專利名稱：：一種數(shù)控裝備服役狀態(tài)分析方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于重大裝備服役狀態(tài)監(jiān)控與壽命預(yù)測(cè)技術(shù)，具體涉及一種用于辨識(shí)數(shù)控裝備綜合服役狀態(tài)和預(yù)測(cè)其剩余使用壽命的方法，它可以為數(shù)控裝備的可靠性分析和維修決策問題提供重要的參考。
背景技術(shù)：
：數(shù)控裝備作為工作母機(jī)，在我國(guó)制造業(yè)中的應(yīng)用越來越普及。數(shù)控裝備，特別是重大的、關(guān)鍵性的裝備，一旦在工作過程中突發(fā)故障，將嚴(yán)重影響企業(yè)的生產(chǎn)效率，給企業(yè)帶來巨大損失。為了使數(shù)控裝備近乎零故障的運(yùn)轉(zhuǎn)，需要及時(shí)分析數(shù)控裝備的服役可靠性狀態(tài)，準(zhǔn)確預(yù)測(cè)其剩余無故障工作時(shí)間，以提前采取合理的預(yù)防性維修策略，防止故障的發(fā)生。數(shù)控裝備是典型的機(jī)、電、液復(fù)雜設(shè)備，隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的發(fā)展，對(duì)于復(fù)雜設(shè)備的狀態(tài)監(jiān)測(cè)手段有了極大的提升，因此，對(duì)數(shù)控裝備的運(yùn)行狀態(tài)做比較細(xì)致的劃分成為可能。在重大裝備服役狀態(tài)監(jiān)控與壽命預(yù)測(cè)研究領(lǐng)域里，有大量的論文和專利文獻(xiàn)發(fā)表。在線性判別分析方面，文獻(xiàn)[1]給出詳細(xì)的介紹，主要思想是運(yùn)用單方差分析，計(jì)算F檢驗(yàn)值；文獻(xiàn)[1][2]給出了HSMM模型在設(shè)備退化狀態(tài)識(shí)別方面的應(yīng)用，該模型是馬爾可夫鏈的擴(kuò)展，是一個(gè)雙隨機(jī)過程，即不僅狀態(tài)到狀態(tài)的轉(zhuǎn)移是隨機(jī)的，而且每個(gè)狀態(tài)的觀測(cè)也是隨機(jī)的，HSMM模型的主要算法包括前向-后向算法，這個(gè)算法主要是解決產(chǎn)生某一觀測(cè)序列的概率，Baum-Welch算法主要是解決模型的參數(shù)估計(jì)問題。；文獻(xiàn)[3]詳細(xì)介紹了支持向量機(jī)模型在數(shù)控裝備部件和整機(jī)可靠性評(píng)估方面的應(yīng)用，該模型的基本思想是將獲取的壽命與服役狀態(tài)數(shù)據(jù)經(jīng)無因次化處理后作為模型的輸入向量，利用核函數(shù)將輸入向量映射到高維特征空間，在高維特征空間進(jìn)行擬合計(jì)算，得到最優(yōu)的非線性回歸函數(shù)，然后，結(jié)合數(shù)控裝備在規(guī)定時(shí)間和規(guī)定條件下各種影響因素的概率分布函數(shù)，計(jì)算單元可靠性。最后，根據(jù)數(shù)控裝備的可靠性結(jié)構(gòu)模型，找出系統(tǒng)的最小割集，計(jì)算系統(tǒng)可靠性。其中有關(guān)發(fā)電設(shè)備、核設(shè)備、航空航天設(shè)備等的狀態(tài)分析方法文獻(xiàn)較多，數(shù)控裝備服役狀態(tài)分析文獻(xiàn)相對(duì)較少，關(guān)于數(shù)控裝備剩余使用壽命預(yù)測(cè)的文獻(xiàn)更是不多見，并且這些研究一般存在以下問題(1)偏重于故障診斷，只對(duì)設(shè)備的狀態(tài)作“正?！迸c“故障”的簡(jiǎn)單劃分，沒有考慮漸變的失效過程，實(shí)際上設(shè)備存在相當(dāng)多的劣化性失效狀態(tài)。(2)大部分研究只關(guān)心設(shè)備整機(jī)的狀態(tài)，并沒有對(duì)組成設(shè)備的各個(gè)部件進(jìn)行詳細(xì)的可靠性分析，也沒有分析部件的服役狀態(tài)和剩余壽命。參考文獻(xiàn)[1]MingDong,DavidHe.Hiddensemi-Markovmodel-basedmethodologyformulti-sensorequipmenthealthdiagnosisandprognosis[J].EuropeanJournalofOperationalResearch,2007,178:858_878.[2]曾慶虎，邱靜，劉冠軍.基于隱半馬爾可夫模型設(shè)備退化狀態(tài)識(shí)別方法研究[J].機(jī)械科學(xué)與技術(shù)，2008，27(4)=429-432.[3]吳軍.基于性能參數(shù)的數(shù)控裝備服役可靠性評(píng)估方法與應(yīng)用[M].武漢華中科技大學(xué)，2008.
發(fā)明內(nèi)容本發(fā)明的目的在于提供一種數(shù)控裝備服役狀態(tài)分析方法，該方法可以為預(yù)防性維修提供決策支持的新方法。一種數(shù)控裝備服役狀態(tài)分析方法，其特征在于，該方法包括下述步驟第1步確定待分析的數(shù)控裝備的重要部件及其服役狀態(tài)，設(shè)重要部件數(shù)量為m，i表示重要部件的序號(hào)，ie{1,2,...，m}，第i個(gè)重要部件的狀態(tài)數(shù)量為L(zhǎng)i,則第i個(gè)重要部件的狀態(tài)集表示為&···,、},，\表示第i個(gè)重要部件完全失效；第2步利用傳感器采集重要部件的特征信號(hào)；第3步對(duì)上述采集的特征信號(hào)進(jìn)行信息融合處理，得到各個(gè)重要部件的服役狀態(tài)混合特征向量Yi;第4步對(duì)數(shù)控裝備的各個(gè)重要部件的服役狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)服役狀態(tài)識(shí)別的過程為步驟(al)建立模型將第i個(gè)重要部件的隱-半馬爾可夫模型的表述為HSMMi(λJ=(Li,Mi,A1,Di,Bi,ηi)，其中，隱狀態(tài)即部件i的服役狀態(tài)的數(shù)量為L(zhǎng)i,每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀測(cè)值數(shù)為Mi,初始狀態(tài)分布巧=(^,AAi)，狀態(tài)轉(zhuǎn)移概率矩陣4=，(Bj,；)表示第i個(gè)重要部件從第j個(gè)服役狀態(tài)跳轉(zhuǎn)到第k個(gè)服役狀態(tài)Sik的概率，j，k表示服役狀態(tài)的序號(hào)；最大狀態(tài)駐留時(shí)間Di,觀察值矩陣錢=(^i)i,*,'bj,；表示重要部件i的服役狀態(tài)為、、但觀測(cè)到的重要部件i的服役狀態(tài)為Sik的概率；步驟(a2)模型訓(xùn)練首先對(duì)重要部件i的服役狀態(tài)混合特征向量Yi做矢量量化處理，得到離散的服役狀態(tài)Sij，j=1，2，A，Li;然后采用鮑姆-韋爾奇(Baum-Welch)算法對(duì)模型進(jìn)行訓(xùn)練，即解決模型的參數(shù)估計(jì)問題，得到模型參數(shù)Ai,Di,Bi,πi的估計(jì)值為,,為,戈，依次對(duì)重要部件i的所有服役狀態(tài)進(jìn)行訓(xùn)練，得到每種服役狀態(tài)的隱_半馬爾可夫模型；步驟(a3)服役狀態(tài)識(shí)別在模型訓(xùn)練完成之后，對(duì)新采集的服役狀態(tài)混合特征向量，計(jì)算每個(gè)服役狀態(tài)的對(duì)數(shù)似然函數(shù)值，取最大數(shù)值對(duì)應(yīng)的狀態(tài)為當(dāng)前重要部件的服役狀態(tài)；剩余壽命預(yù)測(cè)過程為步驟(bl)設(shè)重要部件服役狀態(tài)、的駐留時(shí)間D(Su)服從單高斯分布Ν(μ(Sij),ο2(Sij))，部件的生命周期為Τ，滿足<formula>formulaseeoriginaldocumentpage5</formula>然后對(duì)!)^)的期望值μ(Sij)和方差O2(Su)進(jìn)行參數(shù)估計(jì)，得到均值和方差的估計(jì)值/>()和#()，并定義D(Su)的估計(jì)值力()為<formula>formulaseeoriginaldocumentpage5</formula>其中<formula>formulaseeoriginaldocumentpage6</formula>步驟(b2)設(shè)第i個(gè)部件的第j個(gè)服役狀態(tài)為{Sij}，i=1，2，Am,j=1，2，Λ，Li,其剩余使用壽命為RULu,建立如下遞推方程式，估算出部件的剩余使用壽命；<formula>formulaseeoriginaldocumentpage6</formula>其中^^和<,是狀態(tài)轉(zhuǎn)移概率=^w表示重要部件i保持第j個(gè)服役狀態(tài)、的概率，表示重要部件i從第j個(gè)服役狀態(tài)Su轉(zhuǎn)移到第k個(gè)服役狀態(tài)Sik的概率。第5步采用支持向量機(jī)分類方法建立數(shù)控裝備整機(jī)和組成部件之間的服役狀態(tài)聯(lián)系，完成數(shù)控裝備整機(jī)服役狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)。本發(fā)明的特點(diǎn)在于，為具有多個(gè)重要部件、并且整機(jī)和部件都包含多種失效狀態(tài)的數(shù)控裝備的服役運(yùn)行狀態(tài)識(shí)別和剩余使用壽命預(yù)測(cè)提供了一套實(shí)用的計(jì)算方法。本發(fā)明能夠從多狀態(tài)表征物理量出發(fā)，辨識(shí)出重要部件的服役狀態(tài)，并分析出整機(jī)的服役狀態(tài)。在此基礎(chǔ)上，還能預(yù)測(cè)部件和整機(jī)的剩余使用壽命。這為整機(jī)和部件的可靠性分析和維修決策分析提供了重要的參考。如果有條件的話，本發(fā)明成果還可以和工廠的上層信息管理系統(tǒng)，如MES，ERP等系統(tǒng)對(duì)接，從而為工廠生產(chǎn)計(jì)劃和維修計(jì)劃的制定提供堅(jiān)實(shí)的參考信息。圖1是數(shù)控裝備整機(jī)服役狀態(tài)分析和剩余使用壽命預(yù)測(cè)的基本過程；圖2是基于隱_半馬爾可夫模型的數(shù)控裝備單部件服役狀態(tài)識(shí)別過程。具體實(shí)施例方式本發(fā)明方法首先通過多傳感器采集到的表征物理量識(shí)別出數(shù)控設(shè)備多個(gè)重要部件的服役狀態(tài)，然后通過統(tǒng)計(jì)學(xué)習(xí)理論所建立的支持向量機(jī)分類模型預(yù)測(cè)出整機(jī)的服役狀態(tài)，并通過“隱-半馬爾可夫”模型計(jì)算出重要部件和整機(jī)的剩余使用壽命，從而為預(yù)防性維修提供決策支持的新方法。下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明作進(jìn)一步詳細(xì)地說明。如圖1所示，本發(fā)明的分析方法包括以下步驟第一步確定待分析的數(shù)控裝備的重要部件及其服役狀態(tài)。根據(jù)部件功能、故障后果、歷史故障數(shù)據(jù)統(tǒng)計(jì)和部件可監(jiān)測(cè)性等4個(gè)因素，采用專家評(píng)分法或其它方法計(jì)算數(shù)控裝備的部件重要度。根據(jù)數(shù)控裝備的設(shè)計(jì)數(shù)據(jù)，確定各重要部件和整機(jī)的服役狀態(tài)。設(shè)重要部件數(shù)量為m，i表示重要部件的序號(hào)，ie{1，2，...，m}，第i個(gè)重要部件的服役狀態(tài)數(shù)量為L(zhǎng)i,則第i個(gè)重要部件的服役狀態(tài)集表示為，、,為部件完全失效。設(shè)整機(jī)狀態(tài)數(shù)量為L(zhǎng)，整機(jī)的服役狀態(tài)集表示為S=Is1,s2，...，sL}，sL為整機(jī)完全失效。第二步利用傳感器采集重要部件的特征信號(hào)。利用加速度傳感器等測(cè)試儀器來采集數(shù)控裝備加工過程中重要部件的振動(dòng)信號(hào)，采樣間隔和每次采集信號(hào)的組數(shù)可以根據(jù)企業(yè)的實(shí)際情況而定。第三步對(duì)上述采集的特征信號(hào)進(jìn)行信息融合處理。本發(fā)明采用線性判別分析方法，在Labview軟件的基礎(chǔ)上，對(duì)各傳感器采集的振動(dòng)信號(hào)進(jìn)行信息融合處理，得到部件狀態(tài)的混合特征向量。具體步驟如下步驟(1)首先對(duì)采集得到的振動(dòng)信號(hào)在Labview軟件中進(jìn)行去噪預(yù)處理，然后再利用其提供的小波變換函數(shù)包，對(duì)預(yù)處理后的振動(dòng)信號(hào)進(jìn)行特征提取，得到振動(dòng)信號(hào)特征向量，記Oir為第i個(gè)重要部件第r個(gè)傳感器的振動(dòng)信號(hào)特征向量，r=1，2，ANi0,Ni0表示測(cè)量第i個(gè)重要部件所有傳感器的總和。步驟(2)采用線性判別分析方法分別對(duì)各個(gè)重要部件的振動(dòng)特征向量進(jìn)行特征層的信息融合，得到各個(gè)重要部件的服役狀態(tài)混合特征向量。本發(fā)明采用單因子方差分析來賦予各傳感器特征信息的權(quán)重，F(xiàn)檢驗(yàn)值通過計(jì)算傳感器信號(hào)組間離差與平均傳感器信號(hào)組內(nèi)離差的比值得到。第i個(gè)重要部件的第r個(gè)傳感器測(cè)量信號(hào)的F檢驗(yàn)值表達(dá)式為<formula>formulaseeoriginaldocumentpage7</formula>，其中，η,表示每次測(cè)量的信號(hào)組數(shù)，SiA表示第i個(gè)重要部件的傳感器信號(hào)組間離差平方和，SiE表示第i個(gè)重要部件的傳感器信號(hào)組內(nèi)離差平方和，F(xiàn)ir表示第i個(gè)重要部件的第r個(gè)傳感器測(cè)量信號(hào)的F檢驗(yàn)值。第i個(gè)重要部件第r個(gè)傳感器的權(quán)重設(shè)為計(jì)算公式為<formula>formulaseeoriginaldocumentpage7</formula>第i個(gè)重要部件的服役狀態(tài)混合特征向量設(shè)為Yi,計(jì)算公式為<formula>formulaseeoriginaldocumentpage7</formula>，其中Ok為第i個(gè)重要部件第r個(gè)傳感器的振動(dòng)特征向量。第四步對(duì)數(shù)控裝備的各個(gè)重要部件的服役狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)。HSMM(HiddenSemi-MarkovModel，隱-半馬爾可夫模型)是HMM(HiddenMarkovModel，隱馬爾可夫模型)的擴(kuò)展。為了改善隱馬爾可夫模型中狀態(tài)駐留時(shí)間為指數(shù)分布的局限，在隱馬爾可夫模型的基礎(chǔ)上，隱-半馬爾可夫模型允許根據(jù)實(shí)際問題自定義駐留時(shí)間分布。為了減少計(jì)算復(fù)雜度，我們采用單高斯分布作為狀態(tài)駐留時(shí)間概率分布函數(shù)。第i個(gè)重要部件與其某一服役狀態(tài)Siu，U=1,2,Λ，Li相對(duì)應(yīng)的隱-半馬爾可夫模型的參數(shù)定義如下隱狀態(tài)(即重要部件i的服役狀態(tài))數(shù)量為L(zhǎng)i,每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀測(cè)值數(shù)為ΜΛ初始狀態(tài)分布<=,π"￡ι)’狀態(tài)轉(zhuǎn)移概率矩陣《={a'm，(aj,廣)表示第i個(gè)重要部件從第j個(gè)服役狀態(tài)跳轉(zhuǎn)到第k個(gè)服役狀態(tài)Sik的概率，j，k表示服役狀態(tài)的序號(hào)；最大狀態(tài)駐留時(shí)間Di11,觀察值矩陣Α"，bj’11表示重要部件i的服役狀態(tài)為~，但觀測(cè)到的重要部件i的服役狀態(tài)為Sik的概率。這樣，第i個(gè)重要部件與其某一服役狀態(tài)相對(duì)應(yīng)Siu的隱-半馬爾可夫模型也可寫作<formula>formulaseeoriginaldocumentpage7</formula>本發(fā)明數(shù)控裝備重要部件服役狀態(tài)識(shí)別基于上述隱_半馬爾可夫模型，如圖2所示，該過程可分為兩部分第一部分是模型訓(xùn)練，第二部分是服役狀態(tài)識(shí)別。步驟(al)模型訓(xùn)練。首先對(duì)重要部件i的混合特征向量Yi做矢量量化處理，得到離散的服役狀態(tài)估計(jì)值SU，j=1,2,A,Lio然后采用Baum-Welch算法對(duì)模型進(jìn)行訓(xùn)練，即解決模型的參數(shù)估計(jì)問題得到模型參數(shù)ΑΛDi",ΒΛπ廣的估計(jì)值ΧΛDi",Bi",Ti^然后重復(fù)上述矢量量化處理，得到重要部件i的所有服役狀態(tài)估計(jì)值，并依次對(duì)重要部件i的每一服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型進(jìn)行訓(xùn)練，得到每種服役狀態(tài)對(duì)應(yīng)的隱_半馬爾可夫模型的參數(shù)估計(jì)值。步驟(a2)服役狀態(tài)識(shí)別。在重要部件i的每種服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型訓(xùn)練完成之后，對(duì)在某一時(shí)刻針對(duì)重要部件i新采集的某個(gè)混合特征向量，做矢量量化處理，得到這一時(shí)刻重要部件i的服役狀態(tài)估計(jì)值，依次代入上述訓(xùn)練好的重要部件i的每一服役狀態(tài)對(duì)應(yīng)的隱-半馬爾可夫模型，計(jì)算每一服役狀態(tài)的對(duì)數(shù)似然函數(shù)值，取最大數(shù)值對(duì)應(yīng)的服役狀態(tài)為重要部件i當(dāng)前的服役狀態(tài)。本發(fā)明采用了下面的方法來計(jì)算重要部件i的剩余使用壽命第i個(gè)重要部件與其所有服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型的參數(shù)定義如下隱狀態(tài)數(shù)量為UcCq=Li)，每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀測(cè)值數(shù)為ΜΛ初始狀態(tài)分布K=,A)，狀態(tài)轉(zhuǎn)移概率矩陣j〗=^m)，(aj,；-)表示第i個(gè)重要部件從第j個(gè)服役狀態(tài)跳轉(zhuǎn)到第k個(gè)服役狀態(tài)Sik的概率，j，k表示服役狀態(tài)的序號(hào)；最大狀態(tài)駐留時(shí)間DiS觀察值矩陣<=(^I)iX，(bj,；-)表示重要部件i的服役狀態(tài)為，但觀測(cè)到的重要部件i的服役狀態(tài)為sik的概率。第i個(gè)重要部件與其所有服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型表示為..HSMM。{λ)=HM:,Β%π。)。步驟(bl)把從步驟al得到的重要部件i所有服役狀態(tài)的估計(jì)值，作為訓(xùn)練數(shù)據(jù)的樣本，建立針對(duì)重要部件i所有服役狀態(tài)的隱-半馬爾可夫模型HSMMc(Ac)=(LciMci,Aci,Dci,Bci,π^)。并采用Baum-Welch算法對(duì)模型進(jìn)行訓(xùn)練，解決參數(shù)估計(jì)問題，得到參數(shù)的估計(jì)值U;力;，街，汝；)。步驟(b2)重要部件i的服役狀態(tài)集為{Sij}，i=1，2，Am，j=1，2，A，Li;每個(gè)服役狀態(tài)Su的駐留時(shí)間D(Su)服從單高斯分布Ν(μ(Sij)，σ2(Sij))0重要部件i的生命周期為T，滿足maXΓ=!；/)()。然后對(duì)D(Sip的期望值μ(Sij)和方差Q2(Su)進(jìn)行參數(shù)；=1估計(jì)，得到均值和方差的估計(jì)值/K)和J2()，并定義D(Su)的估計(jì)值為D(Slj)=ILi(Slj)^pa2(Slj)其中ρ=(T-YjM(Sij))/YjG2(Sij)。；=1/；=1步驟(b3)設(shè)步驟(a2)識(shí)別出的重要部件i的當(dāng)前服役狀態(tài)值為su，i=1，2，Am,j=1,2,Λ，Li,其剩余使用壽命為RULij，可建立如下遞推方程式，從而估算出重要部件i的剩余使用壽命?！?i廠1RUL11=a-XD(S11)+RUL1]+ι\+洲Lik<JJk=}+\‘RUL^=Cx^)其中C和^是狀態(tài)轉(zhuǎn)移概率^表示重要部件i保持第j個(gè)服役狀態(tài)Su的概率，^表示重要部件i從第j個(gè)服役狀態(tài)轉(zhuǎn)移到第k個(gè)服役狀態(tài)Sik的概率。第五步數(shù)控裝備整機(jī)隱_半馬爾可夫建模和剩余壽命預(yù)測(cè)。在建立了所有的重要部件隱-半馬爾可夫模型之后，本發(fā)明采用支持向量機(jī)(SVM=SupportVectorMachine)分類方法來建立數(shù)控裝備整機(jī)和組成部件之間的服役狀態(tài)聯(lián)系。利用SVM進(jìn)行數(shù)控裝備整機(jī)服役狀態(tài)識(shí)別步驟如下步驟(5.1)建立支持向量機(jī)分類模型，設(shè)上述得到的所有重要部件和整機(jī)的服役狀態(tài)數(shù)據(jù)樣本容量為n，且η彡10。可以表示為D={(xf,yf)xf=(xfl,xf2,A,xfm)eS1XS2XAXSm,yfeS,fe{1，Λ，n}}，其中，Xf是m維輸入向量，表示數(shù)控裝備的重要部件服役狀態(tài)，yf是整機(jī)服役狀態(tài)的觀測(cè)值。利用以上樣本數(shù)據(jù)，可訓(xùn)練得到支持向量機(jī)分類模型，其中核函數(shù)采用徑向基函數(shù)K(xf，χ)=exp(-|x-xf||2/σ2),χ表示待診斷的數(shù)控裝備重要部件服役狀態(tài)序列，σ為重要部件服役狀態(tài)樣本數(shù)據(jù)的標(biāo)準(zhǔn)差，其初始范圍可取σe(2_13，23°)，支持向量機(jī)的訓(xùn)練有現(xiàn)成的成熟算法，此處不再贅敘。步驟(5.2)數(shù)控裝備整機(jī)服役狀態(tài)識(shí)別，將某時(shí)刻數(shù)控裝備所有重要部件的服役狀態(tài)，代入上述訓(xùn)練好的支持向量機(jī)模型，得到此時(shí)刻數(shù)控裝備整機(jī)的當(dāng)前服役狀態(tài)。步驟(5.3)數(shù)控裝備整機(jī)隱_半馬爾可夫建模和剩余使用壽命預(yù)測(cè)。與數(shù)控裝備整機(jī)所有服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型的參數(shù)定義如下隱狀態(tài)數(shù)量為L(zhǎng)，每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀測(cè)值數(shù)為M，初始狀態(tài)分布π=(π”Λ，j^)，狀態(tài)轉(zhuǎn)移概率矩陣A=(aj,k)LXL,(aj,k)表示數(shù)控裝備從第j個(gè)服役狀態(tài)~跳轉(zhuǎn)到第k個(gè)服役狀態(tài)Sk的概率，j，k表示服役狀態(tài)的序號(hào)；最大狀態(tài)駐留時(shí)間D，觀察值矩陣B=(bi,k)Lx,(bi,k)表示數(shù)控裝備整機(jī)的服役狀態(tài)為Si，但觀測(cè)到的數(shù)控裝備整機(jī)的服役狀態(tài)為Sk的概率。與數(shù)控裝備整機(jī)所有服役狀態(tài)相對(duì)應(yīng)的隱_半馬爾可夫模型可以表示為HSMMsUs)=(L，M，A，D，B，π)。根據(jù)上述支持向量機(jī)預(yù)測(cè)模型，依次選取10到20個(gè)時(shí)刻點(diǎn)，并根據(jù)每一時(shí)刻的重要部件服役狀態(tài)，預(yù)測(cè)得到此時(shí)刻數(shù)控裝備整機(jī)的服役狀態(tài)；所有時(shí)刻點(diǎn)整機(jī)服役狀態(tài)預(yù)測(cè)完畢，匯總成為整機(jī)的歷史服役狀態(tài)序列；然后采用Baum-Welch算法訓(xùn)練整機(jī)隱_半馬爾可夫模型HSMMs(As)=(L，M，A，D，B，π)，得到模型參數(shù)的估計(jì)值(K,D,B,Τ)。計(jì)算整機(jī)剩余使用壽命的過程如下數(shù)控裝備整機(jī)的服役狀態(tài)集表示為S={Sl，s2，...，sL}，記Sq表示第q個(gè)整機(jī)的服役狀態(tài)值，q=1，2，Λ，L。步驟(Cl)設(shè)整機(jī)服役狀態(tài)Sq的駐留時(shí)間D(Sq)服從單高斯分布Ν(μ(sq),LO2(Stl))，整機(jī)的生命周期為Ts，滿足maX7；，然后對(duì)D(Sq)的期望值μ(Sq)和方9=1差O2(Sq)進(jìn)行參數(shù)估計(jì)，得到均值和方差的估計(jì)值/K^)和并定義D(Sq)的估計(jì)值D{sq)%D(Sq)=ju(sq)+psG2{sq)其中A=(Ts-JjKsq))/^2(Sq)；步驟(c2)設(shè)步驟(5.2)整機(jī)服役狀態(tài)分類預(yù)測(cè)的結(jié)果為Vq=1,2,Λ，L，其剩余使用壽命為RULtl，建立如下遞推方程式，估算出整機(jī)的剩余使用壽命；<formula>formulaseeoriginaldocumentpage10</formula>其中^^和^是狀態(tài)轉(zhuǎn)移概率表示整機(jī)保持第q個(gè)服役狀態(tài)Sq的概率，康示整機(jī)從第q個(gè)服役狀態(tài)Sq轉(zhuǎn)移到第t個(gè)服役狀態(tài)St的概率。實(shí)例數(shù)控DM4600型立式銑床的服役狀態(tài)分析與剩余使用壽命預(yù)測(cè)。1根據(jù)部件功能、故障后果、歷史故障數(shù)據(jù)統(tǒng)計(jì)、部件可監(jiān)測(cè)性等4個(gè)因素，采用專家評(píng)分法確定數(shù)控裝備的部件重要度。結(jié)果為主軸、刀具、伺服進(jìn)給系統(tǒng)、夾具、工作臺(tái)和液壓系統(tǒng)等六個(gè)部件作為重要部件并進(jìn)行服役狀態(tài)監(jiān)控。根據(jù)經(jīng)驗(yàn)，主軸的服役狀態(tài)分為5種1、II、III、IV、V，其中I表示“完全正?！?，V表示“完全失效”，其他5種重要部件的服役狀態(tài)均為4種，另外，整機(jī)的服役狀態(tài)也分為5種。2重要部件服役狀態(tài)監(jiān)控與服役狀態(tài)數(shù)據(jù)收集。采用振動(dòng)信號(hào)作為重要部件服役狀態(tài)特征的表征量，針對(duì)每個(gè)信號(hào)布置了多個(gè)測(cè)點(diǎn)。采用虛擬儀器Labview軟件作為分析工具，整個(gè)測(cè)試系統(tǒng)需要的硬件僅僅為普通電纜、數(shù)據(jù)采集卡和若干傳感器，可擴(kuò)展性也大大增強(qiáng)。3建立各重要部件除完全失效狀態(tài)外每個(gè)服役狀態(tài)的HSMM模型以及重要部件全生命周期的HSMM模型。虛擬儀器軟件Labview并不提供現(xiàn)成的HSMM建模程序庫。我們按照HSMM模型的統(tǒng)計(jì)推斷過程，自己開發(fā)了一套HSMM建模程序，嵌入到虛擬儀器軟件里面。然后就開始訓(xùn)練模型，即把Labview得到的重要部件狀態(tài)混合特征向量作為輸入，通過參數(shù)估計(jì)手段，訓(xùn)練每一重要部件的每一個(gè)服役狀態(tài)對(duì)應(yīng)的HSMM模型，然后使用重要部件所有服役狀態(tài)的歷史數(shù)據(jù)訓(xùn)練重要部件全生命周期的HSMM模型。本實(shí)例中，這樣的重要部件HSMM模型一共有1X6+5X5=31個(gè)。4離散采樣得到整機(jī)和部件的服役狀態(tài)對(duì)應(yīng)關(guān)系的樣本，形式如下表利用以上數(shù)據(jù)，訓(xùn)練得到支持向量機(jī)分類模型。本實(shí)例中我們采用了自己開發(fā)的SVMC(SupportVectorMachineClassifier)工具，并集成到Labview中。1部件和整機(jī)的服役狀態(tài)樣本<table>tableseeoriginaldocumentpage10</column></row><table>5利用4建立的支持向量機(jī)模型，按照整機(jī)服役時(shí)間順序，依次選取10到20個(gè)時(shí)刻點(diǎn)，根據(jù)此時(shí)刻的重要部件服役狀態(tài)，預(yù)測(cè)得到整機(jī)的服役狀態(tài)，最后得到整機(jī)的服役歷史狀態(tài)序列，通過參數(shù)估計(jì)手段，訓(xùn)練得到整機(jī)服役生命周期的HSMM模型。通過3-5步，完成HS匪模型和SVM模型的構(gòu)建。6數(shù)控裝備服役過程中實(shí)時(shí)數(shù)據(jù)采集及重要部件狀態(tài)辨識(shí)。利用2中的方法，實(shí)時(shí)得到DM4600機(jī)床每一部件的運(yùn)行特征數(shù)據(jù)，比如刀具部件，針對(duì)刀具的4個(gè)分狀態(tài)HSMM模型，利用最大似然估計(jì)方法，辨識(shí)出刀具的當(dāng)前服役狀態(tài)，比如為服役狀態(tài)II。7重要部件剩余使用壽命預(yù)測(cè)。利用本發(fā)明提供的狀態(tài)駐留時(shí)間估計(jì)公式和剩余使用壽命遞推方程式，并根據(jù)6所辨識(shí)出的重要部件當(dāng)前服役狀態(tài)，計(jì)算出重要部件的剩余使用壽命。本實(shí)例中，某時(shí)刻刀具的服役狀態(tài)為II，經(jīng)計(jì)算得到刀具的剩余使用壽命為10小時(shí)。8整機(jī)狀態(tài)辨識(shí)。在某時(shí)刻，通過6辨識(shí)出所有重要部件的當(dāng)前狀態(tài)，然后利用4建立的支持向量機(jī)模型，預(yù)測(cè)出整機(jī)的當(dāng)前服役狀態(tài)。本實(shí)例中，某時(shí)刻主軸的服役狀態(tài)為II，刀具的服役狀態(tài)為II，伺服進(jìn)給系統(tǒng)的服役狀態(tài)為II，夾具的服役狀態(tài)為I，工作臺(tái)的服役狀態(tài)為II，液壓系統(tǒng)的服役狀態(tài)為I，預(yù)測(cè)得到整機(jī)的服役狀態(tài)為III。9整機(jī)剩余使用壽命預(yù)測(cè)。利用本發(fā)明提供的狀態(tài)駐留時(shí)間估計(jì)公式和剩余使用壽命遞推方程式，并根據(jù)8所預(yù)測(cè)出的整機(jī)當(dāng)前服役狀態(tài)，計(jì)算出整機(jī)的剩余使用壽命。對(duì)于8中整機(jī)服役狀態(tài)為III的情況，經(jīng)計(jì)算得到整機(jī)的剩余使用壽命約為50小時(shí)，III級(jí)服役狀態(tài)的持續(xù)時(shí)間約為40小時(shí)，進(jìn)入IV級(jí)狀態(tài)后，再經(jīng)過10多個(gè)小時(shí)整機(jī)將完全失效。以上6-9步完成數(shù)控裝備服役狀態(tài)分析和剩余使用壽命預(yù)測(cè)。本發(fā)明不僅局限于上述具體實(shí)施方式，本領(lǐng)域一般技術(shù)人員根據(jù)本發(fā)明公開的內(nèi)容，可以采用其它多種具體實(shí)施方式實(shí)施本發(fā)明，因此，凡是采用本發(fā)明的設(shè)計(jì)結(jié)構(gòu)和思路，做一些簡(jiǎn)單的變化或更改的設(shè)計(jì)，都落入本發(fā)明保護(hù)的范圍。權(quán)利要求一種數(shù)控裝備服役狀態(tài)分析方法，其特征在于，該方法包括下述步驟第1步確定待分析的數(shù)控裝備的重要部件及其服役狀態(tài)，設(shè)重要部件數(shù)量為m，i表示重要部件的序號(hào)，i∈{1，2，..，m}，第i個(gè)重要部件的狀態(tài)數(shù)量為L(zhǎng)i，則第i個(gè)重要部件的狀態(tài)集表示為表示第i個(gè)重要部件完全失效；第2步利用傳感器采集重要部件的特征信號(hào)；第3步對(duì)上述采集的特征信號(hào)進(jìn)行信息融合處理，得到各個(gè)重要部件的服役狀態(tài)混合特征向量Yi；第4步對(duì)數(shù)控裝備的各個(gè)重要部件的服役狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)服役狀態(tài)識(shí)別的過程為步驟(a1)建立模型將第i個(gè)重要部件的隱-半馬爾可夫模型的表述為HSMMi(λi)＝(Li，Mi，Ai，Di，Bi，πi)，其中，隱狀態(tài)即部件i的服役狀態(tài)的數(shù)量為L(zhǎng)i，每個(gè)隱狀態(tài)對(duì)應(yīng)的可能的觀測(cè)值數(shù)為Mi，初始狀態(tài)分布狀態(tài)轉(zhuǎn)移概率矩陣(aj，ki)表示第i個(gè)重要部件從第j個(gè)服役狀態(tài)sij跳轉(zhuǎn)到第k個(gè)服役狀態(tài)sik的概率，j，k表示服役狀態(tài)的序號(hào)；最大狀態(tài)駐留時(shí)間Di，觀察值矩陣bj，ki表示重要部件i的服役狀態(tài)為sij、但觀測(cè)到的重要部件i的服役狀態(tài)為sik的概率；步驟(a2)模型訓(xùn)練首先對(duì)重要部件i的服役狀態(tài)混合特征向量Yi做矢量量化處理，得到離散的服役狀態(tài)sij，j＝1，2，Λ，Li，然后采用鮑姆-韋爾奇(Baum-Welch)算法對(duì)模型進(jìn)行訓(xùn)練，即解決模型的參數(shù)估計(jì)問題，得到模型參數(shù)Ai，Di，Bi，πi的估計(jì)值依次對(duì)重要部件i的所有服役狀態(tài)進(jìn)行訓(xùn)練，得到每種服役狀態(tài)的隱-半馬爾可夫模型；步驟(a3)服役狀態(tài)識(shí)別在模型訓(xùn)練完成之后，對(duì)新采集的服役狀態(tài)混合特征向量，計(jì)算每個(gè)服役狀態(tài)的對(duì)數(shù)似然函數(shù)值，取最大數(shù)值對(duì)應(yīng)的狀態(tài)為當(dāng)前重要部件的服役狀態(tài)；剩余壽命預(yù)測(cè)過程為步驟(b1)設(shè)重要部件服役狀態(tài)sij的駐留時(shí)間D(sij)服從單高斯分布N(μ(sij)，σ2(sij))，部件的生命周期為T，滿足然后對(duì)D(sij)的期望值μ(sij)和方差σ2(sij)進(jìn)行參數(shù)估計(jì)，得到均值和方差的估計(jì)值和并定義D(sij)的估計(jì)值為<mrow><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>=</mo><mover><mi>&mu;</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>+</mo><mi>&rho;</mi><msup><mover><mi>&sigma;</mi><mo>^</mo></mover><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow></mrow>其中<mrow><mi>&rho;</mi><mo>=</mo><mrow><mo>(</mo><mi>T</mi><mo>-</mo><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><msub><mi>L</mi><mi>i</mi></msub></munderover><mover><mi>&mu;</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>)</mo></mrow><mo>/</mo><munderover><mi>&Sigma;</mi><mrow><mi>j</mi><mo>=</mo><mn>1</mn></mrow><mi>N</mi></munderover><msup><mover><mi>&sigma;</mi><mo>^</mo></mover><mn>2</mn></msup><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>;</mo></mrow>步驟(b2)設(shè)第i個(gè)部件的第j個(gè)服役狀態(tài)為{sij}，i＝1，2，Λm，j＝1，2，Λ，Li，其剩余使用壽命為RULij，建立如下遞推方程式，估算出部件的剩余使用壽命；<mfencedopen='{'close=''><mtable><mtr><mtd><msub><mi>RUL</mi><mi>ij</mi></msub><mo>=</mo><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><mi>j</mi><mo>,</mo><mi>j</mi></mrow></msub><mo>&times;</mo><mo>[</mo><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>+</mo><msub><mi>RUL</mi><mrow><mi>ij</mi><mo>+</mo><mn>1</mn></mrow></msub><mo>]</mo><mo>+</mo><munderover><mi>&Sigma;</mi><mrow><mi>k</mi><mo>=</mo><mi>j</mi><mo>+</mo><mn>1</mn></mrow><mrow><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></munderover><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><mi>j</mi><mo>,</mo><mi>k</mi></mrow></msub><mo>&times;</mo><msub><mi>RULi</mi><mi>k</mi></msub></mtd></mtr><mtr><mtd><msub><mi>RUL</mi><mrow><mi>i</mi><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>=</mo><msub><msup><mover><mi>a</mi><mo>^</mo></mover><mi>i</mi></msup><mrow><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn><mo>,</mo><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>&times;</mo><mover><mi>D</mi><mo>^</mo></mover><mrow><mo>(</mo><msub><mi>s</mi><mrow><mi>i</mi><msub><mi>L</mi><mi>i</mi></msub><mo>-</mo><mn>1</mn></mrow></msub><mo>)</mo></mrow></mtd></mtr></mtable></mfenced>其中和是狀態(tài)轉(zhuǎn)移概率表示重要部件i保持第j個(gè)服役狀態(tài)sij的概率，表示重要部件i從第j個(gè)服役狀態(tài)sij轉(zhuǎn)移到第k個(gè)服役狀態(tài)sik的概率。第5步采用支持向量機(jī)分類方法建立數(shù)控裝備整機(jī)和組成部件之間的服役狀態(tài)聯(lián)系，完成數(shù)控裝備整機(jī)服役狀態(tài)識(shí)別和剩余壽命預(yù)測(cè)。FDA0000020231970000011.tif,FDA0000020231970000012.tif,FDA0000020231970000013.tif,FDA0000020231970000014.tif,FDA0000020231970000015.tif,FDA0000020231970000021.tif,FDA0000020231970000022.tif,FDA0000020231970000023.tif,FDA0000020231970000024.tif,FDA0000020231970000025.tif,FDA0000020231970000029.tif,FDA00000202319700000210.tif,FDA00000202319700000211.tif,FDA0000020231970000031.tif2.根據(jù)權(quán)利要求1所述的數(shù)控裝備服役狀態(tài)分析方法，其特征在于，第5步包括下述過程步驟(5.1)建立支持向量機(jī)分類模型，設(shè)上述得到的重要部件和整機(jī)的服役狀態(tài)數(shù)據(jù)樣本容量為n，且η彡10，表示為D={(xf,yf)Xf=(xf！,xf2,Λ,xfm)eS1XS2XΛXSm,yfes，fe{1,2,Λ，η}}，其中，Xf是m維輸入向量，表示數(shù)控裝備的重要部件服役狀態(tài)，yf是整機(jī)服役狀態(tài)的觀測(cè)值；利用以上樣本數(shù)據(jù)，訓(xùn)練得到支持向量機(jī)分類模型，其中核函數(shù)采用徑向基函數(shù)K(xf，x)=exp(-|x-xf|I2/。2)，χ表示待診斷的數(shù)控裝備部件服役狀態(tài)序列，ο為部件服役狀態(tài)樣本數(shù)據(jù)的標(biāo)準(zhǔn)差，其初始范圍取οe(2_13，23°)；步驟(5.2)數(shù)控裝備整機(jī)服役狀態(tài)識(shí)別，將數(shù)控裝備所有重要部件的服役狀態(tài)，代入上述訓(xùn)練好的支持向量機(jī)模型，得到數(shù)控裝備的整機(jī)服役狀態(tài)；步驟(5.3)數(shù)控裝備整機(jī)隱-半馬爾可夫建模和剩余使用壽命預(yù)測(cè)；根據(jù)上述支持向量機(jī)預(yù)測(cè)模型，依次選取10到20個(gè)時(shí)刻點(diǎn)，并根據(jù)此時(shí)刻的重要部件服役狀態(tài)，預(yù)測(cè)得到整機(jī)的服役狀態(tài)，最后得到整機(jī)的服役歷史狀態(tài)序列；然后把第4步中重要部件的服役狀態(tài)序列換成數(shù)控裝備整機(jī)的服役狀態(tài)序列，采用同樣的Baum-Welch訓(xùn)練算法得到整機(jī)服役生命周期的隱_半馬爾可夫模型。全文摘要本發(fā)明屬于重大裝備服役狀態(tài)監(jiān)控與壽命預(yù)測(cè)技術(shù)，具體涉及一種數(shù)控裝備服役狀態(tài)分析方法。該方法先通過多傳感器采集到的表征物理量識(shí)別出數(shù)控設(shè)備多個(gè)重要部件的服役狀態(tài)，然后通過統(tǒng)計(jì)學(xué)習(xí)理論所建立的支持向量機(jī)分類模型預(yù)測(cè)出整機(jī)的服役狀態(tài)，并通過“隱-半馬爾可夫”隨機(jī)過程模型計(jì)算出重要部件和整機(jī)的剩余使用壽命，不僅可以辨識(shí)部件的當(dāng)前運(yùn)行狀態(tài)，而且可以預(yù)測(cè)部件的剩余使用壽命；根據(jù)各個(gè)部件的運(yùn)算結(jié)果，通過支持向量機(jī)分類預(yù)測(cè)方法得到整機(jī)的當(dāng)前運(yùn)行狀態(tài)和剩余使用壽命。本發(fā)明為預(yù)防性維修提供決策支持的新方法。文檔編號(hào)G05B19/4065GK101799674SQ201010133638公開日2010年8月11日申請(qǐng)日期2010年3月28日優(yōu)先權(quán)日2010年3月28日發(fā)明者劉繁茂,張國(guó)軍,朱海平,邵新宇申請(qǐng)人:華中科技大學(xué)