(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111528233.5 (22)申请日 2021.12.14 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 孙焘　武云坤　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 戴风友 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06F 111/04(2020.01) G06F 111/08(2020.01)G06F 119/02(2020.01) (54)发明名称 一种基于随机停滞非线性退化模型的寿命 预测算法 (57)摘要 本发明涉及计算机领域中剩余寿命的预测， 涉及一种基于随机停滞非线性退化模型的寿命 预测算法。 本发 明使用隐状态 来表示各个阶段的 设备的状况， 各个隐状态的值只与参数λ有关， 可以简化对状态的推测的计算量， 对 预处理的数 据进行归一化后可以避免实际数据过大或者过 小导致的数据操作的难度。 多次迭代 求解与真实 情况误差最小的参数进而获得隐状态序列， 可以 很好的提高预测的精确程度。 本专利的数据背景 是用于处理具有随机停滞状态的数据集， 由于基 于机器学习的方法需要对大量的过往数据进行 总结才能得出模 型， 因此基于概率的方法可以很 好的弥补对于小规模数据的预测， 但基于概率的 其他方法在处理具有随机停滞的数据集时效果 有一定的限制。 权利要求书4页 说明书10页 附图5页 CN 114169107 A 2022.03.11 CN 114169107 A 1.一种基于随机停滞非线性退化模型的寿命预测算法， 其特 征在于， 包括以下步骤： 步骤1： 对已有的数据进行 数据预处 理； 步骤1‑1： 计算初始正常序列的均值 υ， 方差 以及最大值U0； 步骤1‑2： 随着新的数据的到来， 算法迭代求解序列的最大值、 方差和均值， 直到出现当 前数据与之前序列中末尾两个数据连续超出退化阈值时， 从正常运行过程进入退化过程， 如果退化 值超过退化阈值则判定其失效； 步骤1‑3： 对退化数据进行 单调非减处 理， 并将数据进行归一 化处理， 以待后续的使用； 步骤2： 剩余寿命 模型的参数进行初始化； 步骤2‑1： 初始化预测模型的参数， 初始化参数 隐状态个数K以及隐状态初始序列 z( λ )＝z0,z1,...,zK； 步骤2‑2： 将时间 ‑隐状态矩阵进行初始化； 步骤3： 求 解在参数 λ下的Viterbi 算法； 步骤3‑1： 将初始化 好的时间 ‑隐状态矩阵传入当前算法， 并对该矩阵的值进行 更新； 步骤3‑2： 生成当前时刻下的最优隐状态下标序列， 并将当前时刻生成的最优隐状态下 标序列以及当前时刻最优时间 ‑隐状态矩阵进行返回； 步骤4： 状态路径迭代进行剩余寿命预测； 步骤4‑1： 传入t时刻实时数据， 以及 初始化好的参数 步骤4‑2： 迭代执 行步骤3， 更新矩阵以及隐状态下 标序列， 并且进行参数 λ 的更新； 步骤4‑3： 判断当前时刻的ω值与上一 次的ω的差值的绝对值的关系， 如果依然大于阈 值ε， 则继续进行迭代并使用新的参数对时间 ‑隐状态矩阵以及隐状态下标序列进行更新， 否则返回剩余寿命的预测结果。 2.如权利要求1所述的一种基于随机停滞非线性退化模型的寿命预测算法， 其特征在 于， 所述的步骤2 ‑1中， 对于隐状态以及隐状态个数初始化如下： 设在参数θ 下， 隐状态序列 实时序列为y＝[y0,y1,…,yk]， 其中实时 序列各个元素之间的发生概率相互独立， y与其在θ参数下的隐状态服从正态分布， 即 其中δz取为常数； 对于实时序列y中任何一个元素， 其所处的隐含状态都被包含于序列z( θ )中； 设在参数 θ下， t时刻观察信号yt对应的隐状态 其中 隐状态 服从非线性函 数： 其中θ(b, λ )； K为经验 估值， 取K的方法为： 设T0为启动剩余寿命(RUL)预测的起始时刻(假设取8)， 设 为退化早期权　利　要　求　书 1/4 页 2 CN 114169107 A 2参数 λ 的经验 估计值， 则 取隐状态个数(减一) 在估值K确定的前提下， 我们可以推出约束 我们可以得出参数θ(b, λ )事实上只 取决于 λ， 且 之间的状态转移 有Markov性， 即某一时刻的状态变量 的取值仅依赖于t ‑1时刻的状态变量； 因此就会出现以下两种情况： t时刻的状态变量延续 t‑1时刻的隐状态 值或取t‑1时刻隐状态序列在总隐状态序列中的下一个状态； 其状态 转移 概率为： 其中初始值 为p(z0)＝1。 3.如权利要求1或2所述的一种基于随机停滞 非线性退化模型的寿命预测算法， 其特征 在于， 所述的步骤2 ‑2中， 对于时间 ‑隐状态矩阵的初始化使用如下函数： 其中， i表示采集数据的时间， j表示数据所处隐状态下标， 第一个赋值表示误差， 第二 个赋值表示上一时刻的隐状态下 标。 4.如权利要求1或2所述的一种基于随机停滞 非线性退化模型的寿命预测算法， 其特征 在于， 所述的步骤3 ‑1中， 求取时间 ‑隐状态矩阵以及最优隐状态下标的方法取参数θ＝λ的 概率密度函数f( λ )， 取 其中fG(.,.)见公式(1)， δΛ为常数； 则其极大似然函数为公式(2)， 特别的， 令 对极大似然函数的公式(2)取负对数 ‑In， 当且仅当公式(1)取最大值时， 公式(3)取最 小值： 权　利　要　求　书 2/4 页 3 CN 114169107 A 3