风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比（envelope harmonic?to?noise ratio,简称EHNR）和无迹粒子滤波（unscented particle filter,简称UPF）相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型（support vector regression,简称SVR）、反向传播神经网络（back propagation neural network,简称BPNN）的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

基于RRMS的地铁牵引电机轴承剩余寿命预测

为了评估滚动轴承的可靠性和预测剩余寿命,提出一种基于RRMS特征和神经网络相结合的轴承剩余寿命预测方法.选取地铁牵引电机轴承为研究对象,首先在轴承疲劳寿命试验台上进行疲劳寿命试验,采集轴承振动信号;其次通过小波包对原始信号进行分解,提取振动信号的RRMS特征,将其作为表征轴承性能衰退变化趋势的指标,并确定轴承失效阈值;...     

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。     

基于深度特征的轴承剩余寿命预测

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。     

基于相似性的风电机组轴承剩余寿命预测方法

风电机组是一个复杂系统,工作环境恶劣,维修费用高,通过寿命预测,制定精益维修策略,提高风机利用率。在欧几里得函数的基础上,引入衰退系数构建相似性函数,以剩余寿命为目标优化权重分配,提出一种应用历史失效样本进行相似性寿命预测的方法。通过数据模拟仿真,验证了该方法可较准确地预测设备剩余寿命。     

基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于无迹卡尔曼滤波的直升机主减速器剩余安全寿命预测

剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。     

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。     

基于灰色模型的滚动轴承剩余寿命预测

为准确地对滚动轴承的剩余寿命进行预测,提出了一种基于灰色模型(grey model,GM)的预测方法。首先,计算滚动轴承的全寿命周期的评估指数(confidential value,CV);其次,以滚动轴承的CV值序列建立灰色预测模型,获取灰参数;最后进行迭代运算获得滚动轴承CV值的预测值,并计算其剩余寿命。预测结果表明,该预测方法获得的预测数据与实际情况贴合度比较高,可以应用到滚动轴承的故障诊断项目中。     

基于Wiener过程的万能式断路器附件剩余寿命预测*

万能式断路器作为一个复杂的机械系统,其操作附件的剩余寿命预测对于维护断路器的可靠性至关重要。为准确掌握操作附件剩余寿命情况,提出了一种基于Wiener过程的万能式断路器操作附件剩余机械寿命预测方法。首先,通过对操作附件动作过程中线圈电流波形的分析选取了动作时间作为性能退化特征量;其次,考虑到断路器操作附件性能退化过程具有线性非单调的特点,采用Wiener过程建立了操作附件的性能退化模型,并利用极大似然估计法对退化模型参数进行估计;然后,基于首达时间的概念建立了剩余寿命预测模型,推导出剩余寿命概率密度函数解析式。最后对安装于万能式断路器上的分励脱扣器和释能电磁铁两种操作附件进行全寿命试验及其剩余寿命预测,预测结果验证了所提方法的有效性。     

基于CK-GPR的多应力环境智能电表剩余寿命预测

针对智能电表科学定期更换需求,建立一种基于智能电表基本误差数据的剩余寿命(RUL)预测方法.首先采用Person相关系数筛选对智能电表基本误差数据影响较大的环境应力作为模型输入;然后采用高斯核、Matern32核及周期核匹配多应力环境下智能电表基本误差趋势;利用贝叶斯方法和蒙特卡洛马尔科夫链(MCMC)求解模型.实验结...     

基于卷积变分自编码和多头自注意力机制的断路器剩余机械寿命预测

针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编 码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。 首先依据断路器不同的事件区间提取参数特 征,再通过 CVAE 挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立 GRU-MSA 的定量寿 命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。 最后利用 3 台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在 3 个数 据集中寿命预测均方根误差(RMSE)分别为 141. 46、128. 75 和 134. 16,平均绝对误差(MAE)分别为 112. 17、101. 52 和 106. 22, 预测精度高且稳定性好,相对于其他混合预测模型更具优势。     

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。     

基于变分模态分解与集成深度模型的锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要.由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差.针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法.首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全...     

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% 。     

动态贝叶斯网络在设备剩余寿命预测中的应用研究

采用动态贝叶斯网络对设备剩余寿命进行预测,建立了基于动态贝叶斯网络模型的设备剩余寿命预测框架模型,运用动态贝叶斯网络的粒子滤波近似推理算法对加工过程中钻头寿命预测进行实例研究,结果表明了该方法的有效性.     

基于动态生成树和改进不敏卡尔曼滤波的传感器网络目标跟踪算法研究

针对在传感器网络目标跟踪的实际应用中,节点感知的数据与目标真实状态之间通常呈现非线性的特点,提出了一种基于改进不敏卡尔曼滤波的传感器网络目标跟踪算法。通过引入粒子群技术对不敏卡尔曼滤波中δ采样点的分布和收敛速度进行优化,使得δ采样点的分布更加接近目标的真实状态,以提高目标跟踪精度。同时,构建了一个随目标移动而动态生成的树形结构作为算法的执行平台。仿真结果表明,采用动态生成树作为算法执行平台提高了节点资源的利用率,降低了网络能耗,采用粒子群优化后的不敏卡尔曼滤波提高了目标跟踪精度,减少了算法运行时间。     

基于双层修正无迹卡尔曼的水下节点定位算法* .txt

摘要：针对水下无线传感网络中运动节点定位精度低的问题,提出了一种新的基于双层修正无迹卡尔曼的水下节点定位算法(DLMUKF)。该算法利用下层无迹卡尔曼滤波算法对节点状态进行预测,根据各信标节点的测距传播时延对预测的节点状态进行修正。运用上层无迹卡尔曼滤波算法对修正后的状态进行新的预测与修正。仿真实验中,DLMUKF算法的平均定位误差约为传统多边定位算法的15%,约为基于无迹卡尔曼滤波（UKF）定位算法的16%,受节点运动时间与速度的影响最小。通过实验证明DLMUKF算法能更充分利用实际距离值,可以有效减小运动节点的定位误差。 .txt