基于FCM-ARIMA的多阶段退化设备寿命预测研究

针对多阶段退化设备工作过程的退化特性,通过分析总结多阶段退化设备模型的研究进展,分析了多阶段退化设备寿命预测的特点和准确性影响因素,基于上述工作,提出了一种FCM-ARIMA的拐点估计与寿命预测方法,将FCM与ARIMA相结合,首先通过FCM估计设备退化状态的拐点,将退化状态划分成不同的阶段,之后由ARIMA对设备监测...     

基于多源信息融合的接触式机械密封寿命预测系统设计

常规的接触式机械密封寿命预测系统使用概率密度函数获取预测寿命最优解,易受机械退化状态的影响,导致预测效果较差,因此基于多源信息融合设计了一种全新的接触式机械密封寿命预测系统。硬件部分设计了AC220控制保护器、QT7011高速数据采集卡、不间断电源（Uninterruptible Power System,USP）寿命预测电路。软件部分提取了接触式机械密封退化指标,构建了接触式机械密封多源信息融合预测模型,从而完成机械密封寿命的预测。测试结果表明,设计系统在不同监测周期下预测的机械密封寿命与实际剩余的机械密封寿命相拟合,证明设计系统的预测效果较好,具有较高的准确性,有一定的应用价值,可为减少接触式机械密封故障提供帮助。     

基于多数据融合的电力物资供应需求量预测方法

为解决传统方法在预测电力物资供应需求量时存在误差较大的问题,提出一种基于多数据融合的方法。该方法综合考虑电力物资供应需求量的各种内部和外部影响因素,并通过加权平均计算得出预测结果。实验结果表明,该方法的预测结果与实际情况有较高的相关性（皮尔逊相关系数为0.959 2）,显示出良好的预测效果。     

基于数据驱动的矿井主排水设备寿命预测方法

以矿井排水系统的离心泵为研究对象,介绍了包括机器学习方法、多元统计分析方法、特征量提取方法和信息融合方法在内的4种基于数据驱动的矿井主排水设备寿命预测方法的基本原理、相关案例、优缺点、尚未解决的问题及其在离心泵寿命预测中的应用;指出了离心泵寿命预测的发展趋势:寿命衰退指标应多样化,只有离心泵的各类指标正常,才能表明离心泵运行正常,多变量综合考虑使预测可靠性更高;决策层信息应高度融合,振动信号、动态摩擦力矩、扬程等因素都会随着寿命的衰退发生一定的变化,将这些信息融合用于寿命预测,效果会更好;融合特征层信息,将多种预测模型进行融合,或者建立一个集更多优点于一体的混合模型,才能更好地满足工业要求。     

大数据下数模联动的随机退化设备剩余寿命预测技术

面向大数据背景下随机退化设备剩余寿命(Remaining useful life, RUL)预测的现实需求, 结合随机退化设备监测大数据特点及剩余寿命预测不确定性量化这一核心问题, 深入分析了机理模型与数据混合驱动的剩余寿命预测技术、基于机器学习的剩余寿命预测技术、统计数据驱动的剩余寿命预测技术以及机器学习和统计数据驱动相结合的剩余寿命预测技术的基本研究思想和发展动态, 剖析了当前研究存在的局限性和共性难题. 针对存在的局限性和共性难题, 以多源传感监测大数据下剩余寿命预测问题为例, 提出了一种数模联动的大数据下随机退化设备剩余寿命预测解决思路, 并通过航空发动机多源监测数据初步验证了该思路的可行性和有效性. 最后, 借鉴数模联动思路, 综合考虑机器学习方法和统计数据驱动方法的优势, 紧紧扭住大数据背景下随机退化设备剩余寿命预测不确定性量化问题, 提出了大数据背景下深度学习与随机退化建模交互联动、监测大数据与剩余寿命及其预测不确定性映射机制、非理想大数据下的剩余寿命预测等亟待解决的关键科学问题.     

退化数据驱动的设备剩余寿命在线预测

为在线预测单台服役设备的可用剩余寿命,提出一种融合先验退化数据和设备自身现场退化数据的剩余寿命预测方法。建立符合非线性Wiener过程描述的设备退化模型,利用先验数据采用极大似然法估计模型中的未知参数,使用贝叶斯方法融合新增的现场退化数据实时更新模型参数,进一步实现对设备实时剩余寿命评估。数值仿真和实例计算的结果表明,与固定参数法相比,该方法能够根据现场退化数据不断更新设备剩余寿命分布,进而更好地体现设备的个体差异,显著降低剩余寿命分布的不确定性。     

基于数据驱动的卫星锂离子电池寿命预测方法

锂离子电池由于具有工作电压高、质量轻、比能量高、寿命长和自放电率小等优点,成为替代传统镍氢、镍镉电池的第3代航天器用储能电源;寿命预测是锂离子电池健康管理的重要方面,是掌握电源性能衰退趋势的重要手段,锂离子电池寿命预测问题已成为电子系统健康管理领域的研究热点;针对锂离子电池的寿命预测问题,采用了NASA埃姆斯中心的锂离子电池地面试验采集的数据,然后重点研究了3种基于数据驱动的方法,并对锂离子电池的寿命进行了估计,最后对各种预测方法的效果进行了评价;实验结果表明,文本提出的基于数据驱动的方法能够有效地用于锂离子电池寿命预测中,在工程应用方面具有较高的实际价值.     

基于最后逃逸时间的随机退化设备寿命预测方法

现有基于随机退化过程建模的寿命预测研究中, 通常用退化过程的首达时间(First passage time, FPT)来定义寿命. 但是, 这种寿命定义较为保守, 可能会导致其明显小于设备实际寿命. 鉴于此, 基于最后逃逸时间(Last exit time, LET)的概念, 给出一种新的寿命与剩余寿命(Remaining useful life, RUL)定义方式. 在该新框架下, 提出一种基于最后逃逸时间的寿命预测方法, 推导得到最后逃逸时间下基于Wiener退化过程模型的寿命与剩余寿命表达形式, 讨论了该方法与传统首达时间下寿命预测方法之间的关系. 此外, 通过数值仿真验证了该方法的正确性, 并对模型参数进行了敏感性分析. 最后, 通过轴承以及激光器的实际退化数据说明了该方法的有效性、可行性以及潜在的工程应用价值.     

基于信息融合最优估计的非线性离散系统预测控制

针对非线性离散系统的二次型最优预测控制问题, 提出了一种基于信息融合最优估计的迭代预测控制算法. 通过融合二次型性能指标函数中包含的未来参考轨迹和控制能量的软约束信息, 以及系统状态方程和输出方程的硬约束信息, 获得协状态序列和控制序列的最优估计. 通过二自由度机器人操作手的转移控制仿真, 表明了该控制算法具有良好的稳定性和鲁棒性.     

基于参数估计的多传感器数据融合

探讨具有随机扰动的环境中同一特征的不同传感器测量值的融合问题，并在理论上给出了基于参数估计的多传感器融合算法，分析了正态分布数据的融合计算公式，并提出以数据探讨技术中的分布图方法来获得一致的传感器数据，从而提高了算法的鲁棒性。     

基于Bayes估计的多传感器最优融合

本研究了多传感器数据融合技术的一种方法融合方法以Bayes估计理论为基础,并对数据进行了一致性检验,得到了多传感器最优融合数据,提高了数据的精确度。实际应用结果验证了算法的准确性,并进行了Matlab仿真,这种数据融合方法计算简便,可以获得比有限个传感器的算术平均值更准确的测量结果．具有较高的可靠性,可用于测量结果具有正态分布特性的多传感器测量系统。     

提高测量可靠性的多传感器数据融合有偏估计方法

为了提高测量数据可靠性,多传感器数据融合在过程控制领域得到了广泛应用. 本文基于有偏估计能够减小最小二乘无偏估计方差的思想,提出采用多传感器有偏估计数据融合改善测量数据可靠性的方法. 首先,基于岭估计提出了有偏测量过程,并给出了测量数据可靠性定量表示方法,同时证明了有偏测量可靠度优于无偏测量可靠度. 其次,提出了多传感器有偏估计数据融合方法,证明了现有集中式与分布式无偏估计数据融合之间的等价性. 最后,证明了多传感器有偏估计数据融合收敛于无偏估计数据融合. 实例应用验证了方法的有效性.     

基于最小二乘准则的多传感器参数估计数据融合

为了从含有加性测量噪声的线性测量数据中更加准确地估计未知的常值参数,测量噪声互不相关的多传感器测量系统得到广泛使用。在最小二乘准则下,提出了多传感器测量系统在多次同步测量时的集中式和分布式参数估计数据融合算法,两种算法完全等价,且都是全局最优的。数值仿真实验的结果表明,新算法可以明显改善传感器测量参数的估计精度。     

DR/GPS组合导航非线性自适应信息融合算法研究

针对实际工程中组合导航系统采集数据融合处理问题,建立了系统实测数学模型,提出了基于非线性系统的自适应信息融合算法,将系统未建模部分及高阶项作为噪声项与状态向量进行耦合估计,改善滤波算法对模型误差以及噪声假设的敏感性,通过仿真对比验证算法改进前后的效果,并用于DR/GPS组合导航系统。实验结果表明提出的数据融合算法能够提高系统的精确性,具有一定的实用价值。     

基于参数估计的数据融合方法在余度捷联惯性测量装置中的应用

将数据融合方法引入到导弹制导系统 ,充分利用余度捷联惯性测量装置中多陀螺的重复测量信息提高导弹的制导精度。数据融合过程分为两步 :首先应用分布图对传感器原始数据进行一致性检测 ,然后将通过检测的一致传感器数据按照参数估计的理论进行融合     

多阶段实验数据融合的Bayes可靠性评定模型

为实现多源先验信息的合理利用,基于多阶段实验数据融合数据方法,建立Bayes可靠性评定分析模型。提出多阶段实验数据融合方法,将各种实验数据进行阶段分类,将第1阶段的实验数据作为最初的先验信息,当获取第2阶段的数据后,按Bayes方法进行信息融合,以得到后验信息,并将其作为下一阶段的先验信息,依次递推,进行多阶段的信息融合。仿真结果表明,该模型简单易行,可有效融合多源先验信息,实现小子样条件下的Bayes可靠性评定。     

一种优化的贝叶斯估计多传感器数据融合方法

由于来自多个传感器的测量数据总是有一定程度的不确定性和不一致性,采用多传感器数据融合算法将多个节点的测量数据进行数据融合,利用数据的冗余度来减小这种不确定性,得到高可靠性的数据信息。提出了一种优化的贝叶斯估计多传感器数据融合方法,将贝叶斯估计和卡尔曼滤波器结合起来,应用于无线传感网络数据融合中。根据滤波器应用到传感数据、融合数据或者两者的方式,提出3种不同的技术,即:前向滤波法、后向滤波法和前后向滤波法。通过一个实例研究估计移动机器人的位置,验证算法的有效性。实验表明,在集中式和分布式两个方面数据融合体系结构,结合卡尔曼滤波器的贝叶斯融合算法能够有效地解决数据的不确定性和不一致性。     

一种基于分簇技术的数据融合算法

针对无线传感器网络节点能耗的限制以及通信数据的隐私问题,提出一种基于分簇技术的数据融合算法（Data Fusion Algorithm based on Clustering Technology, DFACT）。算法通过分簇技术解决通信数据的时延,簇内利用算法选择合适簇头,并构造数据融合树结构进行数据融合,减少数据通信量,保护数据隐私;簇间采用基于移动代理模型选择最佳路径提高通信效率。实验结果表明,DFACT算法可以有效地降低大规模无线传感器网络节点耗能,提高数据的安全性,延长网络生命周期。