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FCM-ARIMA的多阶段退化设备寿命预测研究

针对多阶段退化设备工作过程的退化特性,通过分析总结多阶段退化设备模型的研究进展,分析了多阶段退化设备寿命预测的特点和准确性影响因素,基于上述工作,提出了一种FCM-ARIMA的拐点估计与寿命预测方法,将FCM与ARIMA相结合,首先通过FCM估计设备退化状态的拐点,将退化状态划分成不同的阶段,之后由ARIMA对设备监测数据进行基于拐点分段的寿命预测,并通过实例与未进行拐点估计的方法相比较,结果表明,使用所提出的方法,有效提高了寿命预测的准确度.     

考虑执行器性能退化的控制系统剩余寿命预测方法

工程控制系统在运行过程中,由于内外部应力的综合作用以及外部环境等的影响,其部件性能将逐渐退化,最终会导致控制系统失效.然而,由于控制系统中闭环反馈的作用,系统的输出残差可能仍在较小范围内变动,使得早期性能退化这种微小故障难以被检测到,呈现隐含退化的特点.现有文献中,针对此类在闭环反馈控制作用下部件存在隐含退化过程的控制系统剩余寿命（Remaining useful lifetime,RUL）预测问题,鲜有研究.为此,本文针对一类仅考虑执行器性能退化的确定闭环控制系统,提出一种基于解析模型的剩余寿命预测方法.该方法首先基于权值优选粒子滤波算法,利用系统的监测数据在线估计出执行器的隐含退化量,然后在每一个预测时刻通过蒙特卡洛（Monte Carlo,MC）仿真计算得到合理的失效阈值,建立基于该失效阈值的系统失效判断准则,最后将隐含退化量的估计值代入退化模型中外推出剩余寿命分布.惯性平台稳定回路控制系统的仿真实验结果验证了该方法的可行性、有效性.     

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.     

基于退化数据与marker数据综合的产品可靠性建模分析

基于性能退化数据的可靠性建模分析方法,为现代工业中长寿命、高可靠产品的可靠性研究提供了重要途径,但在破坏性测量中无法获得足够的产品性能退化数据.对此,综合利用产品性能退化数据和marker数据对产品可靠性进行建模,不仅能够提高可靠性评估的精度,还可以在产品运行过程中通过对marker的测量来预测产品剩余寿命,从而为产品维修、更换以及备件决策提供依据.采用二元Wiener过程对产品的性能参数和marker进行建模,给出模型参数的估计方法和基于marker测量数据的剩余寿命预测方法,并通过仿真示例验证所提出方法的有效性.     

基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测研究

针对隐马尔可夫模型在进行设备健康诊断时与实际存在较大偏差的问题,提出了一种以似幂关系加速退化为核心的改进退化隐马尔可夫模型(DGHMM).首先,引入退化因子描述设备衰退过程,提出的似幂关系加速退化较常规指数式加速退化而言,能更好地描述设备服役期间随着役龄增加性能的逐步下降.其次,以全局搜索能力相对较强的改进遗传算法代替常规EM算法进行参数估计,克服了EM算法易陷入局部最优的局限性.同时,针对隐马尔可夫模型时间上须服从指数分布而不能直接用于寿命预测的局限性问题,提出了一种以近似算法与Viterbi算法为基础的贪婪近似法,以寻求最大概率剩余观测为目的,动态地寻求最大概率剩余状态路径,对设备剩余寿命进行预测.最后,通过美国卡特彼勒公司液压泵数据集对所提出的方法进行验证评价.结果表明,基于改进退化隐马尔可夫模型的设备健康诊断与寿命预测方法在描绘设备退化、设备状态诊断准确率方面更加有效,在剩余寿命预测上亦为可行.     

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。     

基于非线性数据融合的设备多阶段寿命预测

为解决设备监测数据具有维数高、非线性且退化过程中存在多阶段的问题,提出了一种基于非线性数据融合和多阶段退化的设备寿命预测模型.首先,利用神经网络理论中的自编码器对表征设备退化的多维参数进行了融合,构建出设备的退化指示量;然后,利用CUSUM算法提取出设备退化过程中的分段点;最后,构建了多阶段维纳退化模型,从而实现对设备寿命的预测.利用航空发动机状态监测数据对所提模型进行了验证,剩余寿命预测的平均误差为0.254 5,低于传统的基于线性数据融合方法和基于单阶段维纳过程退化模型的寿命预测方法.结果证明,基于非线性数据融合的多阶段退化模型具有很好的鲁棒性,对设备的寿命预测更加精准.     

基于WSVR和FCM聚类的实时寿命预测方法

针对产品的性能退化轨迹呈现为非线性特性, 且个体的性能退化数据为小样本的情形, 为了充分利用同类产品的性能退化数据进行特定个体的实时寿命预测, 从研究退化轨迹相似性的角度出发, 提出一类基于小波支持向量回归机 (Wavelet support vector regression, WSVR)和模糊C均值(Fuzzy c-means, FCM)聚类的实时寿命预测方法. 该方法分为离线和实时两个阶段: 离线阶段先采用WSVR对同类产品的性能退化数据进行规范化处理, 接着对规范化数据进行FCM聚类, 然后,基于WSVR建立各聚类中心的退化轨迹模型;在实时阶段,针对特定个体的历史测量数据是否规范化,分别提出两种实时退 化轨迹建模和寿命预测方法——隶属度加权法和误差加权法. 最后, 通过两个实例分析验证了所提方法的有效性.     

基于自动编码器的时间序列预测混合模型

时间序列预测目前在众多领域有着广泛应用. 如果可以准确估计事件或指标的未来发展, 它可以帮助人们做出重要的决定. 然而对不同时间序列建立模型并准确预测已成为最具挑战的应用之一. 因此, 本文提出了一种新颖的混合多步预测模型, 称为SSA-ConvBiAE. 首先, 通过奇异谱分析(SSA)将原始数据分解为不同的趋势分量. 其次, 设计了新的基于卷积长短期记忆(ConvLSTM)和双向门控循环单元(BiGRU)的自动编码器网络结构. 最后, 将不同的分量分别输入到对应的自动编码器中进行训练和预测并求和预测结果. 为了评价模型的预测性能, 在真实的供水数据集和公开的时间序列数据集上进行了实验, 实验结果表明, 模型的预测结果优于基线方法. 本文已在网站https://github.com/VIMLab-hfut/SSA-ConvBiAE上发布了源代码.     

基于链路生存时间预测的高动态飞行自组网组播路由协议

针对飞行自组网（FANETs）中因节点高速移动导致链路频繁断开的问题,提出一种具备链路生存时间预测与路由自主修复能力的高动态FANETs组播路由协议。根据相邻节点间距离的变化情况预测邻居节点间剩余链路生存时间,同时基于预测结果并结合路由跳数、剩余能量等因素对链路质量作出综合评价,选出最佳中继节点以提高路由的可靠性。此外,通过局部路由修复与全局路由刷新相结合的策略对所建立路由进行动态维护,缓解节点高速移动引起的链路频繁断开问题,提高数据递交率。实验结果表明,在不同场景下,该协议在数据递交率、网络吞吐量、路由开销等方面均优于经典组播路由协议ODMRP。     

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.     

基于自适应增量集成学习的非平稳金融时间序列预测

金融市场对于社会经济的发展非常重要,因此金融时间序列预测（Financial time series prediction, FTSP）一直是人们研究的焦点。至今,许多基于统计分析和软计算的方法被提出以解决FTSP问题,其中大多数方法将金融时间序列（Financial time series, FTS）视为或转化为平稳序列进行处理。但是,由于绝大部分FTS是非平稳的,因此这些方法通常存在伪回归或预测性能不佳等问题。本文提出了一种自适应增量集成学习（Self-adaptive incremental ensemble learning, SIEL）算法,用于解决非平稳金融时间序列预测（Non-stationary FTSP, NS-FTSP）问题。SIEL算法的主要思想是为每个非平稳金融时间序列（Non-stationary FTS, NS-FTS）子集增量地训练一个基模型,然后使用自适应加权规则将各基模型组合起来。SIEL算法的重点在于数据权重和基模型权重的更新：数据权重基于当前集成模型在最新数据集上的性能进行更新,其目的不是为了数据采样,而是为了权衡误差;基模型权重基于其所处环境进行自适应更新,且基模型在越新环境下的性能应具有越高的权重。此外,针对NS-FTS的特征,SIEL算法提出了一种能协调新旧知识以及应对环境重演的策略。最后,给出了SIEL算法在3个NS-FTS数据集上的实验结果,并将其与已有算法进行了对比。实验结果表明,SIEL算法能很好地解决NS-FTSP问题。     

基于主成分分析法的惯性器件寿命预测

在基于随机滤波理论的剩余寿命预测模型中,所使用的输入数据为单维,而工程实践中惯性器件有多维监测信息,因此,在现有寿命预测模型中,根据专家经验所选取的单维数据仅使用其中一部分信息。针对以上问题,提出了1种基于主成分分析的寿命预测方法。主成分分析可以将相互关联的多维数据用少数几个不相关的主成分进行代替,这样在减少有用信息损失的同时,使问题得到简化。应用实际的多维历史监测数据和主成分分析的寿命预测模型,进行了某导弹惯性平台的寿命预测实验。实验结果表明,采用基于主成分分析的预测模型能够有效地进行寿命预测,且精度较高。     

基于GM-LSSVR机场噪声时间序列预测模型

随着我国民航事业的不断发展,机场噪声问题日益严重.针对机场噪声时间序列预测问题,在分析了噪声数据特点的基础上,提出了一种基于GM-LSSVR的噪声序列预测模型,即将机场噪声时间序列进行分解,并分别建立趋势项的GM(1,1)模型和剩余项的LSSVR模型,用于机场噪声预测值的计算.在某机场实测数据中的应用表明,该方法的准确度明显优于其他预测方法.     

基于多任务学习的快件送达时间预测方法

快件送货时间预测（即在任何时间预测包裹送达的到达时间）是物流领域中最重要的服务之一。准确地预测快件送达时间可以为用户提供更准时的服务,缓解客户的等待焦虑,提升用户体验,且有利于快递员的路径规划,从而提高派送效率。然而在快递派送场景下,多因素、动态性及多目的地等特征给快件投递准确预测送达时间带来巨大挑战。提出一种基于多任务学习的模型MTDTN,从快递员的大量历史时空轨迹中预测快件送达时间。MTDTN建模多种影响送达时间的外部因素,利用地理信息编码、卷积操作以及双向长短时记忆网络来捕获派送行为的时空关系,并运用多任务学习框架,引入顺序预测的辅助任务与送达时间预测的主任务,提高模型预测性能。在真实数据集上的实验结果表明,与基准方法中最优的DeepETA模型相比,该模型的平均绝对误差与平均绝对百分比误差分别降低了16.11%和12.88%,模型效果明显提升。     

Stochastic Prediction of Execution Time for Dynamic Bulk Synchronous Computations

We consider the problem of execution time prediction for non-deterministic multi-phase bulk synchronous computations in multiprocessors. We characterize the computations in two stochastic workload evolution models: additive and multiplicative. The additive model reflects the commutations in which the workload changes between phases are independent of processes' present workload. The multiplicative model becomes relevant when the workload change in a process is proportional to its load base. We take advantage of their salient features and show that conventional approaches based on central limit theorem in statistics are viable to predict the execution time for long run computations. By an elegant coordination of results from order statistics and convergence rates in the central limit theorem, we derive tighter bounds on execution time of short run computations, under some mild assumptions on their workload change distributions. Accuracy of the predictions is analyzed rigorously and verified by simulations.