基于马尔可夫过程的健康状态评估模型

故障预测与健康管理（PHM）的思想是通过状态监测和诊断技术获取装备状态和故障信息,预测其故障发展趋势,采取更有针对性的维修措施,从而大大提高装备维修管理的精确化。对装备系统的健康状态进行评估是实施PHM的基础,研究了基于马尔可夫过程的健康评估问题,运用马尔可夫模型方法,将部件系统退化过程描述为有限状态转移过程,建立了基于马尔可夫的健康状态评估模型,对PHM系统进行评估并对剩余寿命进行预测,最后进行了案例分析,验证了模型的可行性。     

基于HsMM的系统在线故障预报

针对故障预报中系统剩余寿命难以精确估计的问题,提出基于隐半马尔可夫模型(HsMM)的系统在线故障预报方法.首先重新设计HsMM模型结构,利用模糊c均值聚类(FCM)方法化连续取值的系统输入输出变量为有限集合内取值,简化了建模计算过程.在实现对故障检测的同时,利用模型的状态驻留参数估计系统的剩余寿命,从而实现系统的故障预报.利用连续搅拌反应釜(CSTR)模型进行仿真验证,在输入输出数据含有噪声的情况下,较准确地估计,系统的剩余寿命,从向表明了方法的有效性.     

航空发动机的健康指标构建与剩余寿命预测

预测与健康管理技术能够有效的评估系统健康状态、预测系统剩余使用寿命,是提高复杂系统安全性、经济性的重要保障.为全面评估系统健康状态,本文提出了一种基于深度置信网络(DBN)的无监督健康指标构建方法,并结合隐马尔可夫模型(HMM)进行系统剩余寿命预测.首先,通过无监督训练深度置信网络实现历史数据的特征提取,进而构建健康指标;其次,利用健康指标集训练隐马尔可夫模型,实现设备健康状态的自动识别;最后,通过DBN-HMM混合模型来计算系统剩余寿命.采用商用模块化航空推进系统仿真软件(C-MAPSS)给出的航空发动机数据集,验证了上述方法的有效性.     

基于TransMP模型的Web系统剩余寿命预测方法

针对当前软件剩余使用寿命预测方法忽略了多性能指标间所蕴涵寿命信息的问题,提出一种融合多性能指标Transformer（TransMP）模型的Web系统剩余寿命预测方法。首先,搭建内存故障型Web系统加速老化实验平台,创建包含内存使用量、响应时间和吞吐率性能指标的数据集;其次,考虑不同性能指标蕴涵老化特征信息的差异性,构造由多编码器-解码器组成的TransMP模型,将性能指标数据分别输入内存指标编码器、响应时间编码器和吞吐率编码器提取老化特征信息,再引入特征融合层进行信息融合;最后,将融合信息输入由掩码注意力-多头注意力结构构成的解码器,预测得到系统状态达到老化阈值的剩余寿命。实验结果表明,该Web系统剩余寿命预测方法与最优的SALSTM方法相比,均方根误差分别降低了12.0%、17.3%和13.2%,平均绝对误差分别降低了13.3%、21.0%和10.4%,证明了该方法的有效性。     

基于粒子滤波与线性自回归的故障预测算法

粒子退化是粒子滤波在故障预测应用中存在的主要问题.针对粒子滤波算法样本贫化问题,提出一种基于粒子滤波与线性自回归的故障预测算法.在算法的状态估计阶段,使用混合状态系统模型和粒子滤波算法对系统状态的概率密度函数进行估计,并实时给出故障发生概率;在算法的状态预测阶段,采用线性自回归模型对故障征兆随时间的演化情况进行估计及修正,同时给出剩余使用寿命的概率密度函数.故障预测仿真实验结果证明了算法的有效性.     

一种改进的锂离子电池剩余寿命预测算法

锂离子电池故障往往会使系统性能下降甚至瘫痪,故障部件剩余寿命的精确估计对整个系统的寿命预测和健康管理至关重要。粒子滤波是一种有效的序列信号处理方法,然而应用于锂离子电池剩余寿命预测准确性并不高。根据锂离子电池电学特性,提出一种改进的粒子滤波算法,基于锂离子电池容量退化指数模型,结合训练数据对锂离子电池剩余寿命进行预测。仿真及实验结果表明,改进的粒子滤波算法对锂离子电池剩余寿命预测误差小于5%。     

基于可靠性模型及数据融合的冷却风扇健康管理算法

针对目前工业领域对冷却风扇的故障预测与健康管理的需求,提出了基于可靠性模型及信息融合的冷却风扇健康管理算法;文中对风扇的主要性能参数进行辨识,包括转速、电流、上升时间、下降时间、温度以及适度,结合风扇故障模型,将冷却风扇健康管理算法分为环境、机械及电子3个模块;利用可靠性模型及信息融合,对风扇状态进行评估以及预测,进而对风扇的剩余寿命及故障进行预测。     

基于HMM的设备剩余寿命预测框架及其实现

在设备退化状态识别中剩余寿命预测是设备实施状态维修的一个重要内容,也是实现真正意义上精确维修的前提和基础。隐马尔可夫模型作为一种统计分析算法,具有较强的模式分类能力,能够对设备退化过程进行有效识别。但是传统隐马尔可夫模型状态持续时间分布的不合理性,不能直接用于剩余寿命的预测。考虑状态识别和剩余寿命预测的连续性,应用隐马尔可夫模型的改进算法——隐半马尔可夫模型,构建设备剩余寿命的预测框架,实现了在设备退化状态识别基础上的剩余寿命预测。通过对滚动轴承实测数据的仿真试验,对框架进行了仿真验证。仿真结果表明框架能够有效识别设备退化过程和实现剩余寿命的预测。     

基于改进CNN-LSTM的飞控系统剩余寿命预测

数据驱动的剩余寿命（remaining useful life,RUL）预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究。针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法。该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取。首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络（long short-term memory,LSTM）提取系统状态参数时间序列的故障信息,结合一维卷积神经网络（1D-CNN）提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络。充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测。     

基于LS-SVM的电力通信网性能劣化评估与预测模型研究

随着电力通信网络规模越来越大,运行维护人员对通信网运行状态的实时有效监控,对设备故障的快速准确判断越来越困难,需要对通信网运行的健康状态进行科学评估,以及对网络性能的劣化进行趋势预测,从而可以提前预知网络可能存在的隐患。论文充分利用通信网现有的海量状态监测数据,提出基于健康状态数据的电力通信网性能劣化评估模型,在此基础上利用最小二乘支持向量机(LS-SVM)性能劣化时间序列进行预测,预警通信网的异常状态,提高通信网运行维护的水平,减少故障导致的断网损失。     

基于间歇故障特征分析的航空电连接器故障预测软件设计与实现

针对航空电连接器间歇故障的评估与故障预测开展工作,介绍了间歇故障内涵与动态特征,提取了间歇故障广义强度作为状态评估与故障预测的评估指标,基于该特征开发了间歇故障状态评估与故障预测软件,并在电连接器案例上进行了实现与验证.测试表明,该软件能够有效评估电连接器的使用状态,并对当前状态下的剩余使用寿命进行预测,可以应用于航空电连接器,并且可以推广到其他受间歇故障困扰的电子器件上.     

基于级联长短期记忆神经网络的轴承复合故障预测

当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题.针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测.文中采用西安交通大学的轴承数据...     

系统健康管理中的寿命模型仿真研究

在航空、航天、通信等领域,高可靠性和长寿命设计的产品所占比重逐渐增大;性能退化状态评估和剩余使用寿命预测技术在提高该类产品安全性和维护效率、降低全寿命周期成本等方面意义重大;针对当前国内健康管理研究中缺乏寿命及可靠性基础数据的现状,介绍了系统寿命预测的典型过程,重点分析了寿命模型研究和仿真中存在的若干问题,旨在建立实现简单且与实际系统运行过程相似度高的寿命模型的建模方法,为后续系统性能状态评估提供有效的数据支持。     

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。     

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PHM的舰艇装备视情维修技术研究

针对PHM技术在舰艇装备视情维修中的应用需求,在分析剩余寿命预测机理的基础上,为解决舰艇装备历史数据少、状态变化普遍表现为非线性等难题,建立基于粒子滤波的多步剩余寿命预测模型,通过仿真表明：随着时间的推移剩余寿命PDF图变狭窄,剩余寿命预测误差逐渐降低,证明了预测方法的有效性。在此基础上,考虑装备维修费用最低为目标,建立以费用最低为目标的预防性维修时间确定模型,使得单位时间内的平均维修费用最低,并通过采用建立的基于粒子滤波的多步剩余寿命预测模型,最终确定了最优预防性维修时间,为装备保障人员拟订精确维修保障计划提供依据,也为舰艇装备开展视情维修奠定基础。     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

巷道掘进机健康管理研究现状及展望

掘进机健康管理技术通过对大量监测数据进行分析处理,动态掌握掘进机运行状况,并对各类故障进行预测预报,从而提高掘进机运行的安全性,降低事故发生率及损失,减少设备维护成本。指出巷道掘进机健康管理的关键技术为工作状态参数提取、全状态健康管理、剩余使用寿命估计和远程监测,总结了4项关键技术的研究现状,指出目前对于复杂机械设备剩余使用寿命预测的研究基本不考虑工况变化,仍停留在理论仿真和实验室试验阶段,若使该技术得到应用,必须考虑变工况条件;提出了掘进机健康管理的研究方向,包括掘进机微弱故障诊断方法、掘进机监测多信息融合技术、掘进机关重件与保养件寿命估计方法及油液污染度评估、数字孪生技术在掘进机健康管理中的应用。     

基于AE-LSTM的多目标硬盘故障预测方法

硬盘故障预测是在故障发生前发出预警,避免数据丢失或服务中断,提高数据中心的可靠性和安全性。然而,大多数故障预测模型将硬盘故障问题转化为二分类任务,忽略了硬盘故障是渐变过程的,并且缺乏故障诊断功能。因此,提出了一种基于AE-LSTM的硬盘故障预测框架,实现多目标任务：硬盘健康状态分级、硬盘剩余使用寿命预测、硬盘故障诊断。首先,采用回归决策树模型智能化对硬盘健康状态进行标记;其次,通过AE-LSTM模型提取鲁棒的隐藏变量,并构建剩余使用寿命预测模型和硬盘健康状态分级模块;最后,根据AE模块的输入输出差异进行硬盘故障诊断。在Backblaze公开数据集上,对比了RF、LSTM和AE-LSTM三种算法,实验结果证实了AE-LSTM算法在多目标硬盘故障预测中的有效性和优势。     

基于电力设备故障预测与诊断控制的研究

电力设备在线故障检测与诊断是建立在对电力设备运行状态各部件劣化规律认识的基础上,根据得到的能够表征其变化规律的特征参量进行的在线故障预测与诊断控制技术,就是能够更好地提高设备运行可靠性和安全性,对电力设备寿命评估提供依据.