基于灰色理论的刀具寿命预测

运用灰色系统理论建立关于刀具磨损量的灰色预测模型,进而预测刀具寿命,计算结果表明,预测模型的计算值与实测值非常接近.     

基于迁移学习的刀具剩余寿命预测方法

在新加工工艺条件下,针对历史工艺条件下的刀具剩余寿命预测模型失效,且新工艺条件下缺乏足够的训练样本构建新预测模型的问题,提出一种基于动态对抗域适应的迁移学习方法,以快速构建新工艺条件下的刀具剩余寿命预测模型.首先,利用历史工艺条件下带寿命标签的过程监控数据样本,预训练源域的刀具剩余寿命预测模型.其次,通过对抗域适应训练...     

基于马尔科夫链的车桥齿轮剩余寿命预测研究

为解决车桥齿轮剩余寿命随时间变化趋势难以预测的问题,提出一种基于马尔科夫链的齿轮剩余寿命预测模型。该方法首先从采集的原始振动信号中提取齿轮的1～3倍啮合频率边频能量作为退化指标,再求取退化指标的增量序列并用于寿命预测;然后通过聚类方法对增量序列进行状态划分,从而获得状态转移概率矩阵;从而建立基于马尔科夫链的剩余寿命预测模型。采用车桥耐久试验的全寿命数据验证模型的有效性,结果表明,提出的模型在车桥开始退化后的预测平均相对误差为9.5%,相比于传统的马尔科夫模型具有更高的预测精度。     

制造执行系统中刀具剩余磨损寿命预测的研究

以机械加工车间为背景,探讨了在CIMS环境下制造执行系统中刀具剩余磨损寿命的预测模式,推导了刀具磨损寿命计算公式中的系数表达形式,并提出了刀具磨损寿命预测在实际加工中的实现方式。     

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GA-BP神经网络的刀具寿命预测研究

刀具的使用寿命对于刀具需求计划制定、刀具生产准备以及切削参数的设置等具有重要影响。为了准确预测刀具使用寿命,在BP神经网络中引入了一种新型遗传算法,提出了一种基于遗传算法优化的BP神经网络的刀具寿命预测方法。BP神经网络中的权值和阈值利用遗传算法进行优化处理,训练BP神经网络预测模型求得最优解。实验结果表明,基于GA-BP神经网络刀具寿命预测方法相比传统BP神经网络预测具有更高的寿命预测精度,为刀具需求制定、成本核算、切削参数的制定提供了理论依据。     

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。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

基于模糊理论的刀具寿命可靠性

分析刀具寿命合理值的模糊性,把刀具寿命合理值视为模糊变量。根据可能性理论,给出表征刀具寿命合理值的模糊约束和可能性分布函数。在考虑刀具寿命合理值存在的模糊性时,刀具寿命的清晰允许区间应该变为模糊允许区间。基于模糊集定义表示刀具寿命模糊允许区间的隶属函数。根据模糊概率理论,提出刀具寿命可靠性的计算公式。实例计算表明,基于模糊概率理论计算出的刀具寿命可靠性能充分体现刀具的模糊工作状态,可避免和减少通常强制换刀具产生的经济损失。     

数控机床最小维修的贝叶斯可靠性分析

为减少非齐次泊松过程模型的不确定性,提高数控机床的评估精度,利用马尔科夫链蒙特卡洛法给出了数控机床最小维修的贝叶斯可靠性分析结果,包括模型参数和可靠性指标的点估计和区间估计。通过两个工程实例,结合专家现场维修经验,分别分析了最小维修数控机床故障强度减小和增大时的可靠性,计算结果显示贝叶斯可靠性分析的区间估计长度小于极大似然估计,其分析结果更加全面和接近实际情况。     

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...     

钻头磨损检测与剩余寿命评估

对钻头的磨损程度进行实时检测有助于对钻削加工过程实施预防性维护,提醒及时换刀。针对自动化生产中的刀具监测问题,给出一个基于主轴电流检测的钻头磨损状态分析和剩余寿命预测的应用策略。通过主轴电流传感器采样加工过程的电流信号,使用一个滑动窗口从连续采样数据中得到真实加工段数据,采用小波包分解的方法进行特征提取。基于Fisher标准筛选出最能表达磨损过程的若干特征。最后利用逻辑回归法和自回归滑动平均模型相结合的方法评估当前钻削加工的可靠性,预测钻头的剩余寿命。试验证明此方法的有效性,可为换刀决策提供依据。     

[数据驱动的智能服务]基于多参数融合相似的民航发动机寿命预测

针对民航发动机寿命预测研究中单参数监控不全面而多监测参数利用率低的问题,提出了一种基于多参数融合相似的寿命预测方法。针对参数敏感性修正,利用ReliefF-PCA算法对发动机多种监控参数进行属性筛选,并融合为表征发动机健康状态的参数——健康指数;针对发动机不同衰退阶段,对相似度度量算法进行趋势敏感度修正,增大变化趋势对预测结果的影响;通过对样本轨迹进行平移处理,减小正常阶段时域对算法的影响;最后通过实际数据的对比来验证该方法的有效性,结果表明,改进的预测方法有较好的预测精度。     

自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life,简称RUL）预测困难的问题,提出了基于均方谐噪比（mean square harmonic noise ratio,简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter, 简称RPF）相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。     

数字孪生驱动的航空发动机涡轮盘剩余寿命预测

为解决航空发动机涡轮盘剩余寿命在线预测难题,提出一种数字孪生驱动的涡轮盘剩余寿命预测方法.在建立数字孪生模型的过程中,首先,分析涡轮盘疲劳裂纹损伤机理,构建性能退化指标,建立涡轮盘性能退化过程的共性表征模型;其次,分析多种不确定性因素,采用状态空间模型建立涡轮盘性能退化过程的个性表征模型;然后,通过动态贝叶斯网络描述状...     

基于Wiener过程的功率变换器剩余寿命评估方法

针对功率变换器难以准确建立表征其性能退化过程物理模型的问题,提出一种基于Wiener随机过程的剩余寿命评估方法实现其剩余寿命预测。通过分析电路关键元器件退化对电路性能的影响,选用输出电压均值为DC-DC变换电路失效特征参数,利用Wiener过程建立电路性能退化模型,通过逐步递推预测寿命特征参数值并结合电路失效阈值从而实现功率变换器剩余寿命预测。以闭环SEPIC电路为例,分析了建模数据与建模尺度对剩余寿命预测结果的影响,实验验证了该方法的有效性。     

线性回归与EEMD的滚动轴承剩余寿命预测

滚动轴承的剩余使用寿命(Remaining useful life,RUL)预测是轴承健康管理的关键一环。然而,对于滚动轴承RUL预测的两个关键问题:开始预测时间点(Start prediction time, SPT)的选择;对于寿命虚假波动的处理。为了解决这两个问题,提出一种基于数据驱动的滚动轴承RUL预测方法。该方法先利用集合经验模态(Ensemble empirical mode decomposition,EEMD)对振动信号进行降噪处理,然后依靠均方根(Root mean square,RMS)梯度来选择SPT点进行RUL预测,最后,在RUL预测的同时,使用线性回归来进行寿命虚假波动修复。为了验证方法的有效性,采用仿真模拟数据,以及真实数据进行了验证。实验结果表明,所提出的方法能够有效选择合适的SPT以及修复寿命虚假波动。     

基于传荷电阻的锂离子电池剩余寿命预测研究

锂离子电池的剩余寿命预测对实现高效、精准的电池管理和维护具有重要意义.电化学阻抗能够反映锂离子电池内部物理化学过程特性,在电池寿命问题研究中被广泛应用.特别地,传荷电阻描述电极界面过程进行的难易程度,可用来表征电池的寿命状态.通过开展四种工况的锂离子电池老化试验,获取传荷电阻随寿命衰减的演变规律.采用贝叶斯信息准则,对...