齿轮箱状态识别与剩余寿命预测的MoG-BBN法

基于混合高斯输出贝叶斯信念网络模型的齿轮箱退化状态识别与剩余寿命预测新方法,应用聚类评价指标对全寿命过程退化状态数进行优化,通过计算待识别故障特征向量的概率值来确定齿轮箱退化状态,在退化状态识别的基础上,提出了剩余寿命计算方法。再利用齿轮箱全寿命实验数据对此进行验证。结果表明,该方法可以有效地识别齿轮箱故障状态并实现剩余寿命预测,平均预测正确率为96.47 %,为齿轮箱的健康管理提供参考。     

基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究

提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。     

基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究

提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。     

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HDP-HMM的机械设备故障预测方法研究

针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。     

基于放电过程信息的锂电池剩余寿命预测

容量或内阻是衡量锂离子电池健康状态的重要指标,但在锂电池实际运行中,其容量和内阻很难实时获取。为此,提出了基于放电过程信息获取新健康指标的方法,并对锂电池的剩余寿命进行预测。主要研究了锂电池放电过程中电压变化的规律,提出两种可在线测量的新健康指标,并通过Box-Cox变换修正了新健康指标的准确性。比较分析表明,所提取的健康指标与容量之间存在着强相关性,在某种程度上可以解决锂电池容量难以在线测量的问题。此外还基于新健康指标建立了锂电池退化过程模型,并利用相关向量机算法进行锂电池的剩余寿命预测。实验结果表明,在寿命预测性能上相关向量机算法优于其他算法,并且预测时间越晚,预测结果就越准确,所提取的健康指标也能够很好地描述锂电池的退化过程,并在剩余寿命预测结果上表现优越。     

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。     

基于基本尺度熵与GG模糊聚类的轴承性能退化状态识别

针对轴承性能退化状态的识别问题,提出一种基于基本尺度熵与GG聚类的退化状态识别方法。首先分析轴承性能退化过程中的基本尺度熵演化规律,并分析该参数的单调性与敏感性。考虑到轴承退化状态在时间尺度的连续性,构建基本尺度熵、有效值以及退化时间的三维退化特征向量,并采用GG模糊聚类方法对轴承性能退化状态的不同阶段进行划分,实现对性能退化状态的识别。采用来自IEEE PHM 2012的轴承全寿命试验数据进行实例分析,并与FCM、GK算法进行对比,结果表明本文所提出的方法聚类效果更优,同一退化状态内的时间聚集度更高,能够为轴承性能退化状态的识别提供一种有效的途径。     

基于剩余寿命预测的维修与备件订购联合策略优化

利用设备健康状态信息预测剩余使用寿命,并进行维修和备件订购决策以达到降低设备检修成本和备件成本的目的。针对单部件系统提出基于剩余寿命预测的维修与备件订购联合策略,其中维修决策遵循控制限原则,即根据系统退化量判断是预防性更换还是故障更换,同时基于历史退化信息预测系统剩余寿命,引入订货阈值判断是否订货。通过分析更换时刻备件状态确定所有可能更新事件,推导各事件发生概率进而计算各事件更新成本和更新长度,采用更新报酬理论构建最小化单位时间内期望费用的联合策略模型,设计离散事件仿真算法求解模型。最后,通过实例验证模型和算法,得到最小的单位时间内期望费用14.656 3,最优预防性更换阈值8,最优订货阈值1 000。     

基于粒子滤波算法的锂离子电池剩余寿命预测方法研究

运用粒子滤波算法,进行了锂离子电池剩余寿命(RUL)的预测,提出了一种基于模型法和数据驱动法相融合的简单有效的RUL预测方法。该方法通过模型法和数据驱动法的融合,将双指数经验退化模型进行变形,以减少模型参数,降低参数训练难度,利用粒子滤波算法跟踪电池容量衰退的过程;为提高预测精确度,引入自回归(AR)时间序列模型修正状态空间方程的观测值。实验证实,该方法可以有效地预估出锂电池的剩余寿命。     

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。     

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。     

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

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MMFE和可拓k-medoids聚类的轴承性能退化评估EI北大核心CSCD

传统轴承性能退化评估常为定性分析,且多以垂向振动信号为对象,忽略了不同方向振动信息之间的相关性。将评价多通道时间序列复杂度的多元多尺度熵引入到轴承运行状态的特征提取,构建多元多尺度模糊熵特征来考虑轴承不同方向振动信息之间的关联性。结合k-medoids算法和可拓学理论建立了轴承性能退化的定量评估模型。通过对轴承正常状态样本进行k-medoids聚类得到聚类中心,根据样本点与聚类中心之间的欧式距离确定可拓集合的边界,进一步利用可拓关联函数构建轴承性能退化评估模型,并采用轴承全寿命疲劳试验进行了验证。试验结果表明,本文所提方法能有效识别轴承的早期性能退化,并能实现对轴承性能退化程度的定量评估。     

基于MMFE和可拓k-medoids聚类的轴承性能退化评估

传统轴承性能退化评估常为定性分析,且多以垂向振动信号为对象,忽略了不同方向振动信息之间的相关性。将评价多通道时间序列复杂度的多元多尺度熵引入到轴承运行状态的特征提取,构建多元多尺度模糊熵特征来考虑轴承不同方向振动信息之间的关联性。结合k-medoids算法和可拓学理论建立了轴承性能退化的定量评估模型。通过对轴承正常状态样本进行k-medoids聚类得到聚类中心,根据样本点与聚类中心之间的欧式距离确定可拓集合的边界,进一步利用可拓关联函数构建轴承性能退化评估模型,并采用轴承全寿命疲劳试验进行了验证。试验结果表明,本文所提方法能有效识别轴承的早期性能退化,并能实现对轴承性能退化程度的定量评估。     

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。     

基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network, TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%～77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。     

基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法

为解决滚动轴承在寿命预测时精度不高，且性能退化趋势及波动范围难以预测等问题，提出了基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下，利用长短期记忆（Long Short-Term Memory,LSTM）网络直接对频率数据进行特征提取，构建退化过程的初步健康指标（Health Indicator,HI）；为了消除HI曲线的局部剧烈振荡，提出了带斜率的极端拐点（Extreme Inflection Point with a Slope,ES）模型改善其整体单调性；使用相关向量机（Relevance Vector Machine,RVM）模型对HI曲线进行趋势预测，实现了滚动轴承的剩余寿命（Remaining Useful Life,RUL）预测。实验结果表明，所提方法相较于对比方法具有较好的预测精度。     

基于EMD的灰色模型的疲劳剩余寿命预测方法研究

工程上的振动信号多为非线性非平稳信号,为了利用工程振动信号预测机械产品的疲劳剩余寿命,提出改进的经验模态分解方法对振动信号进行分解,分离故障特征频率到某本征模态函数中,计算全寿命周期各阶段故障特征频率所在本征模态函数的均方根值、峭度等时域特征指标,将其作为刻画机械产品健康状态的退化特征量,形成退化特征量序列,根据经验设定机械产品完全失效对应的退化特征量阈值.用退化特征量序列训练灰色模型,然后用训练好的灰色模型预测退化特征量的变化趋势,判断不同退化特征量用于刻画机械产品退化过程的可行性,估计可用退化特征量达到退化特征量阈值的时间并据此预测机械产品的剩余疲劳寿命.通过6205深沟球轴承全寿命周期振动信号对其进行验证,结果表明,可用的退化特征量结合该方法可以有效地预测小型球轴承的疲劳剩余寿命.