基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命（remaining useful life, 简称RUL）预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题,提出了一种基于融合指标与数模联动的轴承RUL预测方法,以提高原始数模联动RUL预测方法的准确性。首先,利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征,构建单调趋势良好的性能退化融合指标;其次,基于3σ准则建立一种首次预测时间确定方案,以触发RUL预测模型的启动,避免RUL预测的无效性;最后,考虑轴承的退化特性,嵌入Rauch-Tung-Striebel平滑滤波算法,以减小退化模型的随机波动,实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性,相较于现有数模联动方法,显著提高了轴承RUL的预测精度。     

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。     

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。     

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.     

多传感器数据的概率最大融合方法

在多传感器信息融合过程中,有时要利用多传感器对某一对象进行不同方面观测,而数据融合的目的是要对研究对象进行类型识别,通过对数据获取过程的统计分析,给出总概率最大的数据融合方法.该方法可以避免丢失重要的极端数据,使结论更符合实际.     

基于FA-LN-BiGRU的机械设备剩余寿命区间预测方法

针对数据驱动融合模型存在前后模型不匹配、关键信息丢失等问题,提出了一种端对端的预测方法,即基于特征注意力机制的对数正态分布和双向门控循环单元融合（feature attention-lognorm-bidirectional gated recurrent unit, 简称FA-LN-BiGRU）的剩余寿命区间预测方法。首先,利用特征注意力机制从多维度、非线性和大规模的传感器信号中提取出关键特征向量;其次,采用BiGRU网络从前向和后向2个方向对注意力加权特征的时变特性进行建模学习,并通过最大似然估计损失函数来训练网络参数,获得网络隐含状态输出向量的概率分布;最后,计算出基于对数正态分布的概率密度函数,实现设备剩余寿命（remaining useful life,简称RUL）不确定性的衡量。分析结果表明,对于运行条件复杂和故障模式多变的多维监测数据,所提方法能够深入挖掘性能退化信息,有效提高机械设备剩余寿命点预测和区间预测的准确度和可靠性。     

基于动态历史环境数据的产品剩余寿命预测方法研究

产品的实际工作环境一般是动态变化的,而传统寿命预测方法忽略环境应力的随机可变性,假设工作环境应力是恒定不变的静态应力,这与工程实际不相符合。随着科学技术的发展,大多数产品都具有自动采集工作环境协变量信息的功能,因此,结合产品历史环境协变量信息与产品现场工作失效数据,对产品工作的剩余寿命预测的结果更为准确可信。通过对动态历史环境数据进行建模,结合累积损伤模型,给出基于动态环境协变量的产品剩余寿命预测的一般方法,最后通过仿真实例验证方法的可行性。     

基于数据对齐的深度ANN机械寿命预测

传统智能数据驱动机械剩余寿命预测存在两个问题：（1）预测起始时间的确定精度不高（2）实体之间数据分布的显著差异,为此提出一种基于数据对齐的深度对抗性神经网络机械寿命预测。利用生成性对抗性神经网络学习机器健康状态下的数据分布,建立系统异常的有效指标,确定预测的预测起始时间。将学习到的特征进一步用于剩余寿命估计,并对不同实体的数据比对引入对抗训练。在学习子空间中通过数据对齐策略来提取实体不变特征,弥补数据分布差异,提高了数据驱动程序方法的泛化能力。最后利用两组加速滚动轴承退化测试数据集验证了所提出的预测方法,结果表明提出的方法能够有效提升预测精度,并且有效解决了数据差异问题。     

基于竞争失效的航空发动机剩余寿命预测

航空发动机作为典型的复杂机电系统,具有失效模式多样性的特点。多失效模式相互作用,实质上是竞争失效的关系,导致航空发动机剩余寿命预测的复杂性。针对航空发动机失效模式及失效规律特点,提出基于竞争失效的航空发动机剩余寿命预测方法,解决航空发动机健康管理的核心和关键问题。分析航空发动机两类失效模式——性能退化失效和突发失效的作用机制及相关性,构建基于竞争失效的航空发动机剩余寿命预测体系。结合航空发动机不同失效模式及数据特点,分别针对性能退化失效和突发失效建立剩余寿命预测模型。利用贝叶斯线性模型融合状态监测信息,建立航空发动机性能退化轨迹模型,实现针对不同性能退化情况下的航空发动机剩余寿命预测。以分析性能退化规律为基础,利用航空发动机故障信息,建立混合Weibull可靠性模型,量化性能退化失效对突发失效的影响,实现航空发动机突发失效剩余寿命预测。通过算例,验证提出方法的有效性。结果表明,考虑竞争失效的多模型剩余寿命预测技术能客观、准确描述航空发动机寿命变化规律。     

自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

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...     

[数据驱动的智能服务]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,增大变化趋势对预测结果的影响;通过对样本轨迹进行平移处理,减小正常阶段时域对算法的影响;最后通过实际数据的对比来验证该方法的有效性,结果表明,改进的预测方法有较好的预测精度。     

润滑剂剩余使用寿命评定技术的研究

介绍了国内外润滑剂剩余使用寿命评定技术的研究现状,并对几种典型的评定技术进行了分析和对比。结果表明,循环伏安评定技术是最适合的润滑剂剩余使用寿命评定技术,利用这种技术可以有效地评价润滑剂的使用寿命和设备工作状况。     

地铁车辆电动塞拉门的剩余寿命预测

针对地铁车辆客室电动塞拉门传动装置润滑不良的问题,提出了基于自组织映射（SOM）神经网络、隐马尔可夫链（HMC）模型和蒙特卡罗（MC）仿真的剩余使用寿命预测方法。该方法首先对采集到的电机电流信号进行特征提取;然后利用SOM对提取出的多维特征数据进行融合与编码,将所得结果作为HMC的输入向量,训练得到全部寿命下劣化状态转移矩阵;最后利用MC方法实现对其劣化过程的剩余使用寿命预测。故障模拟实验结果表明,该方法可以在考虑润滑不良故障模式下,有效预测得到电动塞拉门丝杆的剩余使用寿命。     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。      

基于民航发动机状态数据的涡轮叶片剩余寿命评估

针对民航发动机的特点,提出一种基于涡轮叶片外场故障数据及快速存取记录器(Quick access recorder, QAR)历史数据的涡轮叶片剩余寿命评估方法。从发动机QAR数据中提取涡轮叶片使用载荷谱,进而借助寿命损耗模型估算涡轮叶片的累积损伤量,并进一步评估涡轮叶片的剩余寿命。以涡轮叶片的蠕变损伤失效模式为例验证方法的可行性,方法可推广应用于热机械疲劳以及疲劳-蠕变交互作用失效模式下的涡轮叶片剩余寿命估计问题,为有限信息条件下外场发动机涡轮叶片的寿命评估提供了一种可行的工程方法,可为民航发动机在翼寿命评估及送修方案的制定提供决策支持。     

一种面向工程机械再制造的剩余寿命预测方法的研究

针对工程机械的复杂工况史以及再制造的目的,以挖掘机动臂作为研究对象,研究一种面向工程机械再制造的剩余寿命预测方法。该方法结合了CAE工况仿真,并采用BP神经网络算法进行预测,在模拟预测过程中表现良好。     

移动机器人多传感器信息融合技术综述

阐述了当前在移动机器人领域常用的几种多传感器融合方法,介绍了移动机器人常用的传感器配置及所用的融合算法。对D-S证据理论、卡尔曼滤波、神经网络与模糊推理信息融合方法优缺点进行了对比分析。     

考虑不完美维修的随机退化设备剩余寿命自适应预测方法

在现有考虑不完美维修的随机退化设备剩余寿命预测研究中,通常仅考虑维修活动对退化状态或退化速率的单一影响,仅有考虑二者双重影响的研究,忽略了退化设备的个体差异性。鉴于此,提出一种基于多阶段扩散过程的自适应剩余寿命预测方法,同时考虑不完美维修活动对设备退化状态和退化速率的影响,并利用随机游走模型描述退化速率随观测数据的更新过程以表征设备的个体差异性。基于历史退化数据,利用极大似然估计法得到退化模型参数的初值;基于状态观测数据,利用卡尔曼滤波算法和期望最大化算法自适应的更新模型参数。利用卷积算子和蒙特卡洛方法推导得到了首达时间意义下设备剩余寿命的概率密度函数。最后,通过仿真算例和陀螺仪的实例研究验证了所提方法的有效性和优越性。