡孢M(jìn)行預(yù)測(cè)的基于物理模型方法［9，10］等。

其中，粒子濾波方法是一種基于數(shù)據(jù)與模型混合的預(yù)測(cè)方法，相比于傳統(tǒng)的數(shù)據(jù)驅(qū)動(dòng)預(yù)測(cè)方法，其預(yù)測(cè)結(jié)果中的不確定性信息對(duì)于決策者十分重要。粒子濾波基于大數(shù)定理，利用大量的“粒子”樣本來(lái)近似狀態(tài)變量的真實(shí)后驗(yàn)概率密度函數(shù)。盡管算法中的概率分布只是真實(shí)分布的一種近似，但因其非參數(shù)化的特點(diǎn)，得以擺脫解決非線(xiàn)性濾波問(wèn)題時(shí)隨機(jī)量必須滿(mǎn)足高斯分布的制約，能表達(dá)比高斯模型更廣泛的分布，也對(duì)變量參數(shù)的非線(xiàn)性特性有更強(qiáng)的建模能力。粒子濾波已在目標(biāo)跟蹤、航空航天、機(jī)器人定位、故障檢測(cè)等領(lǐng)域得到成功應(yīng)用，近年來(lái)也開(kāi)始被學(xué)者應(yīng)用于故障與壽命預(yù)測(cè)［11－13］。

盡管如此，粒子濾波目前仍不夠成熟，除了算法本身的重要性函數(shù)選擇、粒子退化和樣本枯竭等問(wèn)題［14］，在其應(yīng)用于壽命預(yù)測(cè)時(shí)，還存在預(yù)測(cè)性能過(guò)度依賴(lài)于預(yù)測(cè)模型、對(duì)模型參數(shù)的初始分布過(guò)于敏感等問(wèn)題［14，15］。因?yàn)閷?duì)于不同的目標(biāo)系統(tǒng)，選擇的退化特征不同，需要針對(duì)性地選擇合適的預(yù)測(cè)模型。而預(yù)測(cè)模型的復(fù)雜程度和準(zhǔn)確程度大致成正比關(guān)系，使粒子濾波方法在剩余使用壽命預(yù)測(cè)上的應(yīng)用及數(shù)據(jù)觀(guān)測(cè)受到了明顯的限制。除此之外，觀(guān)測(cè)數(shù)據(jù)通常還受外界噪聲等眾多因素影響，增加了建模難度。

為解決緩變型的退化失效預(yù)測(cè)問(wèn)題，提出一種基于退化速率跟蹤粒子濾波(Degradation Rate Tracking-based Particle Filter，DRT-PF)的剩余使用壽命預(yù)測(cè)框架，該預(yù)測(cè)框架采用的預(yù)測(cè)模型只與預(yù)測(cè)特征的退化速率相關(guān)。由歷史數(shù)據(jù)預(yù)測(cè)特征計(jì)算得到的退化速率信息，既可以用于模型的迭代更新，同時(shí)也可以輔助外推預(yù)測(cè)。由于預(yù)測(cè)模型不需要根據(jù)具體系統(tǒng)和特征進(jìn)行調(diào)整，因此該框架對(duì)所有緩變型退化系統(tǒng)的預(yù)測(cè)都適用。

1 基本的粒子濾波預(yù)測(cè)方法

粒子濾波是一種基于序貫蒙特卡洛方法的非線(xiàn)性濾波方法，其基本思想是:首先依據(jù)系統(tǒng)狀態(tài)變量的經(jīng)驗(yàn)條件分布，在狀態(tài)空間產(chǎn)生一組隨機(jī)“粒子”，然后根據(jù)測(cè)量值不斷調(diào)整粒子的權(quán)重和位置，通過(guò)調(diào)整后的粒子信息修正最初的經(jīng)驗(yàn)條件分布。其實(shí)質(zhì)是用粒子及其權(quán)重組成的離散隨機(jī)測(cè)度近似相關(guān)的概率分布，并且根據(jù)算法遞推更新離散隨機(jī)測(cè)度。當(dāng)樣本容量很大時(shí)，這種蒙特卡洛描述就近似于狀態(tài)變量真實(shí)的后驗(yàn)概率密度函數(shù)。

1.1 最優(yōu)貝葉斯濾波

假設(shè)動(dòng)態(tài)系統(tǒng)可以由數(shù)學(xué)模型描述，系統(tǒng)狀態(tài)方程和測(cè)量方程分別為

式中，xk為k時(shí)刻的狀態(tài)值，yk為觀(guān)測(cè)值，f(·)為系統(tǒng)狀態(tài)xk－1的非線(xiàn)性函數(shù)，{nk－1，k∈N}是平穩(wěn)噪聲序列，h(·)為系統(tǒng)狀態(tài)xk的非線(xiàn)性函數(shù)，{ωk，k∈N}是平穩(wěn)噪聲序列。

貝葉斯估計(jì)的遞推過(guò)程分為預(yù)測(cè)和更新兩步。

第一步，預(yù)測(cè)。假設(shè)在k－1時(shí)刻，狀態(tài)的后驗(yàn)概率分布是已知的，則對(duì)于一階馬爾科夫過(guò)程，由根據(jù)系統(tǒng)的狀態(tài)轉(zhuǎn)移概率，推導(dǎo)出狀態(tài)的先驗(yàn)概率

第二步，更新。即:

1.2 基本粒子濾波預(yù)測(cè)方法的實(shí)現(xiàn)

利用粒子濾波對(duì)某系統(tǒng)狀態(tài)進(jìn)行預(yù)測(cè)，所采用的策略是首先指定預(yù)測(cè)模型，然后根據(jù)已有的觀(guān)測(cè)值對(duì)模型參數(shù)進(jìn)行粒子濾波，通過(guò)迭代更新，使參數(shù)盡可能逼近實(shí)際值，最后將得到的模型參數(shù)估計(jì)值代入預(yù)測(cè)模型進(jìn)行外推，實(shí)現(xiàn)對(duì)系統(tǒng)狀態(tài)的預(yù)測(cè)。具體的實(shí)現(xiàn)步驟如下:

1)提取退化特征時(shí)間序列。根據(jù)歷史觀(guān)測(cè)數(shù)據(jù)，提取適用于預(yù)測(cè)的退化特征x。

2)獲取先驗(yàn)?zāi)Ｐ椭R(shí)。通過(guò)對(duì)歷史數(shù)據(jù)退化特征的回歸擬合或根據(jù)經(jīng)驗(yàn)確定預(yù)測(cè)模型以及模型參數(shù)的初始分布。

3)粒子樣本初始化。由先驗(yàn)概率p(x0)隨機(jī)產(chǎn)生粒子群，令初始粒子權(quán)值

4)采樣。相當(dāng)于預(yù)測(cè)過(guò)程，即用狀態(tài)方程f預(yù)測(cè)k+1時(shí)刻的狀態(tài)

5)粒子狀態(tài)更新。根據(jù)當(dāng)前時(shí)刻的觀(guān)測(cè)值，計(jì)算粒子樣本與觀(guān)測(cè)值的似然概率密度函數(shù)，以此更新粒子權(quán)值并對(duì)其進(jìn)行歸一化:

可得k時(shí)刻狀態(tài)x的最小均方估計(jì)為

6)重采樣。根據(jù)粒子權(quán)值大小進(jìn)行重采樣，得到新的粒子樣本集

7)判斷是否有新的觀(guān)測(cè)值。在k+1時(shí)刻，如果有新的觀(guān)測(cè)值，則轉(zhuǎn)到第4步;否則，繼續(xù)第8步。

8)將迭代更新完成的模型帶入狀態(tài)方程，對(duì)狀態(tài)x進(jìn)行外推預(yù)測(cè)。

9)預(yù)測(cè)結(jié)果統(tǒng)計(jì)。根據(jù)預(yù)測(cè)模型和更新得到的模型參數(shù)估計(jì)值，對(duì)所有粒子進(jìn)行外推預(yù)測(cè)，至指定時(shí)刻或達(dá)到指定閾值。對(duì)N個(gè)粒子在指定時(shí)刻對(duì)應(yīng)的預(yù)測(cè)值xi或達(dá)到指定閾值的時(shí)間進(jìn)行統(tǒng)計(jì)，得到x在指定時(shí)刻的概率密度分布或x達(dá)到閾值時(shí)間的概率密度分布。

1.3 存在的問(wèn)題

盡管基本的粒子濾波預(yù)測(cè)方法已經(jīng)在某些領(lǐng)域得到了應(yīng)用，但在其實(shí)現(xiàn)過(guò)程中，還存在一些不足之處:

1)退化特征的“質(zhì)量”直接影響預(yù)測(cè)結(jié)果的準(zhǔn)確程度。所謂的“質(zhì)量”，指的是用于預(yù)測(cè)的退化特征反映目標(biāo)系統(tǒng)退化趨勢(shì)的能力。多數(shù)情況下，通過(guò)直接測(cè)量或初步提取得到的退化特征會(huì)受噪聲等多種因素影響，只能反映系統(tǒng)的大致退化趨勢(shì)。而將這樣的退化特征用于粒子濾波預(yù)測(cè)，其觀(guān)測(cè)噪聲對(duì)模型的迭代更新會(huì)產(chǎn)生較大影響，使模型參數(shù)容易產(chǎn)生發(fā)散。

2)預(yù)測(cè)模型不易選擇。在基本的粒子濾波預(yù)測(cè)方法中，預(yù)測(cè)模型的選擇是必不可少的一個(gè)步驟，而且預(yù)測(cè)結(jié)果的準(zhǔn)確程度很大程度取決于預(yù)測(cè)模型的準(zhǔn)確與否。預(yù)測(cè)模型的細(xì)微改變，就可能導(dǎo)致預(yù)測(cè)結(jié)果的明顯差異［15］，這嚴(yán)重影響了預(yù)測(cè)方法的整體穩(wěn)定性。

3)預(yù)測(cè)模型參數(shù)較多，多維狀態(tài)變量的粒子濾波難度加大。預(yù)測(cè)模型的選擇，通常是根據(jù)對(duì)歷史數(shù)據(jù)的擬合誤差大小來(lái)判斷的。簡(jiǎn)單的預(yù)測(cè)模型常常不能很準(zhǔn)確地刻畫(huà)歷史數(shù)據(jù)的退化趨勢(shì)，而準(zhǔn)確的預(yù)測(cè)模型又比較復(fù)雜，模型參數(shù)多，會(huì)加大方法的實(shí)現(xiàn)難度，同時(shí)還會(huì)使算法的運(yùn)算量成倍增長(zhǎng)。

4)預(yù)測(cè)結(jié)果對(duì)模型參數(shù)的初始分布設(shè)置過(guò)于敏感。由于通常的預(yù)測(cè)模型參數(shù)在迭代更新階段是沒(méi)有實(shí)際觀(guān)測(cè)值的，因此這些參數(shù)的初始分布設(shè)置直接決定了參數(shù)是否能夠收斂及其收斂速度。盡管在文獻(xiàn)［14］中，利用Dempster-Shafer理論成功給出了合適的模型參數(shù)初始分布，但實(shí)際上這種方法并不能保證始終得到合適的結(jié)果。

2 基于DRT－PF的預(yù)測(cè)框架

模型的選擇及其參數(shù)的設(shè)置在傳統(tǒng)的粒子濾波預(yù)測(cè)方法中占據(jù)了過(guò)于重要的地位，不僅占用了大量計(jì)算時(shí)間，而且在辨識(shí)過(guò)程中存在的較大不確定性也會(huì)影響預(yù)測(cè)結(jié)果的準(zhǔn)確性。為了解決這個(gè)問(wèn)題，從預(yù)測(cè)模型的角度，提出了一種DRT-PF預(yù)測(cè)方法。該方法為了提高預(yù)測(cè)方法的通用性，采用了一種根據(jù)退化速率來(lái)迭代更新退化狀態(tài)的通用模型。對(duì)于不同的目標(biāo)系統(tǒng)，其差異性體現(xiàn)為退化速率序列的不同，而預(yù)測(cè)模型是一致的。

2.1 通用預(yù)測(cè)模型

采用通用的預(yù)測(cè)模型式(6)代替之前需要進(jìn)行實(shí)現(xiàn)辨識(shí)的預(yù)測(cè)模型，簡(jiǎn)化預(yù)測(cè)流程。

式中:yk為觀(guān)測(cè)值，對(duì)應(yīng)于原始的退化特征;xk為狀態(tài)值，對(duì)應(yīng)于預(yù)處理后的退化特征;ak為退化狀態(tài)的退化速率，即后一時(shí)刻狀態(tài)與前一時(shí)刻狀態(tài)的比值xk+1/xk，也是狀態(tài)方程中唯一的模型參數(shù);ωk為觀(guān)測(cè)誤差。通用的預(yù)測(cè)模型將使粒子狀態(tài)更加簡(jiǎn)單，只包括狀態(tài)x和退化速率a，大大降低了計(jì)算量。另外，退化速率a在迭代更新階段可以計(jì)算得到實(shí)測(cè)值，所以也能夠?qū)進(jìn)行重采樣，因此能夠明顯降低模型參數(shù)的初始分布設(shè)置對(duì)于預(yù)測(cè)結(jié)果的影響。

2.2 原始特征的預(yù)處理

在實(shí)際預(yù)測(cè)中，通常只關(guān)心退化特征反映的系統(tǒng)退化趨勢(shì)，而并不關(guān)心退化特征所包含的其他細(xì)節(jié)信息。而由于噪聲等外界因素的影響，對(duì)于原始退化特征，退化速率的取值范圍難以確定。所以要盡可能地去除噪聲等外界因素的影響，這樣得到的特征才能更直觀(guān)地反映目標(biāo)系統(tǒng)的退化趨勢(shì)，同時(shí)有利于確定退化速率取值范圍。另外，設(shè)備的退化過(guò)程是單調(diào)不可逆的。因此對(duì)初步提取的退化特征依次進(jìn)行平滑和單調(diào)化的預(yù)處理，能夠更適用于粒子濾波預(yù)測(cè)。圖1為預(yù)處理前后的退化特征。

圖1 預(yù)處理前后的退化特征對(duì)比示意圖Fig.1 Comparison between raw degradation features and the pretreated features

2.3 歷史數(shù)據(jù)的先驗(yàn)信息獲取

在以上預(yù)測(cè)模型的基礎(chǔ)上，從歷史數(shù)據(jù)中可獲取兩方面的先驗(yàn)信息。一是預(yù)測(cè)模型中各參數(shù)的初始分布信息，與粒子樣本的初始化相關(guān);二是退化速率隨狀態(tài)x變化的分布情況，主要應(yīng)用于外推預(yù)測(cè)階段。先驗(yàn)信息的獲取流程如圖2所示。

圖2 先驗(yàn)信息獲取流程圖Fig.2 The flowchart for obtaining prior information

1)模型參數(shù)的初始分布。在進(jìn)行預(yù)測(cè)之前，需要根據(jù)模型參數(shù)的初始分布進(jìn)行粒子初始化，所以首先應(yīng)確定預(yù)測(cè)模型參數(shù)的初始分布信息。粒子初始化使用一致分布，根據(jù)式(6)，需要進(jìn)行初始化的參數(shù)包括:退化狀態(tài)x，觀(guān)測(cè)噪聲標(biāo)準(zhǔn)差σ(ωk的標(biāo)準(zhǔn)差)，退化速率a。其中x與a在迭代過(guò)程中會(huì)進(jìn)行重采樣，所以其初始分布只需根據(jù)歷史數(shù)據(jù)的初始觀(guān)測(cè)值給出略大的區(qū)間即可。而σ則可以根據(jù)各組歷史數(shù)據(jù)的原始信號(hào)與預(yù)處理后的信號(hào)殘差進(jìn)行統(tǒng)計(jì)得到。

2)不同階段的退化速率分布圖。a是預(yù)測(cè)模型中唯一的參數(shù)，體現(xiàn)系統(tǒng)的退化速度，更直接決定了對(duì)系統(tǒng)剩余壽命的預(yù)測(cè)結(jié)果，因此需要在預(yù)測(cè)過(guò)程中準(zhǔn)確地估計(jì)退化速率的演變規(guī)律。一方面，因?yàn)樵O(shè)備退化是對(duì)時(shí)間單調(diào)變化的，所以退化特征經(jīng)過(guò)平滑和單調(diào)化預(yù)處理后，退化速率a的取值上邊界或下邊界很容易確定(根據(jù)退化特征不同，可得a≤1或a≥1)，同時(shí)可以根據(jù)歷史數(shù)據(jù)中a的極值情況確定其另一個(gè)取值邊界。另一方面，由歷史數(shù)據(jù)統(tǒng)計(jì)信息可以給出退化速率a隨系統(tǒng)狀態(tài)x變化的先驗(yàn)分布p(a|x)，作為預(yù)測(cè)階段粒子狀態(tài)的指導(dǎo)信息。首先將歷史數(shù)據(jù)的退化速率對(duì)應(yīng)到退化特征坐標(biāo)軸上，再利用插值方法計(jì)算退化特征軸上的退化速率趨勢(shì)曲線(xiàn)。最后對(duì)所有趨勢(shì)曲線(xiàn)進(jìn)行統(tǒng)計(jì)，在每個(gè)退化特征點(diǎn)上，對(duì)其相應(yīng)的退化速率進(jìn)行正態(tài)分布擬合，可以得到退化速率隨特征變化的分布信息。

2.4 監(jiān)測(cè)數(shù)據(jù)的預(yù)測(cè)

在獲取了所需的先驗(yàn)信息之后，就可以對(duì)已有的監(jiān)測(cè)數(shù)據(jù)進(jìn)行預(yù)測(cè)。首先根據(jù)模型參數(shù)的初始分布信息，對(duì)N個(gè)粒子樣本初始化，然后依次進(jìn)行迭代估計(jì)和外推預(yù)測(cè)兩個(gè)步驟，最后對(duì)所有粒子樣本的狀態(tài)進(jìn)行統(tǒng)計(jì)，得到最終的預(yù)測(cè)結(jié)果。預(yù)測(cè)流程圖如圖3所示。

1)迭代估計(jì)階段。首先對(duì)由已知的監(jiān)測(cè)數(shù)據(jù)提取的退化特征進(jìn)行平滑和單調(diào)化的預(yù)處理。然后利用基于通用預(yù)測(cè)模型的粒子濾波方法對(duì)模型參數(shù)進(jìn)行迭代估計(jì)。在迭代估計(jì)過(guò)程中，將對(duì)退化狀態(tài)值x和退化速率a分別進(jìn)行重采樣。

2)外推預(yù)測(cè)階段。利用已知的觀(guān)測(cè)數(shù)據(jù)完成對(duì)模型參數(shù)的迭代估計(jì)之后，再結(jié)合預(yù)測(cè)模型以及之前得到的退化速率分布圖進(jìn)行外推預(yù)測(cè)。設(shè)當(dāng)前退化狀態(tài)預(yù)測(cè)值為

那么，根據(jù)p(a|x)，隨機(jī)生成當(dāng)前狀態(tài)下的先驗(yàn)退化速率aik(i=1，2，…，N)。然后再根據(jù)預(yù)測(cè)模型，可以得到下一步的退化狀態(tài)值。

依次迭代預(yù)測(cè)，當(dāng)退化狀態(tài)預(yù)測(cè)值大于或小于失效閾值時(shí)，預(yù)測(cè)結(jié)束。對(duì)所有粒子的當(dāng)前狀態(tài)進(jìn)行統(tǒng)計(jì)，就能得到失效時(shí)間預(yù)測(cè)的概率密度分布以及預(yù)測(cè)結(jié)果的置信區(qū)間等信息。

圖3 監(jiān)測(cè)數(shù)據(jù)預(yù)測(cè)流程圖Fig.3 The flowchart of prediction scheme for monitoring data

3 實(shí)驗(yàn)驗(yàn)證與討論

3.1 預(yù)測(cè)結(jié)果分析

圖4所示為一個(gè)加速壽命實(shí)驗(yàn)的滾動(dòng)軸承的剩余使用壽命預(yù)測(cè)結(jié)果。在圖4(a)中，前500個(gè)數(shù)據(jù)點(diǎn)(數(shù)據(jù)點(diǎn)之間間隔10 s)被用來(lái)迭代更新預(yù)測(cè)模型，再用更新之后的模型結(jié)合退化速率分布圖，對(duì)軸承500個(gè)數(shù)據(jù)點(diǎn)之后的狀態(tài)進(jìn)行預(yù)測(cè)。實(shí)際的失效時(shí)間位于預(yù)測(cè)結(jié)果的90%置信區(qū)間以?xún)?nèi)，表示預(yù)測(cè)結(jié)果有效。但因?yàn)橛糜诘碌臄?shù)據(jù)點(diǎn)相對(duì)較少，所以預(yù)測(cè)結(jié)果的不確定度大。在圖4(b)中可以看到，隨著已知數(shù)據(jù)點(diǎn)的增加，預(yù)測(cè)結(jié)果逐漸逼近實(shí)際值，置信區(qū)間的寬度隨已知數(shù)據(jù)點(diǎn)的增加而變窄，表示預(yù)測(cè)結(jié)果的準(zhǔn)確性在升高，而不確定性在逐漸減低。

圖4 軸承剩余使用壽命預(yù)測(cè)結(jié)果Fig.4 Prediction results of bearing remaining useful life

圖5 電池剩余使用壽命預(yù)測(cè)結(jié)果Fig.5 Prediction results of battery remaining useful life

圖5所示為NASA鋰離子電池的循環(huán)壽命預(yù)測(cè)結(jié)果。鋰離子電池循環(huán)壽命的退化特征為電池容量，呈逐步下降的趨勢(shì)，與軸承的退化特征剛好相反，但對(duì)本文提出的預(yù)測(cè)方法沒(méi)有影響。因?yàn)槭艿剿沙谛?yīng)的影響，鋰離子電池的原始退化特征存在明顯的非單調(diào)下降的部分，但采用文獻(xiàn)［16］中的方法消除松弛效應(yīng)之后，即可按照文中提出的預(yù)測(cè)框架進(jìn)行處理。從圖5(a)中可以看出，該方法能夠?qū)︿囯x子電池的循環(huán)壽命進(jìn)行有效估計(jì)。而在圖5(b)中，可以看到預(yù)測(cè)結(jié)果收斂速度更快，準(zhǔn)確性更高。在圖示范圍內(nèi)，預(yù)測(cè)中值與實(shí)際值的最大誤差僅為11個(gè)循環(huán)。這是因?yàn)橄鄬?duì)于圖4，鋰離子電池的預(yù)測(cè)特征與系統(tǒng)退化過(guò)程相關(guān)性更強(qiáng)，而且特征受其他因素影響更小，所以相應(yīng)的預(yù)測(cè)效果也更好。

3.2 討論

如前所述，通過(guò)對(duì)預(yù)測(cè)特征的退化速率進(jìn)行跟蹤，能夠使粒子濾波對(duì)目標(biāo)系統(tǒng)的狀態(tài)估計(jì)迅速收斂，在預(yù)測(cè)階段也能比較準(zhǔn)確地逼近真實(shí)的退化趨勢(shì)。預(yù)測(cè)結(jié)果的準(zhǔn)確度隨已知數(shù)據(jù)長(zhǎng)度逐漸增減，不確定度隨之下降。而且，對(duì)于無(wú)論是代表劣化程度(逐漸下降)還是代表健康程度(逐漸升高)的退化特征，該預(yù)測(cè)框架都同樣適用，表現(xiàn)出了其良好的通用性，并在一定程度上簡(jiǎn)化了粒子濾波預(yù)測(cè)方法。

但是，對(duì)比兩種不同系統(tǒng)的預(yù)測(cè)結(jié)果，可以發(fā)現(xiàn)預(yù)測(cè)特征仍然是對(duì)算法影響很大的一個(gè)因素，對(duì)于機(jī)械設(shè)備的預(yù)測(cè)尤為重要。由振動(dòng)信號(hào)提取的預(yù)測(cè)特征往往受外界噪聲等影響嚴(yán)重，如果預(yù)測(cè)特征和系統(tǒng)的退化趨勢(shì)相關(guān)程度較低，那么算法的預(yù)測(cè)效果也會(huì)相對(duì)下降，所以如何提取與系統(tǒng)高度相關(guān)的預(yù)測(cè)特征還值得深入研究。

4 結(jié)論

本文提出了一種基于DRT-PF的預(yù)測(cè)框架。該方法對(duì)原始預(yù)測(cè)特征進(jìn)行平滑和單調(diào)化處理，再利用歷史數(shù)據(jù)中的退化速率信息輔助粒子濾波的迭代更新與外推預(yù)測(cè)。由于采用了通用的退化預(yù)測(cè)模型，因此該方法理論上對(duì)于任何緩變型退化系統(tǒng)的預(yù)測(cè)都適用。當(dāng)擁有與系統(tǒng)退化趨勢(shì)高度相關(guān)的預(yù)測(cè)特征和足夠的歷史數(shù)據(jù)時(shí)，該方法能夠有效預(yù)測(cè)目標(biāo)系統(tǒng)的剩余使用壽命。

References)

［1］Kruzic J J.Predicting fatigue failures［J］.Science，2009，325(5937):156－158.

［2］Bagul Y G，Zeid I，Kamarthi S V.Overview of remaining useful life methodologies［C］//Proceedings of the ASME 2008 International Design Engineering Technical Conferences and Computers and Information in Engineering Conference，American Society of Mechanical Engineers，New York，2008:1391－1400.

［3］王小林，程志軍，郭波.基于維納過(guò)程金屬化膜電容器的剩余壽命預(yù)測(cè)［J］.國(guó)防科學(xué)技術(shù)大學(xué)學(xué)報(bào)，2011，33(4):146－151.WANG Xiaolin，CHENG Zhijun，GUO Bo.Residual life forecasting of metallized film capacitor based on wiener process［J］.Journal of National University of Defense Technology，2011，33(4):146－151.(in Chinese)

［4］鄧士杰，張英波，康海英，等.隨機(jī)濾波模型在變速箱剩余壽命預(yù)測(cè)中的應(yīng)用研究［J］.軍械工程學(xué)院學(xué)報(bào)，2013(1):29－32.DENG Shijie，ZHANG Yingbo，KANG Haiying，et al.Research of stochastic filtering model for gear box residual useful life prediction［J］.Journal of Ordnance Engineering College，2013(1):29－32.(in Chinese)

［5］Shao Y，Nezu K.Prognosis of remaining bearing life using neural networks［J］.Proceedings of the Institution of Mechanical Engineers，Part I:Journal of Systems and Control Engineering，2000，214(3):217－230.

［6］Wang T Y，Yu J B，Lee J，et al.A similarity-based prognostics approach for remaining useful life estimation of engineered systems［C］//Proceedings of the International Conference on Prognostics and Health Management，IEEE，2008:1－6.

［7］Dong M，He D.A segmental hidden semi-Markov model-based diagnostics and prognostics framework and methodology［J］.Mechanical Systems and Signal Processing，2007，21(5):2248－2266.

［8］Di Maio F，Tsui K L，Zio E.Combining relevance vector machines and exponential regression for bearing residual life estimation［J］.Mechanical Systems and Signal Processing，2012，31:405－427.

［9］Li C J，Lee H.Gear fatigue crack prognosis using embedded model，gear dynamic model and fracture mechanics［J］.Mechanical Systems and Signal Processing，2005，19(4):836－849.

［10］Feng Z P，Zuo M J，Chu F L.Application of regularization dimension to gear damage assessment［J］.Mechanical Systems and Signal Processing，2010，24(4):1081－1098.

［11］Orchard M E.A particle filtering-based framework for on-line fault diagnosis and failure prognosis［D］.Atlanta:Georgia Institute of Technology，2007.

［12］Zio E，Peloni G.Particle filtering prognostic estimation of the remaining useful life of nonlinear components［J］.Reliability Engineering and System Safety，2011，96(3):403－409.

［13］Jin G，Matthews D E，Zhou Z B.A bayesian framework for on-line degradation assessment and residual life prediction of secondary batteries in spacecraft［J］.Reliability Engineering and System Safety，2013，113:7－20.

［14］He W，Williard N，Osterman M，et al.Prognostics of lithium-ion based on dempster-shafer theory and the bayesian monte carlo method［J］.Journal of Power Sources，2011，196(23):10134－10321.

［15］Wang D，Miao Q，Pecht M.Prognostics of lithium-ion batteries based on relevance vectors and a conditional threeparameter capacity degradation model［J］.Journal of Power Sources，2013，239(1):253－264.

［16］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.