本发明属于设备健康管理，涉及一种系统相似性剩余寿命预测方法及装置。
背景技术：
1、随着当今社会科学技术的迅速发展和人类文明的进步，飞行设备、轮船、车辆等大型机械高精设备和基础设备对我国经济的发展和国家安全建设都具有重大的意义，预测和健康管理技术可以有效降低设备失效导致的经济损失，保证设备的可靠运行时间，提升设备的安全性能。因此，对现代复杂机械设备进行剩余寿命预测是十分必要。
2、随着大数据时代的兴起，考虑复杂系统模型的数据驱动预测方法受到越来越多的关注。在数据驱动的模型中，基于退化轨迹相似性匹配的预测方法由于其较强的可解释性和相对简单的实现过程而受到广泛应用。然而，大多数学者在退化轨迹相似性匹配过程中采用的是两点之间的欧氏距离，导致相似性容易受到异常噪声点的干扰进而影响整体的匹配结果。
3、此外，在量化两个轨迹之间的相似性时，现有工作往往忽略了退化程度的演化。由于设备中晚期的退化程度比早期剧烈，这致使基于相似性匹配方法的早中期预测效果较差，远弱于其后期预测效果，因此在退化轨迹相似性匹配过程中，考虑样本的退化程度和不同退化阶段相似度的非线性是有必要的。最后，大多数学者忽略了离线健康退化指标和在线健康退化指标在相似性匹配过程中的退化对齐问题，进一步导致预测误差的产生。
技术实现思路
1、本发明的目的在于提供一种系统相似性剩余寿命预测方法及装置，用集成全局和局部剩余寿命的核密度方法估计设备的剩余寿命，提高预测准确率和竞争力。
2、为了达到上述目的，本发明的基础方案为：一种系统相似性剩余寿命预测方法，包括如下步骤：
3、s1，获取机械系统运行至失效的状态监测传感器数据，并进行预处理；
4、s2，对预处理后的每列状态监测传感器数据采用自适应噪声完备集合经验模态分解，得到多个模态分量i mfs和残差rn；
5、s3，基于t检验方法，对步骤s2中的多个模态分量i mfs进行筛选，判断各模态分量的均值与零间的差值是否大于阈值，若大于阈值则作为能反映原始信号高频特征的i mfs；
6、对能反映原始信号高频特征的i mfs进行慢特征分析，得到各传感器信号退化过程中的局部再生，步骤s2中的所述残差表示全局退化量；
7、s4，根据步骤s3中得到的全局退化和局部再生数据，基于双向门控循环单元，采用滑动时间窗截取全部传感器全局和局部退化曲线，编码得到一维健康指标向量；
8、对传感器数据和一维健康指标向量拟合构建线性回归模型，构建训练和测试退化曲线库；
9、s5，基于步骤s4中所述训练和测试退化曲线库，根据自适应控制参数最长公共子序列，进行相似度匹配，计算两条退化曲线之间的相似度；
10、s6，基于步骤s5中的相似度匹配方法，将待预测设备的退化曲线与训练曲线库中的全局和局部曲线进行相似度匹配，计算相似度较高的剩余寿命预测值的加权平均，得到一系列剩余寿命预测值；
11、s7，基于步骤s6中的剩余寿命预测系列值，根据非参数核密度估计方法，构建预测剩余寿命的概率分布函数，取中位值作为最终预测的剩余寿命。
12、本基础方案的工作原理和有益效果在于：本技术方案基于自适应最长公共子序列，通过引入自适应控制参数来充分考虑样本退化程度，有效去除样本退化轨迹相似度匹配中噪声的影响，解决不同退化阶段相似度非线性的问题。且本发明能够解决退化轨迹相似性匹配存在的退化对齐问题，用集成全局和局部剩余寿命的核密度方法估计设备的剩余寿命，其方法有较高的预测准确率和竞争力。
13、进一步，对状态监测传感器数据进行预处理的方法为：对状态监测传感器数据进行归一化处理，并按照工况条件对数据进行k-means聚类，得到退化趋势更为明显的退化曲线。
14、对状态监测传感器数据进行预处理，精简数据，便于后续使用。
15、进一步，步骤s4中基于双向门控循环单元，采用滑动时间窗截取全部传感器全局和局部退化曲线，编码得到一维健康指标向量，具体步骤如下：
16、s401，给定一个从运行到故障的时间序列实例x＝[x1,x2,…,xt]，其中，每一个xi都是m维传感器读数的集合xi＝[s1,s2,…,sm]，1≤i≤t，t为时间点，sm为第m维传感器的读数，用长度为ω的固定时间窗对x进行截取，得到时间窗数据序列l＝[l1,l2,…,lt-ω+1]，li＝[xi,xi+1,…,xi+ω-1]ω×m；
17、将时间窗数据序列依次输入到训练好的双向门控循环单元模型中，多维传感器时间序列x转化为单变量健康指标向量序列y＝[yω,yω+1,yω+2,…,yt]，携带原始序列的健康状态信息；
18、s402，基于步骤s401中t时刻的全局或局部退化特征xt和健康退化指标数值ht，建立线性回归模型：
19、ht＝θ0+θtxt
20、其中，θ＝[θ1,θ2,…,θm]为相应的传感器系数因子，θ0表示常数项，θ和θ0都可由最小二乘法得到；t表示转置；m表示测试序列x的长度；
21、s403，步骤s402中的线性回归模型训练完毕后，直接代入训练和测试实例的全局和局部特征，得到全局健康退化曲线和局部健康退化曲线，最终构建全局和局部健康退化曲线库。
22、构建全局和局部健康退化曲线库，利于后续使用。
23、进一步，步骤s5根据自适应控制参数最长公共子序列，进行相似度匹配，计算两条退化曲线之间的相似度，具体方法如下：
24、s501，根据健康指标向量测试序列xm＝[x1,x2,…,xm]和训练序列yn＝[y1,y2,…,yn]，引入自适应控制参数，计算两段序列的最长公共子序列长度，其中自适应控制参数用来控制对应点的阈值和权重，对应的关系式为：
25、
26、其中，α是一个权重参数，用于控制公共子序列在不同退化程度下的权重，考虑了匹配过程中相似度和寿命的非线性关系；σ为阈值参数，用于控制两点间相似度的允许误差并消除噪声对相似度匹配的影响；l是递归过程中最长公共序列的长度；
27、s502，根据步骤s501计算得到的最长公共子序列长度，计算xm和yn的相似度：
28、
29、其中，m和n分别表示测试序列x和训练序列y的长度；l(xm,yn)表示x和y的最长公共子序列的长度；lcs(xm,yn)表示x和y的相似度。
30、引入自适应控制参数来充分考虑样本退化程度，以解决不同退化阶段相似度非线性的问题。
31、进一步，步骤s6中计算相似度较高的剩余寿命预测值的加权平均，得到一系列剩余寿命预测值的方法为：
32、s601，现有第j个运行到失效的训练样本全局健康退化曲线hi(j)g＝[h(j)g,1,h(j)g,2,…,h(j)g,k]，其中k代表训练实例至失效时的运行周期，h(j)g,k为第j个训练样本第k个全局健康指标值；
33、另有一测试样本的健康退化曲线hi′g＝[h′g,1,h′g,2,…,h′g,i]，其中i代表测试样本截尾时的运行周期；hi(j)g,k,τ是从τ时刻开始的训练样本的全局健康退化曲线截断的一段，h′g,i为测试样本的第i个全局健康指标值；
34、s602，不同样本初始健康条件不一致的情况下的全局剩余寿命rulg(j,τ)为：
35、rulg(j,τ)＝ij+i′-τ
36、其中，τ是一个时滞参数，意义是解决不同实例初始条件不一而产生预测误差的问题；ij为全局退化曲线库中第j个训练样本的运行寿命，i′为全局退化曲线库中测试样本的运行周期；
37、同理，计算测试样本的局部剩余寿命rull(j,τ)；
38、s603，根据步骤s602中提到的时滞参数τ，进行模型超参数的网格搜索，测试样本的剩余寿命由相似度较高的预测值加权平均得到：
39、
40、其中，表示在参数网格搜索过程中，τ和j的所有组合中的最大相似度；sg(j,τ)表示在τ和j的组合下的全局相似度，sl(j,τ)表示在τ和j的组合下的局部相似度，s(j,τ)表示在τ和j的组合下全局或局部相似度；β用来控制估计最终剩余寿命的相似度阈值，表示参与剩余寿命计算的相似度必须大于其规定的相似度阈值。
41、计算测试样本的剩余寿命预测值，操作简单，便于使用。
42、进一步，步骤s7根据非参数核密度估计方法，构建预测剩余寿命的概率分布函数，具体步骤如下：
43、s701，基于步骤s6中超参数网格搜索的不同组合，产生多个全局和局部剩余寿命集成预测值，即rul(j)＝[rul1,rul2,…,rulp]，其中rul(j)为第j个测试样本的集成剩余寿命预测序列，rulp为集成剩余寿命预测序列中第p个剩余寿命预测值；
44、采用非参数核密度估计rul(j)的分布类型，计算其概率密度函数：
45、
46、其中，k(·)为高斯核函数，h是平滑参数，p为rul(j)中的元素个数，f(·)是概率密度函数；rul代表积分变量；
47、s702，对概率密度函数积分，得到rul的分布函数：
48、
49、其中，f(·)表示分布函数，k(rul)drul＝1，取概率分布函数的中位数作为最终的rul，并得到95％的置信区间来量化rul估计的可靠性。
50、用集成全局和局部剩余寿命的核密度方法估计设备的剩余寿命，其方法有较高的预测准确率和竞争力。
51、本发明还提供一种系统相似性剩余寿命预测装置，包括数据采集模块和处理模块，所述数据采集模块用于获取机械系统运行至失效的状态监测传感器数据，数据采集模块的输出端与处理模块的输入端连接，所述处理模块执行本发明所述方法，预测系统相似性剩余寿命。
52、本装置通过数据采集模块和处理模块，采集相关数据并进行分析处理，预测系统相似性剩余寿命，预测的准确性更高。
1.一种系统相似性剩余寿命预测方法，其特征在于，包括如下步骤：
2.如权利要求1所述的系统相似性剩余寿命预测方法，其特征在于，对状态监测传感器数据进行预处理的方法为：对状态监测传感器数据进行归一化处理，并按照工况条件对数据进行k-means聚类，得到退化趋势更为明显的退化曲线。
3.如权利要求1所述的系统相似性剩余寿命预测方法，其特征在于，步骤s4中基于双向门控循环单元，采用滑动时间窗截取全部传感器全局和局部退化曲线，编码得到一维健康指标向量，具体步骤如下：
4.如权利要求1所述的系统相似性剩余寿命预测方法，其特征在于，步骤s5根据自适应控制参数最长公共子序列，进行相似度匹配，计算两条退化曲线之间的相似度，具体方法如下：
5.如权利要求1所述的系统相似性剩余寿命预测方法，其特征在于，步骤s6中计算相似度较高的剩余寿命预测值的加权平均，得到一系列剩余寿命预测值的方法为：
6.如权利要求5所述的系统相似性剩余寿命预测方法，其特征在于，步骤s7根据非参数核密度估计方法，构建预测剩余寿命的概率分布函数，具体步骤如下：
7.一种系统相似性剩余寿命预测装置，其特征在于，包括数据采集模块和处理模块，所述数据采集模块用于获取机械系统运行至失效的状态监测传感器数据，数据采集模块的输出端与处理模块的输入端连接，所述处理模块执行权利要求1-6之一所述方法，预测系统相似性剩余寿命。
