粒子滤波参数估计方法在齿轮箱剩余寿命预测中的应用研究

针对非线性非高斯系统的剩余寿命（RUL）预测问题,本文提出了一种基于粒子滤波（PF）理论的设备剩余寿命预测方法。首先建立设备的非线性状态空间模型（含有未知的时变参数）,然后通过粒子滤波算法估计出设备状态的概率密度函数（PDF）,从而根据该PDF计算出设备的RUL。此外,计算设备RUL的期望值和95%置信区间,并对模型的预测效果进行评估,验证预测的有效性和准确性。最后通过齿轮箱的全寿命实验,对本文所提方法的有效性进行实例验证,将实验结果和传统的比例风险模型（PHM）预测结果对比分析,结果表明本文提出的剩余寿命预测方法要优于传统的PHM预测方法。     

一种基于UPF的轴承剩余寿命预测方法

剩余寿命预测能够确保系统的安全性、可用性与高效工作,并且能够降低维修费用,因而成为状态维修中的一个重要课题。基于模型的寿命预测方法主要包含两部分内容:退化模型构建和系统状态估计。粒子滤波算法(PF)是一种广泛用于系统状态估计的方法,已经应用于轴承剩余寿命预测中,但PF方法存在粒子退化问题。提出一种基于无迹粒子滤波算法(UPF)的轴承剩余寿命预测方法。利用随机过程模型对轴承退化过程进行建模,再利用UPF算法对轴承的退化状态进行追踪,并更新模型参数。使用试验数据对提出方法进行验证,结果表明:与PF方法相比,该方法能在一定程度上降低粒子退化程度,进而更加准确地预测轴承剩余寿命。     

基于HMM和优化的PF的数控转台精度衰退模型

针对数控转台精度衰退状态缺乏有效的评估方法的问题,提出一种数控转台重复定位精度衰退趋势预测模型,该模型结合了隐马尔科夫(Hidden Markov Model,HMM)算法和粒子滤波(Particle Filtering,PF)算法,其中粒子滤波算法使用粒子群算法(Particle Swarm Optimization,PSO)优化了初始参数。选择了从数控转台精度衰退加速寿命试验中获得的振动信号作为研究数据。通过聚合经验模态与主成分分析(EEMD-PCA)算法对原始信号降噪,并提取含有故障特征的信号进行信号重构;使用统计特征量作为观察值训练获得HMM模型,对数控转台精度衰减做出早期诊断,并由此获得数控转台精度健康状态指标;使用粒子滤波算法建立数控转台精度衰退预测模型,并预测精度的剩余寿命。在以第50组数据为预测起始点时,预测的剩余寿命为21,实际测量的结果为17,相差4,比较接近。综合分析模型计算与试验测量的结果表明,该模型可有效地预测数控转台精度的变化趋势和剩余寿命     

基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题，提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型，并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入，利用PF算法全局优化的能力寻优超参数，包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数，提高网络的预测能力；引入Dropout层，避免网络过拟合，提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证，对4块电池在不同预测起始点下的容量估计和寿命情况进行预测，并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明，PF-LSTM容量估计的RMSE与MAE均在2%以内，且寿命预测误差在3个循环以内，相比于其他算法精度最高。     

联合频域相关分析和改进粒子滤波的滚动轴承寿命预测方法

为了解决滚动轴承退化状态识别难、剩余使用寿命（Remaining Useful Life, RUL）预测误差大这两个关键问题，提出一种联合频域特征相关分析及改进粒子滤波的寿命预测方法。基于滚动轴承在退化过程中频域特征存在短期相似性和长期差异性这一特点，对不同时间序列傅里叶变换后的幅值谱进行相关分析，构建平均相关系数（Average Correlation Coefficient, ACC）曲线。当ACC达到设定阈值时，利用初始故障时间（Degradation Initial Timepoint, DIT）将轴承状态划分为正常和损伤两阶段。利用损伤阶段的归一均方根值作为观测样本输入，构建考虑了全局指数式退化趋势与局部波动双重因素的粒子滤波（Dual Factor Particle Filter, DFPF）模型，实现粒子分布校正并完成RUL预测。试验结果表明，所提方法相比传统的均方根值法和峭度法能够更准确地识别轴承初始故障时间。在寿命预测精度方面，相比传统粒子滤波（Particle Filter, PF）算法，所提方法减小了异常观测值对预测趋势的影响，具有更高的RUL预测精度。     

双指数粒子滤波模型的硅泡沫材料剩余寿命预测

针对传统基于模型的硅泡沫材料长时使用寿命评估方法存在的物理模型解释性差、预测精度不高等问题,本文提出了一种双指数粒子滤波模型的剩余寿命预测方法。选取硅泡沫结构的载荷保持率作为特征量,基于硅泡沫材料的应力松弛失效机制,建立了更具解释性的双指数应力退化模型。首先利用最小二乘法对观测数据进行拟合,初始化模型参数和健康状态,然后通过贝叶斯理论对历史样本进行状态跟踪建模,更新状态传递函数,实现载荷保持率退化趋势预测和剩余寿命评估。通过仿真和实验验证了双指数粒子滤波模型预测硅泡沫材料剩余寿命的泛化适用性和准确性,同时与传统指数模型预测结果进行了对比,结果表明本文所提方法预测精度和稳定性更优。     

融合多源数据的非线性退化建模与剩余寿命预测

针对目前基于单个传感器剩余寿命预测方法存在预测精度不高的问题,该文提出一种融合多源传感器数据的非线性退化建模与剩余寿命预测方法。该方法包括复合健康指标的构建、模型参数的估计和传感器融合系数的确定,在确定融合系数后,结合设备历史寿命数据与实时监测数据,利用Bayesian参数更新公式推导出设备的剩余寿命概率分布,实现设备的剩余寿命在线预测。最后通过由商用模块化航空推进系统仿真生成的发动机退化数据集进行仿真实验,结果表明该文所提方法能够有效提高设备剩余寿命预测的准确性。     

基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life, RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman filters)和Bayes结合的滚动轴承性能退化建模与剩余使用寿命预测方法。结合滚动轴承振动信号性能监测数据,采用SKF方法识别出轴承性能退化的变点;利用随机效应指数退化模型描述轴承性能退化过程,结合同类轴承性能数据给出模型未知参数极大似然估计;利用KF单步预测对当前时刻监测数据进行修正,基于Bayes方法对模型中的随机参数进行实时更新,推导出轴承剩余使用寿命分布模型,计算滚动轴承剩余使用寿命;通过对滚动轴承试验数据分析,验证了该方法的适用性和有效性。     

基于注意力GRU算法的滚动轴承剩余寿命预测

针对旋转机械装置中滚动轴承剩余寿命随时间变化趋势难以准确预测问题,充分利用循环神经网络(recurrent neural networks, RNN)对时间序列数据的处理能力,提出一种融合注意力机制的门控循环单元(attention gated recurrent unit, AGRU)算法应用于滚动轴承剩余寿命预测领域之中。该方法首先从原始振动信号中提取多种时域特征构建数据集,并将数据集进行归一化处理,其次,将注意力机制(attention mechanism)引入GRU(gated recurrent unit)模型之中,最后,将特征数据集划分为训练集和测试集,训练集用于训练模型,确定最优模型参数,测试集用于对模型效果进行评估。试验结果表明,改进后的GRU模型可有效预测不同类型的滚动轴承剩余寿命随时间变化趋势,为滚动轴承零件剩余使用寿命预测提供了一种新思路。     

基于改进PF算法的锈蚀RC结构抗弯承载力预测方法

为提高锈蚀钢筋混凝土(RC)结构抗弯承载力评估精度，该文综合考虑锈蚀RC结构几何尺寸、钢筋截面积及力学性能、混凝土强度、粘结性能等因素，提出了基于改进粒子滤波(PF)算法的抗弯承载力模型参数更新及预测方法。通过生成大量的粒子以表征承载力退化过程中模型参数的不确定性，从选择不同建议密度函数的角度改进PF算法以解决传统PF算法中粒子退化的问题，分别采用PF、扩展粒子滤波(EPF)、无迹粒子滤波(UPF)算法对模型参数进行估计与更新，实现了锈蚀RC结构抗弯承载力的有效预测。结果表明：随着钢筋锈蚀率的增加，RC结构的抗弯承载力逐渐降低。基于改进PF算法的锈蚀RC结构抗弯承载力预测方法因考虑了模型参数更新使得预测结果更接近试验数据。基于EKF和UKF的改进PF算法可有效抑制粒子退化，其预测精度较PF算法更高；锈蚀RC结构抗弯承载力预测精度随着训练数据及粒子数的增加而提高。     

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。     

基于MsTCN-Transformer模型的轴承剩余使用寿命预测研究

剩余使用寿命(remaining useful life, RUL)预测是PHM的核心问题之一,复杂的运行工况往往导致设备部件经历不同的故障退化过程,给RUL准确预测带来了巨大挑战。为此,提出了一种多尺度时间卷积网络(multi-scale temporal convolutional network, MsTCN)与Transformer(MsTCN-Transformer)融合模型用于变工况下滚动轴承RUL预测。该方法设计了一种新的多尺度膨胀因果卷积单元(multi-scale dilated causal convolution unit, MsDCCU),能够自适应地挖掘滚动轴承全寿命信号中固有的时序特征信息;然后构建了基于自注意力机制的Transformer网络模型,在克服预测序列记忆力退化的基础上,准确学习时序特征与轴承RUL之间的映射关系。此外,通过对轴承不同故障退化阶段所提取的时序特征可视化分析,验证了所提方法在变工况下所提取的时序特征泛化性较好。多种工况条件下滚动轴承RUL预测试验表明,所提方法能够较为准确地实现变工况下轴承的RUL预测,相比当前多种方法RUL预测结果...     

基于Gamma退化过程的直升机主减速器行星架剩余寿命预测模型

鉴于Gamma过程具有平稳、独立增量等退化建模所需的属性,将其用于描述设备退化过程,并针对缺乏故障数据时难以进行剩余寿命预测的问题,利用设备运行中采集的表征其退化状态的大量间接状态参数和少量直接状态参数,建立了基于Gamma退化过程的剩余寿命预测模型;针对经验最大化算法中似然函数难以解析求解的问题,引入粒子滤波算法实现了模型参数估计;最后将模型应用于直升机主减速器行星架的剩余寿命预测,得到了不同时刻的预测结果及95%置信区间,验证了预测模型的有效性和准确性。     

考虑突变状态检测的齿轮实时剩余寿命预测EI北大核心CSCD

为解决齿轮疲劳退化过程中状态突变后剩余寿命难以准确预测问题,提出一种考虑退化突变点检测与剩余寿命预测相关联的齿轮疲劳实时剩余寿命预测新方法。针对齿轮磨损退化过程建立状态空间预测模型,利用接收到的齿轮实时监测振动信息实时更新模型参数,同时对退化过程中的突变状态点进行检测,并根据突变点所提供的寿命信息采用卡尔曼前向滤波及平滑算法结合期望最大化参数估计算法在滤波的同时不断对状态空间模型参数进行修正,改变退化突变后的滤波效果,进行实时状态预测与寿命估计。运用齿轮疲劳寿命试验台的实时监测数据对预测模型进行验证,结果表明利用突变点信息对预测模型进行修正后可以更快的对系统的动态变化进行跟踪,提高预测齿轮退化状态及实时剩余寿命的准确度。     

考虑突变状态检测的齿轮实时剩余寿命预测

为解决齿轮疲劳退化过程中状态突变后剩余寿命难以准确预测问题,提出一种考虑退化突变点检测与剩余寿命预测相关联的齿轮疲劳实时剩余寿命预测新方法。针对齿轮磨损退化过程建立状态空间预测模型,利用接收到的齿轮实时监测振动信息实时更新模型参数,同时对退化过程中的突变状态点进行检测,并根据突变点所提供的寿命信息采用卡尔曼前向滤波及平滑算法结合期望最大化参数估计算法在滤波的同时不断对状态空间模型参数进行修正,改变退化突变后的滤波效果,进行实时状态预测与寿命估计。运用齿轮疲劳寿命试验台的实时监测数据对预测模型进行验证,结果表明利用突变点信息对预测模型进行修正后可以更快的对系统的动态变化进行跟踪,提高预测齿轮退化状态及实时剩余寿命的准确度。     

基于ARN和BiLSTM的轴承剩余寿命预测方法

针对深度学习方法进行轴承剩余使用寿命(Remaining Useful Life,RUL)预测时出现的网络退化和噪声信号干扰问题,提出一种基于注意力残差降噪模型(Attention and Residual Network,ARN)和双向长短时记忆网络(Bidirectional Long-Short-Term Memory network,BiLSTM)的轴承剩余使用寿命预测方法。ARN融合了卷积注意力机制(Convolution Block Attention Module,CBAM)和残差网络,利用通道和空间双维度注意力降低噪声特征的权重,结合软阈值函数进行降噪处理,能够同时提取到更多全局和局部的振动特征来构建健康指标(Health Indicator,HI)。以健康指标作为输入,通过BiLSTM网络映射得到RUL预测值。在IEEE PHM 2012轴承数据集上进行所提方法与其他健康指标构建模型和RUL预测模型的对比实验,结果表明在6种不同信噪比下(-5、-3、-1、1、3、5 dB),所提方法的抗噪能力最强,预测误差最小。     

锂离子电池状态估计与剩余寿命预测方法综述

准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状态评估与寿命预测方法进行了大量研究,提出了多种方法。首先,介绍了SOC与SOH的定义及已有估算方法,并进行了对比;然后,介绍了RUL的定义,并对主要方法进行了分类与比较;最后,总结了锂离子电池状态估计与寿命预测方面存在的挑战,并提出了未来的发展方向。     

基于IPSO-GEV优化的腐蚀油气管道剩余寿命预测

针对埋地管道腐蚀的随机性及极值类型选择不当而引起的拟合误差等问题,构建了基于IPSO(免疫粒子群优化算法)-GEV(广义极值分布)优化的油气管道最大腐蚀深度预测模型。首先,采用GEV分布拟合极值数据,利用1PSO优化GEV分布函数的参数并确定极值分布类型,以此确定整条管道的最大腐蚀深度;然后,建立基于可靠性理论的腐蚀裕量模型,来预测管道的剩余寿命;最后,以国内两条腐蚀管道为例验证模型的预测精度。实例结果表明:经IPSO-GEV优化的管道最大腐蚀深度预测模型不受限于数据的具体分布,且预测模型的预测精度较高,管道的剩余寿命预测合理。     

A particle filter algorithm based on gray forecast

针对标准粒子滤波(SPF)算法在目标机动时跟踪滤波性能不高的问题,引入灰色预测理论,提出了一种基于灰色预测的粒子滤波(PFGF)算法,给出了算法的具体描述和运算流程.当预先建立的状态模型不再适用于目标的真实运动状态时,该方法具有良好的预估性能,减少了对事先假定目标状态模型的依赖性.与SPF方法进行了蒙特卡洛仿真比较分析,实验结果证明,PFGF算法在不增加计算复杂度的情况下,提高了跟踪精度,能够很好地克服粒子退化现象.