基于多源信息融合的飞行器部件剩余寿命预测

针对飞行器关键部件的多源变量数据统计信息,提出基于多源信息融合的相似性剩余寿命预测方法。介绍了相似性剩余寿命预测方法的基本思想和模型;提出一种使用BP神经网络融合多变量统计数据的方法;引入余弦相似度方法,将服役部件和参考部件退化模型进行模式匹配,确定与服役部件具有相同退化模式的参考部件,进而提高基于相似性剩余寿命预测方法的预测精度。通过NASA航空发动机数据集和相同评价指标下的对比分析,验证了该方法的有效性。     

基于相似性的风电机组轴承剩余寿命预测方法

风电机组是一个复杂系统,工作环境恶劣,维修费用高,通过寿命预测,制定精益维修策略,提高风机利用率。在欧几里得函数的基础上,引入衰退系数构建相似性函数,以剩余寿命为目标优化权重分配,提出一种应用历史失效样本进行相似性寿命预测的方法。通过数据模拟仿真,验证了该方法可较准确地预测设备剩余寿命。     

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。     

发电机定子绝缘状态的多参数诊断和剩余寿命预测

为了评估宝钢电厂1、2号发电机的绝缘状态并预测其剩余寿命,从2002年开始,在发电机停役检修时期,对它们分别进行了电气预防性试验——非破坏性试验。根据历年试验所得数据,从不同角度对多个试验测量得到的各项参数进行分析。综合各参数对发电机定子绝缘状态的影响,以及发电机定子绝缘的剩余寿命与剩余击穿电压的相关性,作出评估,推断绝缘状态的老化趋势,并预测其剩余寿命：     

基于多参数融合相似的民航发动机寿命预测

针对民航发动机寿命预测研究中单参数监控不全面而多监测参数利用率低的问题,提出了一种基于多参数融合相似的寿命预测方法.针对参数敏感性修正,利用ReliefF-PCA算法对发动机多种监控参数进行属性筛选,并融合为表征发动机健康状态的参数——健康指数;针对发动机不同衰退阶段,对相似度度量算法进行趋势敏感度修正,增大变化趋势对...     

基于多传感器数据融合的破碎机辊套剩余寿命预测新方法

针对作业中破碎机辊套剩余寿命易受环境因素影响而导致预测结果不精确的实际工况,提出基于多传感器数据融合和支持向量机的协同融合模型,将辊套温度、加速度信号经过小波处理提取特征信息;然后经最小二乘模型对辊套剩余寿命和温度、加速度信息进行数据融合;最后建立了辊套剩余寿命预测的反演模型。为了比较多传感器数据融合的预测效果,在相同环境下进行了单源传感器信息辊套剩余寿命预测,并进行了误差比较。实验结果表明,多传感器数据融合预测结果误差更小,从而降低维修成本,具有较强的工程适用性与推广价值。     

机械装备的剩余寿命预测

一、引套任何机件均在一定的应力状态、环境介质及温度条件下服役。随着机械装备运转时间的推移,机件表面或内部将会产生诸如磨损、腐蚀、疲劳、蠕变、脆化等损伤。上述损伤累积的过程,也就是机件寿命不断减少的过程,直到该机件完全报废,即寿命终结为止。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以...     

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...     

基于多SVM误差加权的轴承剩余寿命预测

针对传统的以概率统计为基础的轴承寿命预测方法需要大量的轴承寿命试验数据,且运行周期较长,难以满足特定工况下轴承寿命状态预测的问题。通过多SVM的预测误差进行加权获得轴承的剩余寿命。首先采集多个轴承的全过程寿命振动数据,针对获取的多个轴承的振动数据进行特性提取并利用主成分分析进行特性约简,实现对轴承运行寿命评估特性指标的建立,并利用粒子群算法改进的多个支持向量机模型进行剩余寿命预测建模,利用所建立的多个模型对要预测的轴承特征数据进行预测,并通过各个模型的误差权重来实现轴承剩余寿命的准确预测。通过实验分析验证了模型的有效性。     

压力容器裂纹缺陷剩余寿命预测

针对压力容器所含缺陷安全程度这一问题,在试验的基础上,运用失效路径仿真与失效速率仿真的手段,以速率拐点为安全裕度终点,给出了一种预测裂纹缺陷剩余寿命的计算方法,并指出了剩余寿命的影响因素。该方法以国标GB/T 19624-2004《在用含缺陷压力容器安全评定》为理论依据,沿着缺陷失效路径计算其剩余寿命,考虑了随着安全裕度的衰减失效速率的变化,运用积分方程和Pairs迭代公式,可以计算出裂纹缺陷在任何尺寸的动态安全裕度。     

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CK-GPR的多应力环境智能电表剩余寿命预测

针对智能电表科学定期更换需求,建立一种基于智能电表基本误差数据的剩余寿命(RUL)预测方法.首先采用Person相关系数筛选对智能电表基本误差数据影响较大的环境应力作为模型输入;然后采用高斯核、Matern32核及周期核匹配多应力环境下智能电表基本误差趋势;利用贝叶斯方法和蒙特卡洛马尔科夫链(MCMC)求解模型.实验结...     

基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法

刀具监测及可用剩余寿命(RUL)预测对降本增效及保证加工质量意义重大.针对单一传感器预测精度波动大、数据利用率低、可靠性低等问题,提出一种多通道信号融合及贝叶斯更新的刀具剩余寿命预测方法.通过计算多通道信号所提取特征的时间序列与对应时间矢量的斯皮尔曼等级相关系数对特征时序做单调性排序,取单调性得分高的特征用主成分分析进...     

基于神经网络的球轴承剩余寿命预测

针对球轴承的剩余寿命预测问题,基于自组织映射(Self organizing map, SOM)和反向传播 (Back propagation, BP)两种神经网络,提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点,利用三套时间域衰退指标和三套频率域衰退指标,包括一套新设计的指标,训练自组织映射神经网络。将源自于SOM的最小量化误差(Minimum quantization error, MQE)作为新的衰退指标,建立一套轴承性能数据库。针对球轴承衰退期,训练一套BP神经网络,根据权值计算失效时间技术,成功开发一套剩余寿命预测模型。结果表明,该方案远优于业界常用的L10寿命估计。     

基于EKF-SSM的齿轮箱剩余寿命预测

齿轮箱的剩余寿命预测为维修人员做出维修更新决策提供重要信息。为解决在缺少历史数据和非线性非平稳运行状态下的齿轮箱剩余寿命预测难题,提出一种基于数据驱动的齿轮箱的剩余寿命方法。该方法首先根据齿轮箱振动信号特征值,通过状态空间模型(State Space Model,SSM)建立齿轮箱退化状态与特征值之间的关系,来描述齿轮箱的非线性动态变化。其次,当获取到新的信号时,通过扩展卡尔曼滤波(Extend Kalman Filter,EKF)估计准确的模型状态,EM算法(Experience Maximization,EM)估计状态空间模型的参数,根据更新的状态和模型递推预测未来特征值到达故障阈值的时间,从而估计出齿轮箱的剩余寿命。最后,运用齿轮箱全寿命试验数据对预测模型进行检验,实验结果表明该方法能利用实时监测的状态数据准确的预测齿轮箱的剩余寿命,具有较强的工程使用价值和通用性。     

转盘轴承的相似性寿命预测方法研究

提出了基于相似性的转盘轴承寿命预测方法,首先,在时域内提取服役样本和参照样本的温度、力矩、振动信号的特征值,并对其作主成分分析（PCA）,得到各自的温度、力矩和振动PCA值,通过PCA融合形成服役样本和参照样本的综合寿命性能指标。然后,根据归一互相关（NCC）算法计算服役样本最近时间区间内的轨迹与参照样本寿命全程轨迹的相似度,寻找出二者最相似的轨迹区间,以此预测服役样本的剩余寿命。最后,通过试验验证了此方法的有效性。     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于可靠性理论的多失效模式老龄平台剩余寿命预测

建立综合考虑平台结构构件的疲劳失效、腐蚀失效和静强度失效3种失效模式的可靠性模型.提出多失效模式下平台整体系统可靠度计算方法,分析不同失效模式对平台系统可靠性的影响.以可靠性理论为基础,考虑已服役载荷的验证作用,计算老龄平台系统在后继服役期内的可靠度指标,进而预测平台的剩余寿命.通过:Monte Carlo实例模拟结果表明,文中研究为平台服役后期的剩余寿命预测提供更为合理的计算方法,区分不同服役阶段的构件失效模式,可为平台的检修决策提供依据.