基于维纳过程模型的剩余使用寿命预测 1.蒙特卡洛方法模拟部件的退化轨迹代码 2.线性维纳模型预测剩余使用寿命的代码及文章参考 3.非线性维纳模型预测剩余使用寿命的代码及文章参考 4.MLE估计算法代码 5.卡尔曼滤波算法更新参数代码。 6.贝叶斯参数更新
蒙特卡洛造点退化数据
先整点仿真数据最实在。维纳过程的核心是漂移+随机波动，咱们用numpy搞个退化轨迹生成器：
import numpy as np def generate_degradation(drift=0.2, diffusion=0.5, steps=100): t = np.arange(steps) delta_t = t[1] - t[0] increments = drift*delta_t + diffusion*np.sqrt(delta_t)*np.random.randn(steps) return np.cumsum(increments) # 生成10条退化曲线 import matplotlib.pyplot as plt for _ in range(10): plt.plot(generate_degradation()) plt.title("蒙特卡洛退化轨迹") plt.show()这段代码的关键在于时间增量的处理——漂移项线性增长，扩散项带着随机噪声。跑出来的曲线那叫一个妖娆，跟实际设备磨损的随机性特匹配。
线性维纳玩转寿命预测
假设退化量超过阈值3.0就算报废，参考Si大神的经典模型[1]，咱们可以直接计算首次穿越时间的概率密度：
from scipy.stats import norm def rul_pdf(t, current_degradation, drift, diffusion): threshold = 3.0 mu = (threshold - current_degradation)/drift sigma = diffusion*np.sqrt(t)/drift return norm.pdf(t, loc=mu, scale=sigma) # 示例：当前退化量1.5时的RUL分布 t_range = np.linspace(0, 20, 100) plt.plot(t_range, rul_pdf(t_range, 1.5, 0.2, 0.5)) plt.title("线性维纳RUL概率密度") plt.show()这里用到了首次穿越时间的解析解，计算效率高到飞起。但注意这假设参数已知，现实中咱得接着往下看参数估计。
非线性场景怎么办
设备退化常有加速现象，这时候得用Wang的指数模型[2]。改动生成函数：
def nonlinear_wiener(t_max=100): t = np.arange(t_max) return 0.001*(t**2) + 0.1*np.cumsum(np.random.randn(t_max)) # 参数估计得用极大似然（后面讲）参数估计实战
历史数据在手，MLE大法搞起。写个负对数似然函数扔给优化器：
from scipy.optimize import minimize def mle_estimate(data, dt=1): def neg_log_likelihood(params): mu, sigma = params n = len(data)-1 diff = np.diff(data) return n*np.log(sigma*np.sqrt(dt)) + 0.5*np.sum((diff - mu*dt)**2)/(sigma**2*dt) result = minimize(neg_log_likelihood, [0.1, 0.5]) return result.x # 测试估计效果 data = generate_degradation(steps=500) print("真实参数(0.2,0.5)，估计结果:", mle_estimate(data))优化结果受初值影响大，多跑几次取稳定值。工业现场数据量大时这个方法挺抗造。
在线更新用卡尔曼
设备运行时实时数据来了，上卡尔曼滤波动态调整参数。这里把漂移系数当作状态变量：
def kalman_update(prior_mean, prior_var, measurement, dt=1, obs_noise=0.1): # 预测步 pred_mean = prior_mean pred_var = prior_var + 0.01 # 过程噪声 # 更新步 residual = measurement - pred_mean*dt K = pred_var*dt / (pred_var*(dt**2) + obs_noise) post_mean = pred_mean + K*residual post_var = (1 - K*dt)*pred_var return post_mean, post_var # 模拟在线更新过程 true_drift = 0.22 measurements = true_drift + np.random.normal(0, 0.1, 50) estimate = [] mu, var = 0.2, 0.5 for z in measurements: mu, var = kalman_update(mu, var, z) estimate.append(mu) plt.plot(estimate, label='估计值') plt.axhline(true_drift, color='r', linestyle='--', label='真实值') plt.legend() plt.show()卡尔曼增益自动调节信任程度，数据越多估计越准，这个特性在寿命预测中贼有用。
贝叶斯派怎么玩
最后整个PyMC3实现贝叶斯参数更新，适合小数据场景：
import pymc3 as pm with pm.Model() as bayesian_model: mu = pm.Normal('mu', mu=0.2, sigma=0.5) sigma = pm.HalfNormal('sigma', sigma=1) likelihood = pm.Normal('obs', mu=mu*1, sigma=sigma, observed=measurements) trace = pm.sample(1000, tune=500) pm.plot_posterior(trace) plt.show()后验分布直接给出参数的不确定性，做风险决策时比单点估计靠谱多了。
总结
从生成数据到参数动态更新，这套组合拳基本覆盖了维纳过程做寿命预测的核心流程。实际应用时要特别注意模型假设验证——漂移系数是否真恒定？扩散项是不是正态？这些直接关系到预测准头。代码把玩起来，有坑欢迎来唠！
[1] Si X S, et al. IEEE Trans Reliab, 2012
[2] Wang X, et al. Mech Syst Signal Process, 2014
