一种基于UPF的轴承剩余寿命预测方法

剩余寿命预测能够确保系统的安全性、可用性与高效工作,并且能够降低维修费用,因而成为状态维修中的一个重要课题。基于模型的寿命预测方法主要包含两部分内容:退化模型构建和系统状态估计。粒子滤波算法(PF)是一种广泛用于系统状态估计的方法,已经应用于轴承剩余寿命预测中,但PF方法存在粒子退化问题。提出一种基于无迹粒子滤波算法(UPF)的轴承剩余寿命预测方法。利用随机过程模型对轴承退化过程进行建模,再利用UPF算法对轴承的退化状态进行追踪,并更新模型参数。使用试验数据对提出方法进行验证,结果表明:与PF方法相比,该方法能在一定程度上降低粒子退化程度,进而更加准确地预测轴承剩余寿命。     

线性FBM过程随机退化设备剩余寿命自适应预测

现有文献主要通过马尔科夫过程来描述设备的退化轨迹,鲜有考虑历史状态对未来退化轨迹的影响。鉴于此,为了反映退化轨迹的记忆效应对剩余寿命预测的影响,首先基于分数布朗运动建立一种线性随机退化模型,并通过引入随机效应来反映不同样本间的退化差异性;其次,基于弱收敛性理论与分数布朗运动的特性推导剩余寿命分布的近似解析解;再次,基于极大似然算法和贝叶斯理论完成模型参数的离线估计与在线更新,进而实现剩余寿命的在线自适应预测;最后,通过数值仿真与某惯性导航系统中陀螺仪的实测数据对本模型进行实验。结果表明:相比于传统线性随机退化模型,该模型能有效地刻画退化轨迹的记忆效应,提高剩余寿命的预测精度。     

多传感器数据融合的复杂系统退化模式挖掘

退化模式挖掘对复杂系统剩余寿命预测具有重要意义。为了解系统运行状态,掌握其退化规律,提出一种基于时间序列聚类的退化模式挖掘方法。首先,利用改进马田系统筛选并融合多传感器数据特征,构建健康指数来表征系统的退化趋势。然后,采用累积和算法将健康曲线进行分段处理,获取退化曲线,并利用基于动态时间弯曲距离度量的层次聚类算法将退化模式进行归类。最后,以相似度和退化时间为判别依据,对系统的退化模式进行有效识别。以航空发动机为对象的研究表明,该方法能够有效的挖掘和识别退化模式,为复杂系统剩余寿命预测提供依据。     

基于粒子滤波算法的锂离子电池剩余寿命预测方法研究

运用粒子滤波算法,进行了锂离子电池剩余寿命(RUL)的预测,提出了一种基于模型法和数据驱动法相融合的简单有效的RUL预测方法。该方法通过模型法和数据驱动法的融合,将双指数经验退化模型进行变形,以减少模型参数,降低参数训练难度,利用粒子滤波算法跟踪电池容量衰退的过程;为提高预测精确度,引入自回归(AR)时间序列模型修正状态空间方程的观测值。实验证实,该方法可以有效地预估出锂电池的剩余寿命。     

基于双方差随机过程的半导体激光器寿命评估

针对高可靠、长寿命半导体激光器的寿命评估问题,提出了基于双方差随机过程的性能退化评估方法。该方法不仅考虑了半导体激光器内部失效机理的固有随机性,还考虑了由人为因素、测量仪器等引起的测量随机误差。首先,建立了半导体激光器性能退化模型及其未知参数的极大似然估计方法。然后,基于首达时的概念给出了失效时间分布函数和概率密度函数的解析表达式,以对半导体激光器的可靠性和寿命进行评估。最后,通过半导体激光器寿命评估工程实例验证了所提出方法的适用性和有效性。结果表明：与现有的性能退化模型相比,所构建模型的拟合效果更好,能够提高寿命评估精度。这可为半导体激光器及其整机系统最优维修决策的制定提供有力支撑。     

基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life, RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman filters)和Bayes结合的滚动轴承性能退化建模与剩余使用寿命预测方法。结合滚动轴承振动信号性能监测数据,采用SKF方法识别出轴承性能退化的变点;利用随机效应指数退化模型描述轴承性能退化过程,结合同类轴承性能数据给出模型未知参数极大似然估计;利用KF单步预测对当前时刻监测数据进行修正,基于Bayes方法对模型中的随机参数进行实时更新,推导出轴承剩余使用寿命分布模型,计算滚动轴承剩余使用寿命;通过对滚动轴承试验数据分析,验证了该方法的适用性和有效性。     

基于放电过程信息的锂电池剩余寿命预测

容量或内阻是衡量锂离子电池健康状态的重要指标,但在锂电池实际运行中,其容量和内阻很难实时获取。为此,提出了基于放电过程信息获取新健康指标的方法,并对锂电池的剩余寿命进行预测。主要研究了锂电池放电过程中电压变化的规律,提出两种可在线测量的新健康指标,并通过Box-Cox变换修正了新健康指标的准确性。比较分析表明,所提取的健康指标与容量之间存在着强相关性,在某种程度上可以解决锂电池容量难以在线测量的问题。此外还基于新健康指标建立了锂电池退化过程模型,并利用相关向量机算法进行锂电池的剩余寿命预测。实验结果表明,在寿命预测性能上相关向量机算法优于其他算法,并且预测时间越晚,预测结果就越准确,所提取的健康指标也能够很好地描述锂电池的退化过程,并在剩余寿命预测结果上表现优越。     

基于剩余寿命预测的维修与备件订购联合策略优化

利用设备健康状态信息预测剩余使用寿命,并进行维修和备件订购决策以达到降低设备检修成本和备件成本的目的。针对单部件系统提出基于剩余寿命预测的维修与备件订购联合策略,其中维修决策遵循控制限原则,即根据系统退化量判断是预防性更换还是故障更换,同时基于历史退化信息预测系统剩余寿命,引入订货阈值判断是否订货。通过分析更换时刻备件状态确定所有可能更新事件,推导各事件发生概率进而计算各事件更新成本和更新长度,采用更新报酬理论构建最小化单位时间内期望费用的联合策略模型,设计离散事件仿真算法求解模型。最后,通过实例验证模型和算法,得到最小的单位时间内期望费用14.656 3,最优预防性更换阈值8,最优订货阈值1 000。     

基于Gamma退化过程的直升机主减速器行星架剩余寿命预测模型

鉴于Gamma过程具有平稳、独立增量等退化建模所需的属性,将其用于描述设备退化过程,并针对缺乏故障数据时难以进行剩余寿命预测的问题,利用设备运行中采集的表征其退化状态的大量间接状态参数和少量直接状态参数,建立了基于Gamma退化过程的剩余寿命预测模型;针对经验最大化算法中似然函数难以解析求解的问题,引入粒子滤波算法实现了模型参数估计;最后将模型应用于直升机主减速器行星架的剩余寿命预测,得到了不同时刻的预测结果及95%置信区间,验证了预测模型的有效性和准确性。     

联合频域相关分析和改进粒子滤波的滚动轴承寿命预测方法

为了解决滚动轴承退化状态识别难、剩余使用寿命（Remaining Useful Life, RUL）预测误差大这两个关键问题，提出一种联合频域特征相关分析及改进粒子滤波的寿命预测方法。基于滚动轴承在退化过程中频域特征存在短期相似性和长期差异性这一特点，对不同时间序列傅里叶变换后的幅值谱进行相关分析，构建平均相关系数（Average Correlation Coefficient, ACC）曲线。当ACC达到设定阈值时，利用初始故障时间（Degradation Initial Timepoint, DIT）将轴承状态划分为正常和损伤两阶段。利用损伤阶段的归一均方根值作为观测样本输入，构建考虑了全局指数式退化趋势与局部波动双重因素的粒子滤波（Dual Factor Particle Filter, DFPF）模型，实现粒子分布校正并完成RUL预测。试验结果表明，所提方法相比传统的均方根值法和峭度法能够更准确地识别轴承初始故障时间。在寿命预测精度方面，相比传统粒子滤波（Particle Filter, PF）算法，所提方法减小了异常观测值对预测趋势的影响，具有更高的RUL预测精度。