基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如：特征指标选取、健康指标构建、失效阈值选定等等。预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算。首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine,简称SVRM）的预测效果对比,验证了提出方法的有效性。     

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。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精 度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。 首先,通过高效通道注意力机制提升 特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在 对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间 正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最 后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。 在 PRONOSTIA、XJTU-SY 和自测数据 集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自 适应方法效果提升 20% 至 40% 。     

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QPSO-SVR和声发射信号的机械密封寿命预测

针对现有机械密封监测技术难以有效预测剩余使用寿命的问题,提出基于声发射特征融合的退化指标和QPSO-SVR寿命预测模型的机械密封剩余寿命预测方法。首先通过实验采集多组机械密封的全寿命数据,进行小波阈值降噪处理,从原始声发射信号中提取出能表征机械密封运行状态的特征,利用KPCA分析优化得到的声发射特征,然后通过马氏距离对得到的特征进行融合进而得到能够表征机械密封退化的指标,利用QPSO优化SVR模型参数,建立寿命预测模型。实验结果显示:基于退化指标和QPSO-SVR模型的寿命预测方法有着较好的泛化能力和较高的精度,具有良好的工业前景。     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

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PCA和多变量极限学习机的轴承剩余寿命预测

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

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.