带测量误差的非线性退化过程建模与剩余寿命估计

剩余寿命(Remaining useful lifetime, RUL)估计是设备视情维护和预测与健康管理(Prognostics and health management, PHM)中的一项关键问题. 采用退化过程建模进行剩余寿命估计的研究中,现有方法仅考虑了具有线性或可以线性化的退化轨迹的问题.本 文提出了一种基于扩散过程的非线性退化过程建模方法,在首达时间的意义下,推导出了剩余寿命的分布.该方法可以描述一般的非线性退化轨迹, 现有的线性退化建模方法是其特例.在参数的推断中,考虑到真实的退化过程受到测量误差的影响,难以直接测量得到, 因此,在退化建模的过程中引入了测量误差对退化观测数据的影响,通过观测数据,提出了一种退化模型未知参数的极大似然估计方法. 最后,通过激光发生器和陀螺仪的退化测量数据验证了本文方法明显优于线性建模方法,具有潜在的工程应用价值.     

网络化不确定非线性时滞系统的状态估计

本文研究了离散不确定非线性时滞系统在网络传输不可靠情况下的状态估计问题.针对网络传输丢包问题,采用伯努利(Bernoulli)随机模型,建立了控制信号和输入信号的不可靠传输模型.本文通过状态扩展的方法处理不确定非线性项,得到了扩展状态系统.基于不可靠的控制和测量信息,设计了状态预测器和估计器,并给出相应的误差系统.通过设计最优估计器增益,本文给出了状态预测误差协方差的迭代公式.为了进一步提高状态估计器的精度,设计了一种新型的参数迭代优化方法.针对状态预测误差协方差,本文得到了其稳定性的判别准则.最后,通过一例数值仿真,验证了所得结论的有效性.     

不确定随机系统的满意估计问题研究

基于LMI技术给出了一个满足期望误差方差和快速性指标的满意状态估计器的设计方法.该方法避免了使用矩阵秩的条件,因此适用于参数及噪声强度不确定的随机线性系统,而且便于使用计算机求解.文中所给出的数值算例说明了该方法的有效性.     

测量数据丢失的随机不确定系统滚动时域估计

研究存在传感器测量数据丢失的随机不确定系统状态估计问题,用概率已知的Bernoulli随机序列描述丢包现象,并采用丢失测量数据的预测值进行丢包补偿,将不确定条件下的最优化问题表示为Min-Max问题,并通过引入拉格朗日算子,将Min-Max问题转化为受限条件下的Min-Min问题,进而实现最优状态估计的求解.对所提算法...     

不确定噪声下基于轴对称盒空间滤波的非线性系统状态估计

针对不确定噪声下的非线性系统状态估计问题, 本文提出了一种基于轴对称盒空间滤波的状态估计方法. 首先, 利用轴对称盒空间包裹线性化过程带来的误差项, 将状态函数线性化误差轴对称盒空间与噪声轴对称盒空间求取闵可夫斯基和, 得到干扰误差轴对称盒空间; 随后, 利用状态量、线性误差和测量噪声的轴对称盒空间的闵可夫斯基和, 得到系统状态预测集; 进而, 利用轴对称盒空间边界正交的性质, 将盒空间拆分为多组超平面, 构造测量更新的约束条件并得到集员包裹. 本文所提方法相比传统的椭球滤波方法而言, 降低了算法的复杂度, 减少了包裹状态可行集和线性化过程带来的余, 获得了更加紧致精确的系统状态集. 最后, 采用非线性弹簧–质量–阻尼器系统验证了本文所提算法的有效性.     

综合孔径辐射计可见度采样测量不确定度估计

现有灵敏度指标在描述经过复杂校正之后的综合孔径辐射计的性能时存在困难。考虑到反演亮温分布与可见度采样的线性关系,提出了一种可见度采样测量不确定度估计方法来衡量综合孔径辐射计性能。首先,根据校正流程建立校正参数与可见度采样之间的数学模型;然后,分别对各校正参数的测量不确定度进行估计;最后,基于上述两项工作估计可见度采样的合成测量不确定度。对于综合孔径辐射计校正,有利于选择合理的校正参数并优化校正流程。     

含约束的非线性不确定系统的鲁棒控制

讨论一类含约束的非线性不确定系统的鲁棒控制问题（这里的不确定性并不要求满足匹配条件）。在一定的假设条件下给出了使该类问题可解的充分条件，构造出相应的鲁棒控制器，该控制器避免了利用微分几何方法所得控制器易产生过度控制的缺点。     

一类非线性不确定系统的鲁棒跟踪

讨论一类含有时变不确定性的非线性不确定系统的鲁棒跟踪问题，其中的未知参数变量以非线性形式出现。通过构造适当的Ｌｙａｐｕｎｏｖ函数，给出了该类系统的鲁棒跟踪控制器的设计。     

不确定非线性系统自适应鲁棒控制器设计

针对一类含不确定参数且存在未知扰动的非线性系统,设计了一种新型的自适应鲁棒控制器。用反演设计思想获得具有待定系数的控制器表达式,用BP神经网络自适应调节控制器的参数。仿真结果表明该控制器对系统参数的不确定性和未知扰动具有一定的鲁棒性,并能保证闭环系统全局稳定。     

退化数据驱动的设备剩余寿命在线预测

为在线预测单台服役设备的可用剩余寿命,提出一种融合先验退化数据和设备自身现场退化数据的剩余寿命预测方法。建立符合非线性Wiener过程描述的设备退化模型,利用先验数据采用极大似然法估计模型中的未知参数,使用贝叶斯方法融合新增的现场退化数据实时更新模型参数,进一步实现对设备实时剩余寿命评估。数值仿真和实例计算的结果表明,与固定参数法相比,该方法能够根据现场退化数据不断更新设备剩余寿命分布,进而更好地体现设备的个体差异,显著降低剩余寿命分布的不确定性。     

An Age-Dependent and State-Dependent Adaptive Prognostic Approach for Hidden Nonlinear Degrading System

Remaining useful life(RUL) estimation approaches on the basis of the degradation data have been greatly developed,and significant advances have been witnessed. Establishing an applicable degradation model of the system is the foundation and key to accurately estimating its RUL. Most current researches focus on age-dependent degradation models, but it has been found that some degradation processes in engineering are also related to the degradation states themselves. In addition, due to different ...     

A Risk-Averse Remaining Useful Life Estimation for Predictive Maintenance

Remaining useful life(RUL)prediction is an advanced technique for system maintenance scheduling.Most of existing RUL prediction methods are only interested in the precision of RUL estimation;the adverse impact of overestimated RUL on maintenance scheduling is not of concern.In this work,an RUL estimation method with risk-averse adaptation is developed which can reduce the over-estimation rate while maintaining a reasonable under-estimation level.The proposed method includes a module of degradation feature selection to obtain crucial features which reflect system degradation trends.Then,the latent structure between the degradation features and the RUL labels is modeled by a support vector regression(SVR)model and a long short-term memory(LSTM)network,respectively.To enhance the prediction robustness and increase its marginal utility,the SVR model and the LSTM model are integrated to generate a hybrid model via three connection parameters.By designing a cost function with penalty mechanism,the three parameters are determined using a modified grey wolf optimization algorithm.In addition,a cost metric is proposed to measure the benefit of such a risk-averse predictive maintenance method.Verification is done using an aero-engine data set from NASA.The results show the feasibility and effectiveness of the proposed RUL estimation method and the predictive maintenance strategy.     

基于关系网络的轴承剩余使用寿命预测方法

针对轴承全寿命周期数据获取困难、训练样本少的问题, 提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 关系网络是一种基于度量的元学习方法, 在少量训练样本下, 具有快速学习新任务的优点. 设计了一种基于关系网络的轴承健康评估模型, 利用关系网络的嵌入模块提取轴承状态特征, 利用关系模块度量轴承状态特征之间的相似性, 基于相似性构建轴承健康指标(Health indicator, HI); 对健康指标进行Savitzky-Golay滤波平滑处理, 降低振荡对预测结果的影响; 最后利用线性函数对健康指标进行拟合, 得到轴承RUL预测值. 为验证所提方法的有效性, 在PHM2012轴承实测数据集上进行实验. 结果表明, 所得健康指标能够反映轴承的退化趋势, 所得RUL预测结果与空间卷积长短期记忆神经网络 (Convolutional long short-term memory neural network, ConvLSTM)、Transformer、循环神经网络(Recurrent neural network, RNN)、卷积神经网络(Convolutional neural network, CNN) + 长短期记忆网络 (long short-term memory network, LSTM )、编码器−解码器(Encoder-decoder) + 注意力机制 (Attention mechanism)方法相比, 误差百分比分别减少了1.67%, 3.40%, 9.02%, 13.71%, 30.48%. 该方法在少量训练样本的基础上可以取得较好的预测结果, 具有一定的应用价值.     

基于分数布朗运动过程模型的混合随机退化设备剩余寿命预测

在实际工程中, 设备往往是由多个不同类型元件或部件构成的集合体, 其总体性能退化程度是由内部多种随机退化过程综合影响下的结果. 不同于现有文献主要采用无记忆效应的单一线性或非线性形式随机过程模型来描述设备的真实退化, 首先建立一种基于分数布朗运动(Fractional Brownian motion, FBM)的混合随机退化模型, 用以刻画退化过程中的记忆效应与长期依赖性; 进一步, 在退化模型里同时引入双随机效应, 用以描述不同设备之间的退化差异性, 并基于弱收敛性理论推导得到首达时间(First hitting time, FHT)意义下剩余寿命(Remaining useful life, RUL)概率密度函数(Probability density function, PDF)的近似解析表达形式; 然后, 给出一种共性参数离线估计和随机参数实时更新的策略, 进而实现了剩余寿命的实时预测; 最后, 通过数值仿真例子和陀螺仪的实际退化数据, 验证了该方法的有效性和具有潜在的工程应用价值.     

双时间尺度下的设备随机退化建模与剩余寿命预测方法

基于退化建模的剩余寿命预测（Remaining useful life,RUL）是当前可靠性领域研究的热点.现有的退化模型都是针对单个时间尺度下的退化设备,缺少对设备性能变化与多个时间尺度相关的退化建模与剩余寿命预测方法.鉴于此,本文基于Wiener过程提出了一种双时间尺度随机退化建模与剩余寿命预测方法,用随机比例系数描述不同时间尺度之间的不确定关系,推导出丫首达时间意义下设备的双时间尺度剩余寿命分布,讨论了其与基于单时间尺度退化模型得到的剩余寿命分布之间的关系,并给出了基于历史退化数据的未知参数极大似然估计方法.最后,将所提方法应用到惯性平台关键器件陀螺仪的退化建模与剩余寿命预测中,验证了方法的有效性.     

基于相关向量机的高速列车牵引系统剩余寿命预测

高速列车牵引系统在运行过程中总是受到诸多不确定因素的影响, 例如, 由于列车的负载、运行环境及元器件的老化引起的不确定性, 不确定因素不可避免地影响牵引系统剩余寿命的预测精度. 为了提高不确定情景下剩余寿命预测的准确性, 本文首先采用改进的相关向量机(Relevance vector machine, RVM)方法, 建立鲁棒性能良好的多步回归模型, 由于t分布比常用的高斯分布更具有鲁棒性, 通过权重和随机误差服从t分布而非高斯分布, 改进了相关向量机回归模型, 随后将超参数的先验一并融入似然函数, 通过最大化似然函数估计未知的超参数, 此外, 利用首达时间方法从概率角度对剩余寿命进行了预测, 最后通过牵引系统中电容器退化的案例, 与传统的相关向量机方法、自回归方法和支持向量机方法进行对比, 验证了所提算法的有效性.     

基于改进CNN-LSTM的剩余使用寿命预测方法

机电设备的寿命预测是状态维修中的一项重要任务.剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本.为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型.通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL.最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势.     

大数据下数模联动的随机退化设备剩余寿命预测技术

面向大数据背景下随机退化设备剩余寿命(Remaining useful life, RUL)预测的现实需求, 结合随机退化设备监测大数据特点及剩余寿命预测不确定性量化这一核心问题, 深入分析了机理模型与数据混合驱动的剩余寿命预测技术、基于机器学习的剩余寿命预测技术、统计数据驱动的剩余寿命预测技术以及机器学习和统计数据驱动相结合的剩余寿命预测技术的基本研究思想和发展动态, 剖析了当前研究存在的局限性和共性难题. 针对存在的局限性和共性难题, 以多源传感监测大数据下剩余寿命预测问题为例, 提出了一种数模联动的大数据下随机退化设备剩余寿命预测解决思路, 并通过航空发动机多源监测数据初步验证了该思路的可行性和有效性. 最后, 借鉴数模联动思路, 综合考虑机器学习方法和统计数据驱动方法的优势, 紧紧扭住大数据背景下随机退化设备剩余寿命预测不确定性量化问题, 提出了大数据背景下深度学习与随机退化建模交互联动、监测大数据与剩余寿命及其预测不确定性映射机制、非理想大数据下的剩余寿命预测等亟待解决的关键科学问题.     

A Novel Product Remaining Useful Life Prediction Approach Considering Fault Effects

In this paper, a novel remaining useful life prediction approach considering fault effects is proposed. The Wiener process is used to construct the degradation process of single performance characteristic with the fault effects. The first passage time based remaining useful life distribution is calculated by assuming fault occurrence moment is a random variable and follows a certain distribution. Expectation maximization algorithm is employed to estimate model parameters, where the fault occurrence moment is considered as a missing data. Finally, a Copula function is used to describe the dependence between the multiple performance characteristics and derive joint remaining useful life (RUL) distribution of product with the fault effects. The effectiveness of the proposed approach is verified by the experiments of turbofan engines.