基于LSTM网络的Web软件系统实时剩余寿命预测

Web软件系统剩余使用寿命的预测精度是影响Web软件系统抗衰决策的重要方面, 为此, 提出了一种基于长短期记忆网络的Web软件系统实时剩余寿命预测方法. 首先搭建加速寿命测试实验平台, 收集反映Web软件系统老化趋势的性能指标, 然后根据该指标数据的时序特性, 建立了一种基于长短时记忆网络(LSTM)的Web软件系统实时剩余寿命预测模型, 并对该模型进行了训练. 实验结果表明, 该预测模型能够有效对Web软件系统的剩余寿命进行实时预测, 具有更好的准确性和适用性. 将所提模型应用于Web软件系统寿命预测中, 能够有效完成预测, 该方法为优化系统抗衰决策提供了技术支撑.     

基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法

为了能够实时准确对Web软件系统的剩余使用寿命（RUL）进行预测,考虑Web系统健康状态性能指标的时序特性和指标间的相互依赖特性,提出了一种基于自注意力长短期记忆（Self-Attention-LSTM）网络的Web软件系统实时剩余寿命预测方法。首先,搭建加速寿命测试实验平台来收集反映Web软件系统老化趋势的性能指标数据;然后,根据该性能指标数据的时序特性来构建长短期记忆（LSTM）循环神经网络以提取性能指标的隐含层特征,并使用自注意力机制建模特征间的依赖关系;最后,得到系统RUL的实时预测值。在三组测试集上,把所提模型与反向传播（BP）网络和常规的循环神经网络（RNN）做了对比。实验结果表明,所提模型的平均绝对误差（MAE）比长短期记忆（LSTM）网络平均低16.92%,相对准确率（Accuracy）比LSTM网络平均高5.53%,验证了Self-Attention-LSTM网络剩余寿命预测模型的有效性。可见所提方法能为优化系统抗衰决策提供技术支撑。     

锂离子电池剩余寿命预测方法研究综述

电池故障预测和健康管理(Prediction and Health Management, PHM)评价的主要方法是确定电池的健康状态和剩余使用寿命(Remaining Useful Life, RUL),以此保证锂离子电池安全可靠地工作和实现寿命优化。锂电池RUL预测不仅是PHM中的热点问题和挑战问题,其预测方法的准确性也会直接影响电池管理系统(Battery Management System, BMS)的整体性能。介绍了单体电芯测评标准,对影响锂电池循环寿命的主要因素进行详细分析。简述电池日历寿命和循环寿命。概括和总结了近几年锂离子电池剩余寿命预测方法,比较不同方法的优缺点。提出了当前实际应用中预测锂电池RUL仍存在的关键问题并进行探讨。     

基于优化混合模型的航空发动机剩余寿命预测方法

针对航空发动机剩余使用寿命（RUL）预测方法没有同时加权不同时间步下的数据,包括原始数据和所提取的特征,导致RUL预测准确性较低的问题,提出了一种基于优化混合模型的RUL预测方法。首先,选用三种不同的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络;2）将原始数据输入双向长短期记忆（Bi-LSTM）网络,并采用注意力机制处理得到的特征;3）使用注意力机制处理原始数据,并将加权特征输入至卷积神经网络（CNN）和Bi-LSTM网络中。然后,采用融合多路径特征预测的思想,将上述提取到的特征融合后输入至全连接网络获得RUL预测结果。最后,使用商用模块化航空推进系统仿真（C-MAPSS）数据集验证方法的有效性。实验结果显示,所提方法在4个数据集上均有较好的表现。以FD001数据集为例,所提方法的均方根误差（RMSE）比Bi-LSTM网络降低了9.01%。     

基于注意力的VAE-ConvLSTM模型的剩余寿命预测研究

为解决传统有监督算法难以达到较高预测精度的问题,提出了一种新的半监督模型。首先,将不同传感器采集的监测数据直接作为网络输入,减少了可能出现的信息损失;接着,在无监督部分采用变分自动编码器(variationalautoencoder,VAE),以自动提取输入数据的深层表达;然后,在有监督部分使用卷积长短期记忆(convolutionallongshort-term memory, ConvLSTM)网络进一步提取时序数据的时空特征,并引入注意力机制,提高重要特征因子的权重;最后,在NASA提供的C-MAPSS数据集上进行对比实验,以均方根误差和数据集自定义的Score作为评价指标。实验结果表明,所提出的模型在复杂预测场景中取得了最好的结果,证明了该模型的有效性。     

基于SAM-LSTM的滚动轴承剩余寿命预测

提出了一种基于自注意力思想长短时记忆神经网络（Self-Attention Mechanism Long Short-Term Memory Networks,SAM-LSTM）的寿命趋势指标构建方法。首先对原始信号进行滤波降噪处理;其次利用自注意力思想提取信号内部的退化趋势信息构建特征矩阵;接着采用双层长短时记忆神经网络在保留信号外部之间的时序关系的同时,映射特征得到寿命趋势指标;最后提出一种基于历史预测使用寿命指标动态选择拟合数据集的拟合方法,预测滚动轴承的剩余有效寿命。结合公开数据集对模型进行了验证,与另外两种方法对比表明,该方法能有效提升滚动轴承的剩余寿命预测的准确率,并且在不同工况下具有一定的泛化能力。     

基于ARIMA模型的工业锂电池剩余使用寿命预测

研究了随机建模技术在锂电池剩余使用寿命预测中应用.基于此,使用Box-Jenkins ARIMA模型模拟锂电池退化过程.在NASA PCoE获取锂电池测量数据集,采用ADF单根检验与差分法对锂电池容量原始数据平稳化处理.结合自相关函数与偏自相关函数进行参数估计,构建多个ARIMA模型,并通过评估各种估计参数验证各个模型的有效性,根据AIC、SC准则与正态化BIC选择最佳预测模型.在对所选模型进行严格评估之后,ARIMA （2,1,2）被识别为最佳拟合模型.使用ARIMA模型获得了比较精确的预测结果,结果表明ARIMA模型预测锂电池剩余使用寿命短期内具有较高的精确度和较强的可行性.     

基于特征适应度分析的剩余寿命预测方法及应用

针对地铁车辆客室电动塞拉门传动装置润滑不良的问题,提出了一种基于特征适应度分析的剩余寿命预测方法.该方法首先采集电机工作电流提取各时域特征,分析各劣化特征间的关联性,得到特征关联矩阵及相对关联权重,然后利用劣化评价指标分析各特征自身劣化过程的固有特性,通过构建特征混合适应度函数筛选最优劣化特征子集.最后,根据润滑不良故...     

基于IUPF的锂离子电池剩余使用寿命预测方法

随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波（IUPF）的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。     

基于无监督深度模型迁移的滚动轴承寿命预测方法

针对实际中某种工况滚动轴承带标签振动数据获取困难, 健康指标难以构建及寿命预测误差大的问题, 提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square, RMS)特征, 并引入新的自下而上(Bottom-up, BUP)时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态; 对振动信号经快速傅里叶(Fast Fourier transform, FFT)变换后的幅值序列进行状态信息标记, 并将其输入到新增卷积层的全卷积神经网络(Full convolutional neural network, FCN)中, 提取深层特征, 得到预训练模型; 提出将预训练模型的梯度作为一种“特征”与传统预训练模型特征一起参与目标域网络训练过程, 从而得到状态识别模型; 利用状态概率估计法结合状态识别模型建立滚动轴承寿命预测模型. 实验验证所提方法无需构建健康指标, 可实现无监督条件下不同工况滚动轴承剩余寿命预测, 并获得较好的效果.     

基于可自动扩展的LSTM模型的航空发动机剩余寿命预测方法

对航空发动机进行实时状态监测和健康管理可以有效降低发动机故障风险,确保飞机飞行安全。准确预测航空发动机的剩余寿命是有效监测发动机运行状态的一种重要手段,其中长短期记忆（long-short term memory,LSTM）网络常被使用。但由于航空发动机复杂的机械结构与运行模式,使用传统的LSTM网络对航空发动机的剩余寿命进行单次预测后,所得预测结果的准确率不足以满足其寿命预测的精度要求。基于LSTM网络的广泛使用以及它对时间序列数据的有效预测能力,考虑到采用多级预测的方法能够有效降低预测误差,提出了一种新型的可自动扩展的长短期记忆（automatically expandable LSTM,AELSTM）预测模型。AELSTM模型依托多个子模块逐级连接的网络结构,不断地提取前一级模块的输出误差作为后一级模块的训练值,形成了误差的多级预测机制,有效降低了模型的预测误差,提升了预测结果的准确性。基于美国国家航空航天局发布的C-MAPSS数据集的四个子集对AELSTM模型的预测效果进行了测试,实验结果表明,与传统的LSTM网络相比,AELSTM模型在四个子集上的均方根误差平均减少了95.44%,同时它的预测效果也优于现有的一些先进算法。实验充分验证了AELSTM模型在提升航空发动机剩余寿命预测准确度方面的有效性及优势。     

基于粒子群优化粒子滤波的电容剩余寿命预测

在电路系统中,电解质电容的故障与否对电路的健康状态有着很大的影响。提出应用一种粒子群优化粒子滤波算法对电解质电容进行状态估计以及剩余寿命的预测。该算法使用NASA已公布的电容数据集,建立一种指数结合多项式的经验退化模型,用粒子群优化算法优化粒子滤波算法中的序贯重采样环节,改善粒子滤波中的粒子贫化问题,实现更准确的电解质电容剩余寿命预测。     

基于特征增强与时空信息嵌入的涡扇发动机剩余寿命预测

针对现有的剩余寿命预测方法对原始数据利用率不高以及多维数据特征提取能力不足的问题,提出了一种基于特征增强和时空信息嵌入的卷积神经模型。首先,通过特征增强模块在原始数据基础上进一步提取工况特征与手工特征作为辅助特征;其次,提出了时空嵌入模块,对原始数据进行时空信息编码以嵌入时间序列信息和空间特征信息;最后,拼接上述特征并通过回归预测模块捕获数据内在关系得到回归预测结果。在通用的涡扇发动机模拟数据集(C-MAPSS)上对该模型预测效果进行了测试。实验结果表明,与现有主流深度学习方法相比,该模型在四个子集上的均方根误差平均减少了8.8%,且在多工况的运行条件和故障类型下,其预测精度均优于现有先进算法,充分证明了该模型在涡扇发动机剩余使用寿命预测方面的有效性和准确性。     

带测量误差的非线性退化过程建模与剩余寿命估计

剩余寿命(Remaining useful lifetime, RUL)估计是设备视情维护和预测与健康管理(Prognostics and health management, PHM)中的一项关键问题. 采用退化过程建模进行剩余寿命估计的研究中,现有方法仅考虑了具有线性或可以线性化的退化轨迹的问题.本 文提出了一种基于扩散过程的非线性退化过程建模方法,在首达时间的意义下,推导出了剩余寿命的分布.该方法可以描述一般的非线性退化轨迹, 现有的线性退化建模方法是其特例.在参数的推断中,考虑到真实的退化过程受到测量误差的影响,难以直接测量得到, 因此,在退化建模的过程中引入了测量误差对退化观测数据的影响,通过观测数据,提出了一种退化模型未知参数的极大似然估计方法. 最后,通过激光发生器和陀螺仪的退化测量数据验证了本文方法明显优于线性建模方法,具有潜在的工程应用价值.     

基于关系网络的轴承剩余使用寿命预测方法

针对轴承全寿命周期数据获取困难、训练样本少的问题, 提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 关系网络是一种基于度量的元学习方法, 在少量训练样本下, 具有快速学习新任务的优点. 设计了一种基于关系网络的轴承健康评估模型, 利用关系网络的嵌入模块提取轴承状态特征, 利用关系模块度量轴承状态特征之间的相似性, 基于相似性构建轴承健康指标(Health indicator, HI); 对健康指标进行Savitzky-Golay滤波平滑处理, 降低振荡对预测结果的影响; 最后利用线性函数对健康指标进行拟合, 得到轴承RUL预测值. 为验证所提方法的有效性, 在PHM2012轴承实测数据集上进行实验. 结果表明, 所得健康指标能够反映轴承的退化趋势, 所得RUL预测结果与空间卷积长短期记忆神经网络 (Convolutional long short-term memory neural network, ConvLSTM)、Transformer、循环神经网络(Recurrent neural network, RNN)、卷积神经网络(Convolutional neural network, CNN) + 长短期记忆网络 (long short-term memory network, LSTM )、编码器−解码器(Encoder-decoder) + 注意力机制 (Attention mechanism)方法相比, 误差百分比分别减少了1.67%, 3.40%, 9.02%, 13.71%, 30.48%. 该方法在少量训练样本的基础上可以取得较好的预测结果, 具有一定的应用价值.     

基于改进CNN-LSTM的剩余使用寿命预测方法

机电设备的寿命预测是状态维修中的一项重要任务.剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本.为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型.通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL.最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势.     

Remaining useful life prediction of bearing based on stacked autoencoder and recurrent neural network

Remaining Useful Life (RUL) prediction play a crucial part in bearing maintenance, which directly affects the production efficiency and safety of equipment. Moreover, the accuracy of the prediction model is constrained by the feature extraction process and full life data of bearings. In this paper, the life prediction method of faulty rolling bearing with limited data is presented including degradation state model and RUL prediction model. In order to obtain health indication (HI) without human interference in the degradation state modeling stage, the bottleneck structure of Stacked Autoencoder (SAE) is utilized to fuse the four selected features into one HI using Intelligent Maintenance Systems (IMS) bearing dataset as training sample. In RUL prediction model, the Long Short-Term Memory (LSTM) neural network is carried out to establish the model with Standard deviation (Std) input and HI training label. In order to solve the problem of large training error caused by insufficient data in the failure stage of bearing acceleration test, the third-order spline curve interpolation is utilized to enhance the data points. Through parameter analysis, the RMSE and MAE of the test set on the prediction model are 0.032582 and 0.024038, respectively. Furthermore, the effectiveness of the proposed method is further validated by dataset from Case Western Reserve University (CWRU) with different bearing fault degrees. The analysis indicates that the RUL prediction of bearing fault data is consistent with the size of artificial added faults, that is,the more severe the fault the shorter the time of remaining life. The results validate that the proposed method can effectively extract the bearing health state by incorporating feature fusion and establish accurately prediction model for bearing remaining life.     

考虑不确定测量和个体差异的非线性随机退化系统剩余寿命估计

剩余寿命估计是预测与健康管理的基础,是降低系统运行风险、提高系统安全性与可靠性的有效途径.针对工程实际中大量存在的非线性随机性退化系统,现有方法仅单独考虑了不确定测量或系统间个体差异对剩余寿命的影响,尚未实现同时考虑不确定测量和个体差异的剩余寿命估计.因此,本文首先建立了一种基于扩散过程的非线性退化模型,进一步通过建立的状态空间模型和Kalman滤波实现了同时考虑不确定测量和个体差异下的随机退化系统剩余寿命自适应估计,同时对漂移系数进行自适应估计,以获取非线性退化系统更加精确的剩余寿命估计.最后,将所提方法应用于疲劳裂纹和陀螺仪的监测数据,结果表明本文方法显著优于仅考虑不确定测量或仅考虑个体差异的寿命估计方法,具有潜在的工程应用价值.