1.一种含有多个相关退化过程的剩余寿命预测方法,其特征在于:按照如下步骤依次进行:步骤1:读入M组状态监测退化数据,即传感器测量数据,第j组传感器测量数据记为其中,j=1,2,…,M;
步骤2:将每组首个数据作为初始测量偏差 各个监测时刻下隐含的退化状态记为xk,针对如下结构初始化模型参数,包括漂移系数λ,非线性系数γ,状态方程的协方差矩阵Q,测量系数矩阵g(j)以及各个测量的噪声方差其中, 表示第j组传感器在tk时刻下的测量向量,Φk~N(0,Qk),Φk为扩散系数矩阵;τk为第k个监测间隔,
步骤3:基于序贯卡尔曼滤波方法辨识隐含的退化状态xk|k;
步骤4:利用EM算法迭代更新未知参数λ,γ, 的估计;
步骤5:通过蒙特卡洛仿真方法进行离散采样,分别在串联失效模式M1、并联失效模式M2以及加性失效模式M3下,计算剩余寿命的可靠度函数Rk(t),即其中,Lj表示第j个退化过程xj(t)的失效阈值,且有j=1,2,…,N;τ表示蒙特卡洛采样间隔; 为第k个监测时刻下退化状态的估计值;Υk为第k个监测时刻以前的所有测量数据;
步骤6:利用数值微分求取剩余寿命的概率密度函数,即
步骤7:分别计算三种失效模式下的均方误差MSE,即
其中,为tk时刻时真实的剩余寿命,根据MSE的值检验模型的预测效果,并输出对应的fk(t)。
2.根据权利要求1所述的含有多个相关退化过程的剩余寿命预测方法,其特征在于:在步骤7中,根据MSE的值检验模型的预测效果的具体方法:若MSE随着监测时刻逐渐减小直至趋于零,即说明预测效果良好,按照使用对象的实际需求判断系统的失效模式,具体为若系统各个部件均为关键部件,则为串联失效;若尚有一个部件正常仍能继续工作,则为并联失效;若各个部件对于系统的失效体现为部分失效,且存在累积效应,则为加性失效。