锂离子电池剩余寿命在线预测

针对现有研究中的不足,提出一种改进的相关向量机模型对锂离子电池的剩余寿命进行实时预测。首先,利用锂离子电池容量数据和相空间重构技术,构造模型的训练集。其次,在传统的单核相关向量机模型上做出改进,采用多核核函数,从而提高相关向量机模型的泛化能力和剩余寿命预测的精度。此外,利用粒子群优化算法,自适应的确定多核相关向量机模型的最优参数组合。实验结果表明,相比单核相关向量机模型,本文提出的多核相关向量机模型能够更为准确的对锂离子电池的剩余寿命进行预测。     

基于传荷电阻的锂离子电池剩余寿命预测研究

锂离子电池的剩余寿命预测对实现高效、精准的电池管理和维护具有重要意义.电化学阻抗能够反映锂离子电池内部物理化学过程特性,在电池寿命问题研究中被广泛应用.特别地,传荷电阻描述电极界面过程进行的难易程度,可用来表征电池的寿命状态.通过开展四种工况的锂离子电池老化试验,获取传荷电阻随寿命衰减的演变规律.采用贝叶斯信息准则,对多种寿命衰减经验模型进行评价,选择并确立一阶多项式形式的经验模型.在此基础上,提出基于粒子滤波算法的剩余寿命预测方法.结果 表明该方法可准确实现锂离子电池的剩余寿命预测,从而能够为电池管理和维护提供必要的电池寿命信息.     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比（envelope harmonic?to?noise ratio,简称EHNR）和无迹粒子滤波（unscented particle filter,简称UPF）相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型（support vector regression,简称SVR）、反向传播神经网络（back propagation neural network,简称BPNN）的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

可重构卫星锂离子电池剩余寿命预测系统研究

针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法.首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路.实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景.     

基于多时间尺度的锂离子电池状态联合估计

荷电状态(SOC)和健康状态(SOH)估计是锂离子电池管理系统的关键技术。针对SOH退化情况下电池模型参数和容量参数发生改变影响SOC长期估计性能的问题,提出了基于多时间尺度的锂离子电池SOC-SOH联合估计方法。建立多时间尺度状态空间方程,构建SOC-SOH与电池模型参数间多维度空间插值曲面,基于无迹粒子滤波算法实现锂离子电池状态联合估计。根据SOH估计结果更新用于SOC估计的电池模型参数和容量参数,在SOH估计中以在线健康因子作为系统观测量实现在线联合估计。实验结果表明,在锂离子电池全寿命周期中,相较于未考虑SOH退化情况,方法在SOC估计的最大误差、平均误差和均方根误差方面有明显降低,较好地提升了SOC的长期估计性能。     

基于ADEGWO-SVM的机载燃油泵寿命预测研究

针对高可靠、长寿命、小样本的机载燃油泵剩余寿命预测问题,提出了一种基于自适应差分变异的狼群支持向量机(ADEGWO-SVM)组合寿命预测方法。首先,搭建了一个机载燃油泵寿命试验平台,监测其电应力载荷下的出口压力信号,应用小波包滤波的方法对原始压力信号进行降噪处理,提取压力均值信号作为燃油泵性能退化特征,接着利用自相关分析的方法进行特征相空间重构;然后利用基于ADEGWO算法结构简单和全局搜索能力的特点,优化支持向量机预测模型的参数,进而提出一种基于ADEGWO-SVM的组合寿命预测模型;最后,在不同的预测起始点,利用ADEGWO-SVM方法进行了寿命预测试验,为了进一步验证该算法的有效性,将其与粒子群支持向量机(PSO-SVM),灰色模型(GM(1,1))等算法进行了比较,试验结果表明,该方法能够准确实现机载燃油泵的剩余寿命预测,显著提高寿命预测精度,对机载燃油泵的健康监测和寿命预测具有理论指导意义。     

基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测

精确、可靠的电池容量预测可以避免电池滥用,提升电池使用安全;同时在此基础上开展的剩余寿命估测能够为电池系统维护及更换提供参考.基于改进双最小二乘支持向量机方法和Box-Cox变换,提出一种锂离子电池容量及剩余循环寿命的协同估算方法.首先提取老化电池部分容量增量曲线包络面积作为特征量,通过Box-Cox变换进一步提高特征量与目标估计量之间的相关性.然后基于瑞利熵理论改进传统最小二乘支持向量机算法的稀疏性,建立电池容量和剩余使用寿命协同估算模型,结合层次分析法和熵权法对估算结果进行充分地评估.最后,采用粒子群优化算法搜索改进最小二乘支持向量机算法中的最优超参数组合.估算结果显示所研究的方法能够显著提高特征参数与估计量之间的线性相关性,容量估计误差小于1.44％,剩余使用寿命预测误差小于47次循环,验证了算法的有效性.     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题，提出了基于降噪自编码器（denoising auto-encoder，DAE）与混合趋势粒子滤波（hybrid trend particle filter，HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE，然后将使用中后期的电池信号特征输入DAE中，并提取重构误差。另外，利用HTPF方法对电池生命周期内的信号特征进行分析，建立自适应状态方程。分析结果表明，该方法能有效地对锂电池的性能退化趋势性特征进行自提取，从而有效地减少人为因素的干扰，同时相比于传统粒子滤波（particle filter，PF），HTPF对电池剩余寿命预测精度更高。      

数字孪生驱动的航空发动机涡轮盘剩余寿命预测

为解决航空发动机涡轮盘剩余寿命在线预测难题,提出一种数字孪生驱动的涡轮盘剩余寿命预测方法。在建立数字孪生模型的过程中,首先,分析涡轮盘疲劳裂纹损伤机理,构建性能退化指标,建立涡轮盘性能退化过程的共性表征模型;其次,分析多种不确定性因素,采用状态空间模型建立涡轮盘性能退化过程的个性表征模型;然后,通过动态贝叶斯网络描述状态空间模型随时间的演化规律,建立涡轮盘性能退化过程的动态演化模型;最后,采用粒子滤波算法实现涡轮盘退化状态追踪和剩余寿命预测,从而完成涡轮盘性能退化数字孪生模型的建立。融合涡轮盘实时传感数据,通过贝叶斯推理实现对该数字孪生模型的动态更新。通过某型涡轮盘试验数据对该方法进行验证,结果表明该数字孪生模型能够较好地解决涡轮盘剩余寿命在线预测问题。     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

基于扩展H∞粒子滤波算法的动力电池寿命预测方法

动力电池的性能随着使用会出现不可避免的老化,直接影响着电动汽车的性能和使用。在动力电池使用过程中对其进行剩余寿命的预测,可以确定动力电池的最佳维修和更换时机,进而有效延长动力电池寿命,增加电动汽车的续驶里程。因此,采用扩展H_∞粒子滤波算法进行动力电池的剩余寿命预测。进行锂离子动力电池循环老化试验,获取其全寿命周期的容量衰减数据。采用双指数拟合的方法建立电池容量衰减模型,并验证其准确性。将模型参数作为状态量,采用扩展H_∞粒子滤波算法对模型参数进行实时估计与更新,获得剩余循环次数以及预测结果的可信度。仿真结果表明,基于扩展H_∞粒子滤波算法得到的动力电池剩余寿命预测结果与基于粒子滤波得到的预测结果相比更加精确。     

一种融合多传感器数据的数模联动机械剩余寿命预测方法

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战。基于模型的寿命预测方法大多仅针对单一监测数据进行建模分析,无法有效利用丰富的大数据资源。数据驱动的方法则过分依赖训练数据,缺乏必要的经验指引,方法的可解释性差。为了有效利用多传感器数据指导寿命预测,从数模联动的思路出发,建立了一种融合多传感器数据的数模联动寿命预测方法。采用一种通用的Wiener过程模型对健康状态退化过程进行描述,分别建立多源观测函数和多源映射函数对状态与数据之间的因果关系和关联关系进行描述,采用粒子滤波算法将多传感器数据与模型进行动态匹配,预测剩余寿命。在提出方法的统一框架指导下,选取三种特定模型对铣刀剩余寿命进行预测,验证了提出方法的有效性。     

Adaptive relevant vector machine based RUL prediction under uncertain conditions

Engineering systems often suffer with many uncertainties during their performance degradation processes, such as the inherent uncertainties associated with the degradation progression over time and the inevitable uncertainties caused by change of loading, operation and usage conditions. In order to improve the accuracy of remaining useful life (RUL) prediction, this study takes these common uncertainties into consideration via an improved relevance vector machine (RVM) approach, which can describe accurately the degradation process from fault to failure. Firstly, based on historical data, a multi-step RVM regression model is established offline, in which the uncertainties are represented by the variances of Gaussian distributions of parameters and then are quantified as time-varying variables. Then, an adaptive RVM model is trained and the time-varying variables are updated by the expectation–maximization (EM) algorithm. For on-line prediction, given the real-time data, the RUL is forecasted by the first hitting time (FHT) method in probability perspective. The proposed method is demonstrated by two case studies on a high-speed train’s traction system. The results can show the effectiveness of the proposed method.     

Sequential Monte Carlo Method Toward Online RUL Assessment with Applications

Online assessment of remaining useful life(RUL) of a system or device has been widely studied for performance reliability, production safety, system conditional maintenance, and decision in remanufacturing engineering. However,there is no consistency framework to solve the RUL recursive estimation for the complex degenerate systems/device.In this paper, state space model(SSM) with Bayesian online estimation expounded from Markov chain Monte Carlo(MCMC) to Sequential Monte Carlo(SMC) algorithm is presented in order to derive the optimal Bayesian estimation.In the context of nonlinear non-Gaussian dynamic systems, SMC(also named particle filter, PF) is quite capable of performing filtering and RUL assessment recursively. The underlying deterioration of a system/device is seen as a stochastic process with continuous, nonreversible degrading. The state of the deterioration tendency is filtered and predicted with updating observations through the SMC procedure. The corresponding remaining useful life of the system/device is estimated based on the state degradation and a predefined threshold of the failure with two-sided criterion. The paper presents an application on a milling machine for cutter tool RUL assessment by applying the above proposed methodology. The example shows the promising results and the effectiveness of SSM and SMC online assessment of RUL.     

基于非线性预测滤波算法的疲劳裂纹扩展预测

针对传统Paris疲劳裂纹扩展模型预测精度低、无法考虑裂纹扩展过程中各种不确定因素影响的问题,提出一种基于非线性预测滤波算法的疲劳裂纹扩展预测方法。使用基于Paris公式的状态空间方程表征裂纹扩展过程,采用基于Lamb波的监测技术构建观测空间方程,利用实时观测信息修正模型预测值。最后通过Q235钢试件的单边疲劳裂纹扩展实验验证了该预测方法的有效性。实验结果表明,非线性预测滤波算法在疲劳裂纹扩展预测中可以有效地修正Paris公式的预测误差,其预测精度高于扩展卡尔曼滤波和粒子滤波算法的预测精度,同时算法效率较粒子滤波算法有明显提高。     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

基于Wiener过程的万能式断路器附件剩余寿命预测*

万能式断路器作为一个复杂的机械系统,其操作附件的剩余寿命预测对于维护断路器的可靠性至关重要。为准确掌握操作附件剩余寿命情况,提出了一种基于Wiener过程的万能式断路器操作附件剩余机械寿命预测方法。首先,通过对操作附件动作过程中线圈电流波形的分析选取了动作时间作为性能退化特征量;其次,考虑到断路器操作附件性能退化过程具有线性非单调的特点,采用Wiener过程建立了操作附件的性能退化模型,并利用极大似然估计法对退化模型参数进行估计;然后,基于首达时间的概念建立了剩余寿命预测模型,推导出剩余寿命概率密度函数解析式。最后对安装于万能式断路器上的分励脱扣器和释能电磁铁两种操作附件进行全寿命试验及其剩余寿命预测,预测结果验证了所提方法的有效性。