粒子滤波和GRU神经网络融合的锂电池RUL预测

随着锂电池在移动电子设备和电动汽车等领域中得到广泛应用,其剩余使用寿命(remaining useful life,RUL)的精确预测对锂电池的健康管理更具重要意义。本文提出一种基于粒子滤波(particle filter,PF)和门控循环单元（gated recurrent unit,GRU）神经网络融合(PF-GRU)的预测方法预测锂电池的RUL。这种融合方法结合了PF在估计RUL概率分布上的优势以及GRU能够进行时间序列长期预测的能力,获得融合的预测结果。再利用每个预测周期的容量预测结果,采用带移动窗口迭代更新训练数据集的方法对GRU模型进行再训练,提高了GRU的长期预测性能。以上预测步骤迭代进行,直到容量衰减至寿命阈值以下。最后将粒子代表的预测结果外推至寿命阈值,得到电池RUL分布直方图。本文采用美国NASA卓越诊断学中心(PCoE)实验室所提供的锂电池数据对所提方法进行验证,将所提出的融合方法与GRU、PF和无窗口移动融合方法进行RUL预测比较。实验结果表明,本文所提出的融合方法具有良好的性能,在状态和参数估计、RUL预测方面明显优于PF和无窗口移动融合方法,预测精度均高于其他3种预测方法。     

自适应模型与改进粒子滤波的电池RUL预测

为提高锂电池运行的安全性和可靠性并维护系统稳定运行,提出一种自适应混合模型与改进粒子滤波（particle filter, PF）算法的锂电池剩余使用寿命（remaining useful life, RUL）预测方法。采用经验模型与神经网络模型结合建立自适应混合模型描述电池容量退化趋势,并使用天牛须搜索（beetle antennae search, BAS）算法优化PF重采样步骤解决粒子多样性丧失问题,从而提高估计精度进而实现RUL的精准预测。应用NASA和CALCE公开的两组不同类型锂电池作为实验对象,验证模型的有效性并通过对比PF与改进PF算法验证RUL预测的准确性。结果表明:自适应混合模型对于电池容量变化的表达能力更强,既能考虑电池内部的参数变化又能反应电池外部环境的变化,基于BAS改进的PF（BAS-PF）方法相较于传统PF算法的估计精度更高而且RUL预测更准确,对于不同的预测起点,两块测试电池的RUL预测误差分别为5.88%、3.92%、1.96%和3.75%、1.25%、0%。自适应混合模型能更加有效地描述电池容量特征,基于自适应混合模型的BAS-PF算法的电池RUL预测能力更好,可靠性更强,有助于提高RUL预测的精度和表现。     

车用动力电池全生命周期寿命预测方法

为准确量化车用动力电池老化程度,提升其行业利用率,实现电池的全生命周期剩余寿命(Remaining useful life, RUL)的精确预测,提出一种基于多系数模型的车用动力电池全生命周期寿命预测方法。该方法融合重组了传统的经验指数模型和改进后的多项式回归模型,重组后的模型能在实验数据分析的基础上追踪电池全生命周期内的寿命退化趋势。该方法采用粒子滤波(Particle filter, PF)思想在线调整模型参数,设计了针对动力电池不同状态,不同容量种类的算例预测电池的RUL,通过改进多项式回归模型,传统经验指数模型以及多系数模型的预测精度对比评估模型。实验结果表明：相较于经验指数模型和改进后的多项式回归模型,本文提出的多系数模型针对电池容量衰减具有更好的拟合能力;结合粒子滤波算法,该模型无论是对在役电池还是退役电池均具有高精度的寿命预测结果。该方法对不同容量的动力电池均能准确预测电池失效时间,在电池梯次利用行业具有一定的适用性。     

一种结合UKF的疲劳结构剩余寿命预测方法

针对机械系统中疲劳结构的剩余寿命(RUL)预测问题,提出了一种结合无迹卡尔曼滤波算法(UKF)的RUL预测方法.该方法包括疲劳裂纹性能参数评估和RUL预测两个部分.在性能参数评估部分,通过对Paris疲劳裂纹扩展公式进行离散化,建立了参数状态空间评估模型,并利用传感器获得的实时状态信息结合UKF算法对状态空间评估模型中的疲劳性能参数(C和m)以及疲劳裂纹长度表现出的不确定性进行评估,以避免状态信息不完备、工况噪声等不确定因素对结构疲劳寿命预测的影响;在剩余寿命预测部分,利用UKF算法评估得到的参数结果,结合离散化得到的递推裂纹扩展模型,对结构的剩余寿命进行预测.仿真结果表明:提出的方法能够很好地处理疲劳裂纹扩展模型中疲劳性能参数的不确定性,且在剩余寿命预测上,通过与扩展卡尔曼滤波算法(EKF)进行比较分析,发现所提方法能够更准确地预测结构疲劳裂纹的RUL.将离散的Paris疲劳裂纹扩展公式和UKF算法进行结合,能够有效地提高疲劳结构的剩余寿命预测精度.     

基于策略梯度informer模型的滚动轴承剩余寿命预测

典型的编码器-解码器——Transformer存在二次时间复杂度、高内存使用以及模型结构复杂等固有限制,这些造成Transformer用于滚动轴承剩余寿命 (remaining useful life, RUL)预测会表现出较低预测精度和较低计算效率的问题。为此,提出了一种新型编解码器——策略梯度informer(policy gradient informer, PG-informer)模型,并首次将其应用于滚动轴承RUL预测。在PG-informer的新型编解码器体系结构——Informer中设计了概率稀疏自注意力（probabilistic sparse self-attention, PSSA）机制来替代Transformer中原有的自注意力机制,以提高非线性逼近能力并减少时间和空间复杂度;然后,PG-informer采用自注意力蒸馏(self-attention distillation, SAD)操作减少参数维度和参数量,并提高了对时间序列的预测鲁棒性;此外,PG-informer的生成式解码器只需对解码输入进行一步解码即可输出预测结果,而无需动态多步解码,提升了对时间序列的预测速度;最后,构造了策略梯度学习算法来提高对PG-informer参数的训练速度。PG-informer的以上优势使所提出的基于PG-informer模型的滚动轴承RUL预测方法可以获得较高的预测精度、较好的鲁棒性和较高的计算效率。对辛辛那提大学智能维护系统中心的1号滚动轴承的RUL预测实验结果表明所提出方法预测得到的RUL值为963 min,其RUL预测误差仅为6.50%,比基于Transformer的RUL预测方法预测精度更高、预测误差更小、鲁棒性更好;所提出方法所耗费的RUL预测时间仅为132.37 s,比基于Transformer的RUL预测方法的预测时间更短。以上实验结果验证了所提出方法的有效性。     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

基于IPSO-GRU的锂离子电池剩余使用寿命预测

为了提高预测锂离子电池剩余使用寿命(RUL)的精度,提出了一种基于改进型粒子群算法(IPSO)与门控循环单元(GRU)神经网络的锂离子电池RUL预测模型。首先,通过改变PSO算法的惯性权重和学习因子的更新规则,提高其寻优能力;然后,通过IPSO算法优化GRU神经网络的参数选择,搭建IPSO-GRU模型。最后,利用美国国家航空航天局(NASA)公开的锂离子电池实验数据进行试验,验证IPSO-GRU模型的准确性。实验结果表明,相比于直接采用单一GRU模型,所提IPSO-GRU模型降低了容量预测误差,有效提高了锂离子电池RUL预测精度。     

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命（RUL）预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法. 在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集. 将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络（CNN）模块进行深层特征提取与多尺度特征融合,通过前馈神经网络（FNN）模块映射得到RUL预测值. 通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.     

考虑不确定测量的惯性平台剩余寿命自适应预测

针对现有剩余寿命预测方法未考虑测量误差引起的不确定性,且存在预测不确定性大的问题,提出了一种基于Wiener过程的退化过程建模方法,并将测量的不确定性考虑到剩余寿命预测中,推导出了剩余寿命的概率分布。为了实时更新模型参数,利用Kalman滤波算法实时估计Wiener过程中的漂移系数,并利用期望最大化算法实时估计其它相关参数。以某型号惯性平台的退化测量数据为例,进行了实验验证,结果表明,相比其它算法,文中算法能够降低剩余寿命预测的不确定性,提高预测精度。     

Reliability estimation and remaining useful lifetime prediction for bearing based on proportional hazard model

As the central component of rotating machine,the performance reliability assessment and remaining useful lifetime prediction of bearing are of crucial importance in condition-based maintenance to reduce the maintenance cost and improve the reliability.A prognostic algorithm to assess the reliability and forecast the remaining useful lifetime(RUL) of bearings was proposed,consisting of three phases.Online vibration and temperature signals of bearings in normal state were measured during the manufacturing process and the most useful time-dependent features of vibration signals were extracted based on correlation analysis(feature selection step).Time series analysis based on neural network,as an identification model,was used to predict the features of bearing vibration signals at any horizons(feature prediction step).Furthermore,according to the features,degradation factor was defined.The proportional hazard model was generated to estimate the survival function and forecast the RUL of the bearing(RUL prediction step).The positive results show that the plausibility and effectiveness of the proposed approach can facilitate bearing reliability estimation and RUL prediction.     

噪声野值下的学生t分布混合CPHD滤波

针对过程噪声和量测噪声野值导致高斯混合势概率假设密度滤波性能下降的问题,提出了一种基于学生t分布的势概率假设密度滤波。首先,引入学生t分布对重尾的过程噪声和量测噪声进行建模;其次,将多目标后验强度近似为学生t分布混合形式,推导了基于学生t分布的势概率假设密度滤波的闭合解,并采用矩匹配算法防止学生t分布的自由度无限增长。仿真结果表明,在含有过程噪声和量测噪声野值的环境下,所提算法的目标数估计精度和最优子模式分配距离优于高斯混合势概率假设密度滤波和学生t分布混合概率假设密度滤波,提高了多目标跟踪性能。     

Gaussian mixture PHD smoothing filter in unknown clutter

Aiming at the Multi-target tracking in the unknown clutter environment, this paper proposes a Gaussian Mixture Probability Hypothesis Density (GM-PHD) forward-backward smoothing algorithm, which improves the poor performance of the PHD filter when the clutter model and the prior knowledge are mismatching by estimating the clutter intensity with the finite mixture model. The forward-backward smoothing recursions are applied to improve the state estimation accuracy. Simulation results show that the proposed algorithm performs well in the unknown clutter environment and better than the conventional Gaussian Mixture PHD Filter without smoothing processing in the unknown clutter environment.     

基于选择性深度神经网络集成的涡扇发动机剩余寿命预测

大样本高维度状态监测数据对剩余使用寿命（RUL）精准预测有着技术性挑战,为了提高以航空涡轮风扇发动机为代表的复杂装备的预测精度和收敛效率,提出一种两阶段的选择性深度神经网络集成方法. 第1阶段为多方法联合扰动下的候选集生成方案,通过采用异质神经网络结构、多时间尺度设计和算法参数随机化消除模型内部耦合关系,强化候选深度神经网络集多样性;第2阶段利用遗传算法集成修剪冗余模型,有效剔除性能不佳的冗余学习器,以获取多样化最优候选子集,并按平均集成输出预测结果. 与个体模型的数据实验对比表明,所提方法通过同步增强集成模型准确性和多样性,提升了近20%的RUL预测精度,可为运维决策提供有力支撑.     

采用改进粒子滤波的雷达扩展目标检测前跟踪

在雷达回波的距离——多普勒数据上,建立了粒子滤波所需的系统动态模型和观测模型,将传统的点目标模型改进为更接近于实际的线形扩展目标模型,并推导出了新模型的似然比函数.同时,为了减少粒子数,对传统的粒子滤波(PF)算法进行了改进.由于模型的匹配和检测前跟踪(TBD)算法在时间上的积累功能,所提算法提高了雷达对低信噪比目标的检测概率.仿真结果表明,该算法能稳定地检测到信噪比为1 dB的目标.     

基于动态贝叶斯网络的变幅载荷下疲劳裂纹扩展预测方法

针对当前疲劳裂纹扩展预测研究中较少考虑不确定因素而导致预测结果偏差大的问题,提出基于动态贝叶斯网络（DBN）的疲劳裂纹扩展预测方法. 以变幅载荷作用下的疲劳裂纹扩展为具体对象,利用统一疲劳寿命预测（UFLP）模型构建疲劳裂纹扩展的物理状态方程;分析疲劳裂纹扩展过程典型不确定因素之间的联系,基于动态贝叶斯网络建立疲劳裂纹扩展动态性能退化模型;采用粒子滤波（PF）推断算法,向动态性能退化模型输入裂纹观测数据,修正预测结果,降低不确定因素的影响. 根据已有的裂纹扩展实验数据,给出具有不确定因素疲劳裂纹扩展预测的仿真算例,结果表明,所提出的基于动态贝叶斯网络的变幅载荷作下疲劳裂纹扩展预测方法较现有方法能够取得更好的预测精度.     

Adaptive learning rate GMM for moving object detection in outdoor surveillance for sudden illumination changes

A dynamic learning rate Gaussian mixture model (GMM) algorithm is proposed to deal with the problem of slow adaption of GMM in the case of moving object detection in the outdoor surveillance, especially in the presence of sudden illumination changes. The GMM is mostly used for detecting objects in complex scenes for intelligent monitoring systems. To solve this problem, a mixture Gaussian model has been built for each pixel in the video frame, and according to the scene change from the frame difference, the learning rate of GMM can be dynamically adjusted. The experiments show that the proposed method gives good results with an adaptive GMM learning rate when we compare it with GMM method with a fixed learning rate. The method was tested on a certain dataset, and tests in the case of sudden natural light changes show that our method has a better accuracy and lower false alarm rate.     

高斯过程回归补偿ARIMA的网络流量预测

为提高网络流量时间序列的中期预测精度,提出一种高斯过程回归模型补偿自回归积分滑动平均(ARIMA)模型的网络流量预测模型.首先通过Brock-Dechert-Scheinkman统计量检验方法确定网络流量时间序列包含线性特征与非线性特征;然后利用ARIMA模型对网络流量时间序列进行非平稳建模,得到符合网络流量序列线性变化规律的模型,并通过人工蜂群算法优化的高斯过程回归模型对具有非线性特性的预测误差序列进行建模与预测;最后将ARIMA模型的预测值与高斯过程回归模型的预测误差值进行相加得到最终的网络流量预测值.仿真对比实验结果表明,提出的预测方法具有更高的预测精度和更小的预测误差.     

噪声相关粒子滤波算法

对标准粒子滤波在处理非线性系统状态估计中噪声独立假设的局限,该文研究分析了一种噪声相关粒子滤波算法。在常用的系统状态模型基础上,分析了噪声相关时建议分布函数的具体分布形式,并以高斯相关噪声为背景,在重要性权重条件最小方差意义下推导了最优建议分布函数的数值表达式。所设计的滤波器有效弥补了传统粒子滤波算法在噪声相关情况下的缺陷,拓展了PF算法的应用范围。仿真实验表明了该方法的有效性。     

基于SVM-GMM混合模型的说话人辨认研究

通过建立一种新的混合模型——SVM-GMM模型,用以提高说话人辨认的识别率。其中介绍了高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,指出了高斯混合模型和支持向量机在实际应用中的不足之处,并针对这两种模型各自的特点,提出了将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立了SVM-GMM混合模型。通过实验对比,验证了使用SVM-GMM模型能有效的提高系统识别率。     

基于高斯过程的大坝变形预测模型

鉴于高斯过程在处理高维数、小样本和非线性等复杂的问题的突出表现,提出基于高斯过程的大坝变形预测新模型.详细分析基于GP的大坝变形预测模型构建过程,并建立预测结果的方差及置信区间的估计方法.将GP模型与多种大坝预测模型进行精度对比,并进行结果可靠性分析.通过实例分析可知,GP模型预测结果的精度指标优于其余方法,并且实测值均在估计的置信区间内.因此,证实GP模型是一种精度及可靠性高的大坝变形预测新方法.