本发明属于剩余寿命预测，具体公开了考虑多指标的多部件分层级系统剩余寿命预测方法。
背景技术：
1、随着传感器和数据采集技术的快速发展，通过各种传感器的状态监测技术可以提供大量关于退化系统健康状况的有用信息。对于退化建模和rul预测，依赖单一指标通常不足以准确描述系统的潜在退化机制，从而导致rul预测结果的不准确与不可靠。多退化指标是指通过监测数据表征部件不同退化状态的健康指标。由于这些指标表征同一系统的退化信息，因此它们之间可能存在依赖关系。考虑指标之间相关性的多性能指标系统退化建模，对多退化指标的系统剩余寿命预测具有重要的意义。对于复杂系统，通常采用多个指标来表征其健康状态。而且复杂系统的组件之间存在不同形式的依赖，包括经济依赖、结构依赖、资源依赖和随机依赖。尤其对于组件间的随机依赖关系，会影响系统的rul分布，因此在多部件之间的随机相关性的基础上，研究多退化指标之间的相关性具有重要的意义。
2、当前关于多指标和多部件系统有两类研究，一类为单部件多指标退化系统；另一类是多部件单指标退化系统。随着系统结构越来越复杂，各个部件之间具有相互影响。一些学者基于多部件之间的相关性进行了退化建模，而且利用单指标来表征各部件的退化。对于多部件相关性建模，它们大致可以分为五类——基于多元联合分布的模型、基于copula的模型、退化率相互作用(dri)模型、基于噪声相关性模型建模、基于影响因子分析法建模。niu等人提出了采用状态空间模型研究部件之间的随机相关性对系统退化过程和剩余使用寿命(rul)的影响。该方法考虑了部件随机相关性和结构相关性，但对于每个部件采用单指标来表征，这可能会导致反映的信息不完整。
3、目前只研究了多部件单指标退化系统，当前对于多部件系统利用多指标来表征文献较少，还有一些学者提出了一种基于健康指数(hi)的预测方法来预测多个电机的rul，并通过相似性算法计算系统的rul。在这里采用的hi指标，该指标是通过多个特征融合而成，并没有考虑多个电机间随机相关性和结构相关性。
4、此外，系统除了受到自身正常的退化外，还会受到外部环境的影响，由于数据采集过程中的噪声影响、传感器技术的限制或对退化机制的理解的不准确，退化过程的影响因素无法详尽地收集。
5、综上所述，当前应该在考虑可测和不可测的外部环境影响下，进一步从多部件-多指标分层级研究考虑随机相关性和结构相关性的系统退化建模和rul预测问题。
技术实现思路
1、为解决现有技术存在的技术问题，本发明提供了一种考虑多指标的多部件分层级系统剩余寿命预测方法。
2、为实现上述目的，本发明所采用的技术方案为：考虑多指标的多部件分层级系统剩余寿命预测方法，具体步骤如下：
3、步骤一、多部件系统中多指标退化建模，考虑传感信号的特征反映设备的退化状态，可得：
4、
5、建立状态空间模型对部件i的剩余寿命进行预测：
6、
7、令，xi＝[xi1,xi2...xim]，整理可得：
8、
9、其中，表示在k-1时刻i部件的相关性系数矩阵，表示在k时刻i部件的多个指标的向量矩阵。
10、本发明采用分布式融合方法将多个指标在滤波过程中进行融合，给出各部件的退化状态。
11、更新公式为：
12、
13、测量公式为：
14、
15、分布融合公式为：
16、
17、多部件系统退化建模：假设存在一个影响退化过程的可测量协变量h(t)，它为随机过程：
18、
19、特别是，外部环境和工作负载是直接影响因素，可能会加速或减缓系统的退化过程，将动态协变量纳入退化建模中，以反映动态运行条件的影响，并提高rul预测精度。
20、为了对动态协变量的影响进行建模，通过指数形式的协变量效应函数vm(t)来表示，即：
21、vm(t)＝eβh(t) (12)
22、其中，β是动态协变量的系数。
23、对于任意部件受到可测和不可测外部环境影响，系统退化建模为：
24、
25、对于多部件系统，每个部件的退化状态都可能受其自身退化影响，还受到其他部件退化的影响，由可得状态方程为：
26、
27、令最终得到：
28、
29、其中，a表示多部件相关性系数矩阵，即表征单一单向、单一双向、双向随机相关性等相关关系；
30、1)、当主对角线元素aii(i＝1...n)不为0，但非对角元素aij(i≠j)为0时，表示多部件之间没有相关性。
31、2)、当主对角线元素aii(i＝1...n)不为0且非对角元素aij(i≠j)都不为0时，表示多部件之间双向随机相关性。
32、3)、当主对角线元素aii(i＝1...n)不为0且非对角元素aij(i≠j)中仅一个不为0时，表示多部件之间为单一单向随机相关性。例如，部件a自身的退化只对部件b的退化产生单向影响，部件a不受其他任何部件退化的影响。
33、4)、当主对角线元素aii(i＝1...n)不为0，对于矩阵a上三角中的元素aij(i<j,j＝1...n)为0且下三角元素aij(i>j,i＝1...n)不为0时，表示多部件之间为单一多向随机相关性。例如，部件a的退化会对部件b、部件c等多个部件的退化产生影响，其自身退化不受其他任何部件退化的影响。
34、由于系统结构复杂多变，当前对于研究这种双向随机相关性更为重要。参数估计：由于模型中有大量参数，一次求解所有参数会导致参数不准确。即，因此，本发明对这些参数进行分布求解。其中,di,qi,ci,ri分别为i部件多指标的相关性系数矩阵，噪声协方差矩阵，测量系数矩阵和测量噪声协方差矩阵。a,q和β分别多部件的相关性系数矩阵，噪声协方差矩阵以及协变量相关性参数。为可测协变量中的参数。
35、step1、首先使用卡尔曼滤波和卡尔曼平滑算法来实现对i部件多指标退化状态的估计，得到其状态的期望和协方差矩阵。
36、step2、同时采用em算法，对i部件多指标退化模型中的参数di,qi,ci和ri进行估计。
37、状态方程：
38、
39、观测方程：
40、
41、step3、接着利用退化模型式(1)-(3)和参数di、qi、ci和ri估计值产生i部件多指标退化曲线，并通过融合算法对多指标退化状态进行融合，构建出i部件的退化状态。
42、step4、然后利用em-kf算法，对所有部件退化模型中的参数a、q和β进行估计；
43、
44、其中，qk表示多部件k时刻过程噪声的协方差。
45、
46、step5、参数根据式(11)可以写成对数似然函数为：
47、
48、对外部环境协变量中的参数μh和
49、
50、系统剩余寿命预测：由于多部件系统具有不同的结构，使得预测系统rul也存在明显的差异，考虑多部件系统的不同结构函数，推导五种结构下多部件系统的rul。
51、定义结构函数：1)串联结构、2)并联结构、3)并-串联结构、4)串-并联结构、5)融合结构；
52、对于多部件不同结构的函数，系统剩余寿命分布也不同；
53、首先定义在串联结构下系统的剩余寿命lk为：
54、lk＝inf{lk>0:x1(lk+tk)≥ω1,or...,orxi(lk+tk)≥ωi,or...,i＝1,2,...,n|xk,θk} (27)
55、其中，ωi表示部件i对应的失效阈值，tk为当前监测时刻，lk表示剩余时间，θk表示模型中的所有未知参数。
56、根据式(27)定义，首先计算该结构下系统的可靠度
57、
58、其中，表示n个部件在k时刻退化状态增量的概率密度函数。
59、根据系统的并联结构，定义系统的剩余寿命lk：
60、lk＝inf{lk>0:x1(lk+tk)≥ω1,...,and xi(lk+tk)≥ωi,...,i＝1,2,...,n|xk,θk} (29)
61、为了求解系统的剩余寿命，首先求得系统的可靠度函数
62、
63、根据系统的并-串联结构，定义系统的剩余寿命lk：
64、lk＝inf{lk>0:(x1(lk+tk)≥ω1,..,and xm(lk+tk)≥ωm)or(xm+1(lk+tk)≥ωm+1....and xn(lk+tk)≥ωn)|xk,θk}
65、 (31)
66、为了求解系统的剩余寿命，首先求得系统的可靠度函数
67、
68、根据系统的串-并联结构，定义系统的剩余寿命lk：
69、lk＝inf{lk>0:(x1(lk+tk)≥ω1,..,or xm(lk+tk)≥ωm)and(xm+1(lk+tk)≥ωm+1....or xn(lk+tk)≥ωn)|xk,θk}
70、 (33)
71、为了求解系统的剩余寿命，首先求得系统的可靠度函数
72、
73、融合结构为多个部件退化状态加权求和超过总的失效阈值时，则系统发生故障，系统的剩余寿命lk为：
74、lk＝inf{l>0:λ1x1(k+l)+...+λnxn(k+l)≥w|xk,θk}(35)
75、其中，w表示融合以后的失效阈值，λi为i指标对应的融合权重，w＝λ1w1+...+λiwi+...+λnwn，求得系统的可靠度函数为：
76、
77、其中，表示n个部件退化状态融合以后的概率密度函数。
78、最后多部件系统的剩余寿命pdf为：
79、
80、其中，表示偏导函数。
81、采用本发明所提的分层级相关性退化模型，在各种结构下对多部件系统的剩余寿命进行预测，得到剩余寿命预测的结果可以为多部件系统维修决策提供依据。
1.考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，具体步骤如下：
2.根据权利要求1所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，在步骤一中，在建模过程中，考虑传感信号的特征反映设备的退化状态得：
3.根据权利要求2所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，在步骤二中，建立状态空间模型对部件i的剩余寿命进行预测：
4.根据权利要求3所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，在步骤三中，采用分布式融合方法将多个指标在滤波过程中进行融合，给出各部件的退化状态；
5.根据权利要求4所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，将动态协变量纳入退化建模中，通过指数形式的协变量效应函数vm(t)来表示：
6.根据权利要求5所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，对参数进行分布求解；
7.根据权利要求6所述的考虑多指标的多部件分层级系统剩余寿命预测方法，其特征在于，系统剩余寿命预测：考虑多部件系统的不同结构函数，推导五种结构下多部件系统的rul；
