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。     

基于随机滤波模型的齿轮箱剩余寿命预测研究

针对设备剩余寿命预测无法获取设备直接状态信息的问题,引入随机滤波模型,利用平时易于监测到的间接状态信息,来预测设备的剩余寿命.该模型采用贝叶斯递推理论,可以有效利用设备监测到的历史状态信息;针对小样本模型参数估计问题,采用主观数据和客观数据相结合的贝叶斯方法对模型的参数进行估计;最后,以齿轮箱全寿命实验为依据,利用该模...     

一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法

针对复杂机械系统剩余寿命预测问题,提出一种基于数据驱动方法和贝叶斯理论的机械系统剩余寿命预测方法。该方法基于数据驱动方法,对相同或相似系统的历史状态监测数据进行融合,并建立表征系统退化程度的健康指示量和预测剩余寿命的状态模型;基于贝叶斯理论,建立状态模型参数的贝叶斯模型;在此基础上,基于待估系统的实时状态监测数据和贝叶斯模型,利用马尔科夫链蒙特卡洛方法来更新模型参数并预测待估系统的剩余寿命;通过一个航空发动机的预测问题,来说明该方法的有效性。     

电子产品动态损伤最优估计与寿命预测

针对电子产品寿命预测中存在的不确定性因素影响,提出一种基于粒子滤波的电子产品动态损伤最优估计和寿命预测方法.首先建立了电子产品动态损伤HMM模型;分析了电子产品动态损伤和寿命预测中的不确定性因素;通过贝叶斯滤波模型,将寿命预测的不确定性问题转化为最优估计问题;利用粒子滤波算法求解出电子产品动态损伤的最优估计值,从而进行寿命预测;实验证明,该方法可有效消除系统和测量因素的干扰,明显提高电子产品剩余寿命预测的精度.     

基于误差反传神经网络的智能预诊方法及其应用

为实现在故障发生之前进行预测和预防.从实现智能预诊的系统功能角度出发,提出了智能预诊方法框架,建立了基于误差反传神经网络的性能衰退过程智能评估及剩余寿命动态预测模型,并对模型的有效性与预测误差等问题进行了深入分析.从实际应用的角度出发,针对信息不完备问题,实现了模型更新与动态预测.随着采集数据的不断增多,对预测模型进行适当调整,用调整后的网络模型给出剩余寿命的动态估值.提出的智能预诊方法已应用于哈尔滨汽轮机厂叶片材料疲劳测试分析系统,对叶片材料性能的分析与剩余寿命的预测证明了该方法的实用性和有效性.     

基于BP神经网络的1550冷轧机寿命预测研究

1550冷轧机作为钢铁企业的重要设备,其工况要求24h不间断运行,对此类设备进行寿命预测研究,实施适时的停机检修和工作任务安排,对钢铁企业具有重大意义。首先建立了基于神经网络的设备剩余寿命预测过程模型;其次分析了神经网络在设备剩余寿命预测领域的应用,分别构建了基于BP神经网络的设备状态识别与剩余寿命预测模型;最后以某钢铁企业1550连轧机齿轮箱的寿命预测为例,验证了该方法的有效性。     

基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法

提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。     

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行融合并构建健康因子作为观测数据,基于贝叶斯理论及马尔科夫链蒙特卡洛采样估计退化模型参数,并随着时间推进及监测数据序贯可获,实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每时刻剩余寿命进行迭代估计.所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性.用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程磨损全寿命数据集验证了方法有效性.     

改进灰色法的废旧设备剩余寿命预测研究

对日益增长的废旧矿冶设备废弃物进行剩余寿命预测,是对其再制造循环利用的前提和基础。由于废旧矿冶设备存在灰尘多、腐蚀大及磨损快的特殊工况,传统灰色寿命预测方法对寿命长期预测往往存在不准确的难题。引入灰色理论分析的方法,将灰色模型与线性回归模型相结合,建立改进的新陈代谢加权灰色线性回归组合模型,对废旧矿冶设备再制造剩余寿命进行预测。以某型矿冶发动机为例,验证了上述方法的有效性。     

数控机床智能化故障诊断系统软件设计

该数控机床故障智能诊断软件的设计实质是对机械部件运行状态进行实时监测,通过检测、分析机械部件运行状态的相关信息和数据,提取对性能退化敏感的一系列特征值,采用人工智能的方法拟合特征值与部件寿命之间的复杂映射关系,建立符合部件实际性能的贝叶斯动态模型,对部件寿命进行预测。举出了贝叶斯动态模型在丝杠副寿命预测中的应用实例,利用VC++编写显示界面,对诊断系统进行现场运行测试,实例结果表明,该方法具有比较好的预测效果。     

基于KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

A prognosis method using age-dependent hidden semi-Markov model for equipment health prediction

Health monitoring and prognostics of equipment is a basic requirement for condition-based maintenance (CBM) in many application domains. This paper presents an age-dependent hidden semi-Markov model (HSMM) based prognosis method to predict equipment health. By using hazard function (h.f.), CBM is based on a failure rate which is a function of both the equipment age and the equipment conditions. The state values of the equipment condition considered in CBM, however, are limited to those stochastically increasing over time and those having non-decreasing effect on the hazard rate. The previous HSMM based prognosis algorithm assumed that the transition probabilities are only state-dependent, which means that the probability of making transition to a less healthy state does not increase with the age. In the proposed method, in order to characterize the deterioration of equipment, three types of aging factors that discount the probabilities of staying at current state while increasing the probabilities of transitions to less healthy states are integrated into the HSMM. With an iteration algorithm, the original transition matrix obtained from the HSMM can be renewed with aging factors. To predict the remaining useful life (RUL) of the equipment, hazard rate is introduced to combine with the health-state transition matrix. With the classification information obtained from the HSMM, which provides the current health state of the equipment, the new RUL computation algorithm could be applied for the equipment prognostics. The performances of the HSMMs with aging factors are compared by using historical data colleted from hydraulic pumps through a case study.     

基于复合非齐次泊松过程的不完美维修设备剩余寿命预测

针对现有不完美维修设备剩余寿命预测方法难以准确反映设备真实维修规律的问题,提出一种基于复合非齐次泊松过程的不完美维修设备剩余寿命预测方法。基于非线性Wiener过程构建设备随机退化模型;假设不完美维修次数存在上限值,并据此建立基于复合非齐次泊松过程的不完美维修模型;然后,基于设备的随机退化模型与不完美维修模型构建综合退化模型,并采用极大似然方法估计模型参数;基于首达时间的概念,推导出不完美维修设备剩余寿命的概率密度函数。实例分析表明,所提方法能够有效提升不完美维修设备剩余寿命预测的准确性,具备工程应用前景。     

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。     

基于VAE-D2GAN的涡扇发动机剩余使用寿命预测

为了提高涡扇发动机剩余使用寿命的预测精度,提出一种将变分自编码器(VAE)和双判别器对抗式生成网络(D2GAN)相结合的预训练特征提取模型。在该模型中,VAE作为D2GAN的生成器参与模型训练,形成双重嵌套生成结构,以提高中间特征的提取质量;利用长短时记忆网络进一步挖掘所提取特征的时序退化信息,预测发动机剩余使用寿命。为了验证所提模型的高效性,将模型在通用数据集上进行测试,并与当前最先进的研究比较,结果显示所提模型具有更优秀的预测表现,极大提高了发动机系统的安全性。     

A method for predicting hobbing tool wear based on CNC real-time monitoring data and deep learning

Intelligent monitoring and diagnosis of tool status are of great significance for improving the manufacturing efficiency and accuracy of the workpiece. It is difficult to quickly and accurately predict the wear state of worm gear hob under different working conditions. This paper proposes a novel approach to predict hob wear status based on CNC real-time monitoring data. Based on the open platform communication unified architecture (OPC UA) technology and orthogonal test, the machine data of motor power, current, etc. related to tool wear are collected online in the worm gear machining process. And then, an improved deep belief network (DBN) is used to generate a tool wear model by training data. A growing DBN with transfer learning is introduced to automatically decide its best model structure, which can accelerate its learning process, improve training efficiency and model performance. The experiment results show that the proposed method can effectively predict hob wear status under multi-cutting conditions. To show the advantages of the proposed approach, the performance of the DBN is compared with the traditional back propagation neural network (BP) method in terms of the mean-squared error (MSE). The compared results show that this tool wear prediction method has better prediction accuracy than the traditional BP method during worm gear hobbing.     

Set-membership methodology for model-based prognosis

This paper addresses model-based prognosis to predict Remaining Useful Life (RUL) of a class of dynamical systems. The methodology is based on singular perturbed techniques to take into account the slow behavior of degradations. The full-order system is firstly decoupled into slow and fast subsystems. An interval observer is designed for both subsystems under the assumption that the measurement noise and the disturbances are bounded. Then, the degradation is modeled as a polynomial whose parameters are estimated using ellipsoid algorithms. Finally, the RUL is predicted based on an interval evaluation of the degradation model over a time horizon. A numerical example illustrates the proposed technique.     

基于状态空间模型的飞机APU在翼RUL预测方法

为解决利用飞机辅助动力装置(APU)在翼监测数据难以表征其性能状态而造成的性能评估以及剩余使用寿命预测(RUL)难的问题,本文提出一种基于状态空间模型(SSM)与卡尔曼滤波融合的APU在翼RUL预测方法.首先,通过在翼监测数据构造含噪声的性能指标(PI)来表征APU的性能状态,借助维纳过程与建立的含噪声的PI构建状态方...