Reliability Assessment Method Based on Improved Unscented Kalman Filter

doi:10.3969/j.issn.1009-086x.2025.04.014

Abstract

Abstract:

To solve the problems of limited data and insufficient data utilization during the service period of high-reliability equipment， a reliability assessment method based on an improved Sage-Husa adaptive unscented Kalman filter（UKF） is proposed. This method integrates the distribution parameters of the measured data reflecting performance degradation with predicted distribution parameters. A statistical model is established for performance degradation data， and a degradation failure model is constructed based on the optimal estimates of the distribution parameters. The least squares support vector machine （LS-SVM） is utilized to predict the distribution parameters， serving to characterize the data trend information. The predicted data is set as the state variable and the measured distribution parameters as observation variables. Based on the nonlinear Wiener process， the state and observation equations of the UKF model are established to obtain the optimal estimates of the distribution parameters. To reduce the impact of the measurement noise covariance matrix on the filtering accuracy， the improved Sage-Husa algorithm is introduced to optimize these matrices， enhancing the accuracy and stability of the optimal estimates. Exemplary results demonstrate that the proposed method increases the information content of the data available for reliability assessment. The reliability evaluation results obtained for the equipment are in good agreement with the actual engineering results， validating the rationality and effectiveness of the method.

Key words: Wiener process, unscented Kalman filter（UKF）, Sage-Husa algorithm, optimal estimates, reliability assessment

摘要：

针对高可靠性产品服役期间数据有限、数据信息利用不充分等问题，融合性能退化实测数据分布参数与预测分布参数，提出了基于改进的Sage-Husa自适应无迹卡尔曼滤波的可靠性评估方法。该方法确定了性能退化数据统计模型得到了分布参数，并构建了基于分布参数最优估值的退化失效模型。利用最小二乘支持向量机（LS-SVM）预测得到了分布参数的预测数据以表征数据趋势信息，并以预测数据为状态变量、实测数据为观测变量，基于非线性Wiener过程建立了无迹卡尔曼滤波模型的状态方程与观测方程，得到了分布参数的最优估值；同时为了降低传统无迹卡尔曼滤波中测量噪声协方差矩阵对滤波精度影响，引入改进的Sage-Husa算法对其进行优化以提高最优估值结果的准确性和稳定性。示例结果表明，该方法增大了可靠性评估可利用数据的信息量，且得到的可靠性评估结果与工程实际结果基本一致，验证了本方法的合理性和有效性。

关键词: Wiener过程, 无迹卡尔曼滤波, Sage-Husa算法, 最优估值, 可靠性评估

CLC Number:

E920

Jianyin ZHAO, Jingwei JIANG, Shuntao WEI. Reliability Assessment Method Based on Improved Unscented Kalman Filter[J]. Modern Defense Technology, 2025, 53(4): 129-139.

赵建印, 姜经纬, 魏顺涛. 基于改进无迹卡尔曼滤波的可靠性评估方法[J]. 现代防御技术, 2025, 53(4): 129-139.

Figures/Tables 11

Fig. 1 Reliability assessment flowchart

Fig. 2 Failure distribution density function and degradation density function relationship diagram

Table 1 Degradation normality test

第k年	统计量W	显著性p_W
1	0.844	0.483
2	0.887	0.202
3	0.970	0.691
4	0.894	0.184
5	0.893	0.179
6	0.943	0.488
7	0.923	0.476
8	0.905	0.264
9	0.913	0.248
10	0.942	0.579
11 12	0.897 0.954	0.211 0.187

Table 2 Unbiased estimation results of distribution parameters

第k年	$μ k$	$σ k 2$
1	10.998 0	0.747 9
2	10.833 0	0.613 1
3	10.727 0	0.353 3
4	10.827 0	0.377 0
5	10.807 0	0.687 0
6	10.835 0	0.536 9
7	10.764 0	0.500 2
8	10.811 0	0.404 9
9	11.098 0	1.023 3
10	11.013 0	0.572 7
11 12	10.945 0 10.993 0	0.597 9 0.621 2

Table 2 Unbiased estimation results of distribution parameters

第k年	$μ k$	$σ k 2$
1	10.998 0	0.747 9
2	10.833 0	0.613 1
3	10.727 0	0.353 3
4	10.827 0	0.377 0
5	10.807 0	0.687 0
6	10.835 0	0.536 9
7	10.764 0	0.500 2
8	10.811 0	0.404 9
9	11.098 0	1.023 3
10	11.013 0	0.572 7
11 12	10.945 0 10.993 0	0.597 9 0.621 2

Fig. 3 LS-SVM mean prediction results

Fig. 4 LS-SVM variance prediction results

Table 3 Mean prediction results

第k年

预测值

实测值

MAPE/%

RSE

10.906 6

10.965 5

10.945 0

10.993 0

Table 4 Variance prediction results

MAPE/%

0.585 1

0.597 9

0.621 2

Table 5 Optimal estimation of distribution parameters in the 11th year

分布

参数

改进的Sage-Husa

自适应UKF

UKF

实测数据

μ

10.927 8

10.936 0

10.945 0

σ 2

0.591 6

0.596 8

0.597 9

Table 5 Optimal estimation of distribution parameters in the 11th year

分布

参数

改进的Sage-Husa

自适应UKF

UKF

实测数据

μ

10.927 8

10.936 0

10.945 0

σ 2

0.591 6

0.596 8

0.597 9

Table 6 Optimal estimation of distribution parameters in the 12th year

分布

参数

改进的Sage-Husa

自适应UKF

UKF

实测数据

μ

10.976 2

10.980 3

10.993 0

σ 2

0.598 2

0.614 7

0.621 2

Table 6 Optimal estimation of distribution parameters in the 12th year

分布

参数

改进的Sage-Husa

自适应UKF

UKF

实测数据

μ

10.976 2

10.980 3

10.993 0

σ 2

0.598 2

0.614 7

0.621 2

Table 7 Reliability results comparison

0.823 5

0.798 6

0.822 7

0.802 0

0.000 8

0.003 4

0.818 9

0.792 8

0.004 6

0.005 8

0.815 6

0.784 4

0.007 9

0.014 2

References 23

[1]	李犟，吴和成，朱晨. 基于半参数退化模型的长寿命产品可靠性评估［J］. 系统工程与电子技术， 2023， 45（6）： 1893-1901.
	LI Jiang， WU Hecheng， ZHU Chen. Reliability Assessment of Long-Life Products Based on Semi-parametric Degradation Model［J］. Systems Engineering and Electronics， 2023， 45（6）： 1893-1901.
[2]	ZHANG Caiwen. Weibull Parameter Estimation and Reliability Analysis with Zero-Failure Data from High-Quality Products［J］. Reliability Engineering & System Safety， 2021， 207： 107321.
[3]	熊娜，梅天宇，李飞. 基于区间贝叶斯网络的复杂系统可靠性分析［J］. 现代防御技术， 2021， 49（6）： 90-97.
	XIONG Na， MEI Tianyu， LI Fei. Reliability Analysis of Complex System Based on Interval Bayesian Network［J］. Modern Defence Technology， 2021， 49（6）： 90-97.
[4]	JIANG Deyin， CHEN Tianyu， XIE Juanzhang， et al. A Mechanical System Reliability Degradation Analysis and Remaining Life Estimation Method——with the Example of an Aircraft Hatch Lock Mechanism［J］. Reliability Engineering & System Safety， 2023， 230： 108922.
[5]	郑龙，杜永浩，邢立宁，等. 基于退化数据与Marker数据综合的产品可靠性建模分析［J］. 控制与决策， 2020， 35（2）： 461-468.
	ZHENG Long， DU Yonghao， XING Lining， et al. Product Reliability Modeling and Analysis Using Degradation and Marker Data［J］. Control and Decision， 2020， 35（2）： 461-468.
[6]	李博文，贾祥，赵骞，等. 面向产品可靠性评估的退化和寿命数据分步融合方法［J］. 机械工程学报， 2022， 58（16）： 430-440.
	LI Bowen， JIA Xiang， ZHAO Qian， et al. Phased Fusion Method of Degradation and Lifetime Data for Product Reliability Evaluation［J］. Journal of Mechanical Engineering， 2022， 58（16）： 430-440.
[7]	王博，蒋平，郭波. 基于多源信息融合的航天阀门可靠性评估［J］. 兵工学报， 2022， 43（1）： 199-206.
	WANG Bo， JIANG Ping， GUO Bo. Reliability Evaluation of Aerospace Valves Based on Multi-source Information Fusion［J］. Acta Armamentarii， 2022， 43（1）： 199-206.
[8]	王艳婷，史元浩，陈晓龙. 基于无迹卡尔曼滤波预测的锅炉吹灰优化［J］. 电子测量与仪器学报， 2019， 33（3）： 51-57.
	WANG Yanting， SHI Yuanhao， CHEN Xiaolong. Boiler Soot Blowing Optimization Based on Unscented Kalman Filter Prediction［J］. Journal of Electronic Measurement and Instrumentation， 2019， 33（3）： 51-57.
[9]	王剑，王新民，谢蓉，等. 基于IMM-UKF方法的机电作动器突发性故障诊断研究［J］. 北京理工大学学报， 2019， 39（2）： 198-202， 208.
	WANG Jian， WANG Xinmin， XIE Rong， et al. Abrupt Fault Diagnosis for Electro-Mechanical Actuator Based on IMM-UKF［J］. Transactions of Beijing Institute of Technology， 2019， 39（2）： 198-202， 208.
[10]	刘君强，胡东斌，潘春露，等. 基于超统计的多阶段航空发动机剩余寿命预测［J］. 北京航空航天大学学报， 2021， 47（1）： 56-64.
	LIU Junqiang， HU Dongbin， PAN Chunlu， et al. Remaining Useful Life Prediction of Multi-stage Aero-engine Based on Super Statistics［J］. Journal of Beijing University of Aeronautics and Astronautics， 2021， 47（1）： 56-64.
[11]	丁镇涛，邓涛，李志飞，等. 基于安时积分和无迹卡尔曼滤波的锂离子电池SOC估算方法研究［J］. 中国机械工程， 2020， 31（15）： 1823-1830.
	DING Zhentao， DENG Tao， LI Zhifei， et al. SOC Estimation of Lithium-Ion Battery Based on Ampere Hour Integral and Unscented Kalman Filter［J］. China Mechanical Engineering， 2020， 31（15）： 1823-1830.
[12]	刘鑫蕊，李垚，孙秋野，等. 基于多时间尺度的电-气-热耦合网络动态状态估计［J］. 电网技术， 2021， 45（2）： 479-488.
	LIU Xinrui， LI Yao， SUN Qiuye， et al. Interaction and Joint State Estimation of Electric-Gas-Thermal Coupling Network［J］. Power System Technology， 2021， 45（2）： 479-488.
[13]	MORITA L H M， TOMAZELLA V L， BALAKRISHNAN N， et al. Inverse Gaussian Process Model with Frailty Term in Reliability Analysis［J］. Quality and Reliability Engineering International， 2021， 37（2）： 763-784.
[14]	Hao LÜ， QU Hongchen， XIE Hualong， et al. Reliability Analysis of the Multi-state System with Nonlinear Degradation Model Under Markov Environment［J］. Reliability Engineering & System Safety， 2023， 238： 109411.
[15]	KANG Wenda， TIAN Yubin， XU Houbao， et al. Reliability Analysis Based on the Wiener Process Integrated with Historical Degradation Data［J］. Quality and Reliability Engineering International， 2023， 39（4）： 1376-1395.
[16]	张云，姜楠，王立平. 基于Wiener过程的数控转台极小子样可靠性分析［J］. 清华大学学报（自然科学版）， 2019， 59（2）： 91-95.
	ZHANG Yun， JIANG Nan， WANG Liping. Reliability Analysis of NC Rotary Table Based on a Wiener Process for Extremely Small Samples［J］. Journal of Tsinghua University（Science and Technology）， 2019， 59（2）： 91-95.
[17]	毕傲睿，骆正山，张新生. 基于维纳退化过程的海底腐蚀管道可靠性分析［J］. 表面技术， 2019， 48（11）： 188-193， 218.
	BI Aorui， LUO Zhengshan， ZHANG Xinsheng. Reliability Analysis of Corroded Submarine Pipeline Based on Wiener Process［J］. Surface Technology， 2019， 48（11）： 188-193， 218.
[18]	杨家鑫，唐圣金，李良，等. 基于隐含非线性维纳退化过程的剩余寿命预测［J］. 北京航空航天大学学报， 2024， 50（1）： 328-340.
	YANG Jiaxin， TANG Shengjin， LI Liang， et al. Remaining Useful Life Prediction Based on Implicit Nonlinear Wiener Degradation Process［J］. Journal of Beijing University of Aeronautics and Astronautics， 2024， 50（1）： 328-340.
[19]	邱战国，胡淼，邢群雁，等. 基于维纳过程的低温环境下齿轮泵性能退化研究［J］. 中国铁道科学， 2024， 45（2）： 155-163.
	QIU Zhanguo， HU Miao， XING Qunyan， et al. Study on Performance Degradation of Gear Pump in Low-Temperature Environment Based on Wiener Process［J］. China Railway Science， 2024， 45（2）： 155-163.
[20]	徐廷学，刘崇屹，朱桂芳，等. 基于退化数据与失效数据的导弹雷达导引头竞争失效状态预测［J］. 电光与控制， 2019， 26（5）： 32-38， 109.
	XU Tingxue， LIU Chongyi， ZHU Guifang， et al. Competition Failure State Prediction of Missile Radar Seeker Based on Degraded Data and Failure Data［J］. Electronics Optics & Control， 2019， 26（5）： 32-38， 109.
[21]	丛林虎，徐廷学，王骞，等. 基于退化数据与故障数据的导弹竞争故障预测［J］. 北京航空航天大学学报， 2016， 42（3）： 522-531.
	CONG Linhu， XU Tingxue， WANG Qian， et al. Missile Competing Fault Prediction Based on Degradation Data and Fault Data［J］. Journal of Beijing University of Aeronautics and Astronautics， 2016， 42（3）： 522-531.
[22]	FLYNN M R. Analysis of Censored Exposure Data by Constrained Maximization of the Shapiro-Wilk W Statistic［J］. The Annals of Occupational Hygiene， 2010， 54（3）： 263-271.
[23]	赵建印，毛廷鎏，杨根庆，等. 最大相关熵卡尔曼滤波误差修正方法［J］. 现代防御技术， 2024， 52（5）： 156-161.
	ZHAO Jianyin， MAO Tingliu， YANG Genqing， et al. Maximum Correlation Entropy Kalman Filter Error Correction Method［J］. Modern Defence Technology， 2024， 52（5）： 156-161.