技术特征：
1.一种基于非线性退化的轧辊剩余寿命预测实现方法，其特征在于，通过构建基于核函数的非线性wiener过程退化模型并初始化参数后，采用轧辊健康状态历史序列对模型进行训练；在在线阶段采用基于非线性wiener过程退化模型的完整表达式，对待测轧辊退化数据进行计算，得到预测输出及其概率分布，并根据预测输出及其概率分布推导得轧辊剩余寿命的概率密度函数，实现剩余寿命预测。2.根据权利要求1所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的非线性wiener过程退化模型，具体为：其中：σb(t)为扩散函数；核函数的一般形式为k(t，t
i
)＝λ(t)
·
λ(t
i
)，λ(t)为时间尺度转换函数，w
i
是权重系数，w0为截距，w＝(w0，w1，
…
，w
n
)
t
，t
i
为i时刻健康状态时间序列的对应值。3.根据权利要求1所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的轧辊健康状态历史序列，通过更换表单/维修表单收集轧辊直径和轧制公里数等历史数据，并去除无效数据，获得轧辊健康状态历史序列。4.根据权利要求1所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的初始化参数是指：基于轧辊退化历史数据和贝叶斯公式，推导模型未知参数w和σ的后验分布，获得边际似然函数，并通过最大化边缘似然函数，最终得到参数w和σ的最大似然估计值。5.根据权利要求1所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的训练是指：通过迭代估计算法，即根据核函数性质删除迭代过程中部分权重和核函数求得非线性wiener过程退化模型的近似解，作为模型参数的估计值，生成非线性wiener过程退化模型的完整表达式，从而实现模型的稀疏性，提升了工程分析效率以适用轧辊性能状态的在线监测。6.根据权利要求4所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的初始化参数，具体包括：5.1)为避免模型出现过拟合现象，定义参数w的先验分布为均值为0的高斯分布，即：其中α＝(α0，α1，
…
，α
n
)是w的超参数向量；5.2)定义α和σ2的超先验分布服从gamma分布，即p(β)＝gamma(β|c，d)，a＝b＝c＝d＝10-4
；5.3)基于贝叶斯公式，推导未知参数w、α和σ的后验分布为p(w，α，σ2|x)＝p(w|x，α，σ2)p(α，σ2|x)；5.4)最大化边际似然函数p(α，σ2|x)，使p(x|α，σ2)最大，得：)最大，得：其中其中7.根据权利要求5所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的迭代估计算法，具体包括：
6.1)推导得α和σ2的迭代更新值分别为和(σ2)
new
＝||x-φ
μ
||2/n-∑
i
γ
i
，其中：∑＝(σ-2
φ
t
φ+diag(α1，
…
，α
n
))，μ＝(diag(α1，
…
，α
n
)+φ
t
∑-1
φ)-1
+φ
t
∑-1
φx；6.2)循环迭代直到达到最大循环次数或者输出结果的梯度小于收敛条件(10-3
)，并记α
mp
和σ
2mp
为停止迭代后的最优值；6.3)在迭代过程中易发生部分α
i
趋于无穷的现象，根据核函数性质删除迭代过程中所有α
i
＞α
max
的α
i
所对应的权重和核函数，并设α
max
＝105，通过此过程实现退化模型的稀疏性，提升了工程分析效率以适用轧辊性能状态的在线监测。8.根据权利要求7所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的轧辊预测值及概率分布，通过以下方式得到：根据估计值生成退化模型的完整表达式，在在线预测阶段，根据待测轧辊退化数据x
*
，计算轧辊预测值及概率分布，具体为：其均值和方差分别为：其均值和方差分别为：其中：α
mp
和为停止迭代后参数的最优值。9.根据权利要求7所述的基于非线性退化的轧辊剩余寿命预测实现方法，其特征是，所述的轧辊剩余寿命的概率密度函数为其中：ξ为预设失效阈值。10.一种实现权利要求1～9中任一所述方法的基于非线性退化的轧辊剩余寿命预测系统，其特征在于，包括：数据预处理单元、模型构建单元、退化建模单元以及剩余寿命预测单元，其中：数据预处理单元根据生产线原始历史数据，进行数据清洗处理，得到模型的输入数据；模型构建单元根据处理完的轧辊实测数据，基于核函数的wiener过程模型，进行贝叶斯参数估计，得到非线性wiener过程退化模型；退化建模单元依据非线性wiener过程退化模型计算得到未来时刻的预测输出及其概率分布，剩余寿命预测单元根据非线性wiener过程退化模型和预测输出及其概率分布，得到轧辊当前剩余寿命的概率密度函数，从而提高设备运转效率与安全性并实现视情维护。
技术总结
一种基于非线性退化的轧辊剩余寿命预测实现方法，其特征在于，通过构建基于核函数的非线性Wiener过程退化模型并初始化参数后，采用轧辊健康状态历史序列对模型进行训练；在在线阶段采用基于非线性Wiener过程退化模型的完整表达式，对待测轧辊退化数据进行计算，得到预测输出及其概率分布，并根据预测输出及其概率分布推导得轧辊剩余寿命的概率密度函数，实现剩余寿命预测。本发明通过对轧辊剩余寿命进行预测与分析，能够实现对轧钢生产线从当前的定期维护过渡到基于条件的维护，提高轧钢产品质量并降低生产成本。品质量并降低生产成本。品质量并降低生产成本。
技术研发人员：王汉禹 陈震 周笛 陈兆祥 潘尔顺
受保护的技术使用者：上海交通大学
技术研发日：2022.03.14
技术公布日：2022/7/29