基于数据驱动的锂离子电池RUL预测综述

剩余使用寿命预测技术对于锂离子电池的安全使用及维护具有重要意义。由于锂离子电池的长寿命特性以及复杂的非线性退化机制,目前剩余使用寿命预测仍是电池状态预测的难点问题。数据驱动方法不需要考虑电池内部电化学特性,而仅从数据角度出发,是目前主流的预测方法。通过实例介绍了剩余使用寿命概念,分类阐述了各种基于数据驱动的预测方法,并对其优缺点进行了分析。最后,针对现有方法的不足,提出未来需要改进的方向。     

基于整群抽样和支持向量回归模型的高功率半导体激光器剩余使用寿命预测

剩余使用寿命（RUL）预测是高功率半导体激光器在各种环境应力作用下可靠性评估的核心问题。在实际应用中,现有支持向量回归（SVR）方法均侧重于保证所训练模型的回归曲线的整体误差最小,以追求方法的泛化性,这往往造成关键预警阶段特别是临近故障失效前的预测结果不理想,不能可靠地支持维护决策。提出了一种基于整群抽样的SVR模型训练方法,对测试样本后期观测数据进行多次整群抽样后用于SVR模型测试,SVR模型中的参数使得SVR模型对训练样本的后期数据拟合得更好。实例分析验证了该方法的有效性和稳健性,研究结果表明,所提方法的预测性能和实用价值优于现有几种代表性的小样本分析方法。     

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。     

改进PSO-RBF算法的锂电池额定容量实时估计

针对在实际工况下对锂离子电池额定容量进行估计时,数学建模困难、内部参数测量复杂、模型自适应性差等问题,提出一种对粒子群聚类算法的参数组合进行优选并结合优选结果对径向基函数(RBF)神经网络进行改进的方法,以实现对锂电池额定容量的实时估计。将电池额定容量的影响因素划分为内部退化因素和特性影响因素,通过分析电池内部退化规律的相关性,进行剩余寿命预测;结合电池健康状态影响因素(温度、充放电倍率),进行动态额定容量标定。实验结果表明,改进的RBF算法预测结果平均误差约为2.1%。     

基于优化混合模型的航空发动机剩余寿命预测方法

针对航空发动机剩余使用寿命（RUL）预测方法没有同时加权不同时间步下的数据,包括原始数据和所提取的特征,导致RUL预测准确性较低的问题,提出了一种基于优化混合模型的RUL预测方法。首先,选用三种不同的路径提取特征：1）将原始数据的均值和趋势系数输入至全连接网络;2）将原始数据输入双向长短期记忆（Bi-LSTM）网络,并采用注意力机制处理得到的特征;3）使用注意力机制处理原始数据,并将加权特征输入至卷积神经网络（CNN）和Bi-LSTM网络中。然后,采用融合多路径特征预测的思想,将上述提取到的特征融合后输入至全连接网络获得RUL预测结果。最后,使用商用模块化航空推进系统仿真（C-MAPSS）数据集验证方法的有效性。实验结果显示,所提方法在4个数据集上均有较好的表现。以FD001数据集为例,所提方法的均方根误差（RMSE）比Bi-LSTM网络降低了9.01%。     

Remaining useful life prediction of bearings by a new reinforced memory GRU network

The remaining useful life (RUL) prediction of bearings has great significance in the predictive maintenance of mechanical equipment. Owing to the difficulty of collecting abundant lifecycle datasets with correct labels, it is quite necessary to explore a prediction method with high precision and robustness in the case of small samples. It follows that a novel RUL prediction approach is put forward to overcome this problem. First, for reducing the man-made interference and the demand for expert knowledge, an unsupervised health indicator (HI) is constructed by Gaussian mixture model (GMM) and Kullback-Leibler divergence (KLD), which is named as KLD-based HI. Then because of the rapid forgetting of historical trend information in the current RNN-based prediction models, a novel reinforced memory gated recurrent unit (RMGRU) network is proposed by reusing the state information at the previous moment. According to the constructed KLD-based HI vector, the unknown HIs are successively predicted by RMGRU until the predicted HI value exceeds the failure threshold, and then RUL is calculated. The contrast experiment on IEEE 2012PHM bearing datasets shows the superiority of the bearing RUL prediction approach based on RMGRU over the classical time series forecasting methods. It can be concluded that this method has great application potential in bearing RUL prediction.     

A novel health indicator for PEMFC state of health estimation and remaining useful life prediction

Proton Exchange Membrane Fuel Cell (PEMFC) is a promising renewable energy, while still limited by the short life duration. To postpone the end of life, approaches of health management and prognostic (PHM) are applied into the cells. The stack voltage and impedance are often used as the health indicator (HI) for estimating state of health (SoH) and predicting remaining useful life (RUL). However, on one hand, on-line measurement of impedance is hardly realizable while downtime measure costs a lot. On the other hand, a single HI based on voltage or impedance is difficult to express the degradation of PEMFC precisely. To tackle this problem, this paper develops a fusion HI and a prognostic methodology for PEMFC SoH estimation and RUL prediction. Moreover, geodesic distance is employed to estimate SoH. Afterwards, a 2nd order Gaussian degradation model is built to complete the RUL prognostics based on unscented particle filter (UPF). In the experiment, both mahalanobis distance and geodesic distance are employed to estimate the SoH based on the presented HI. Besides, a rational model is applied to predict the RUL compared with the proposed Gaussian model. Finally, the results show the efficiency and effectiveness of the SoH estimation and RUL prediction approaches based on the proposed HI.     

基于多尺度卷积双向长短期记忆网络与注意力机制的滚动轴承剩余寿命预测

通过卷积神经网络(Convolutional Neural Network, CNN)处理轴承一维时域或频域信号,难以提取具有代表性的非线性特征信息,且易忽略低层次信息。针对这一问题,基于多尺度特征提取,引入一种特征注意力机制,提出一种基于卷积双向长短期记忆网络(MSAM CNN BiLSTM)的轴承剩余寿命预测方法。基于西安交通大学（Xi′an Jiao Tong University,XJTU）轴承数据集中的3组数据对MSAM CNN BiLSTM、LSTM、CNN LSTM和MSAM CNN LSTM 4种方法的预测误差进行对比分析。结果表明：MSAM CNN BiLSTM方法在3组数据集中的预测误差均小于其他3种方法,说明该模型能同时学习数据中的低层次与高层次信息,可有效提高轴承的剩余寿命预测精度。     

基于间歇故障特征分析的航空电连接器故障预测软件设计与实现

针对航空电连接器间歇故障的评估与故障预测开展工作,介绍了间歇故障内涵与动态特征,提取了间歇故障广义强度作为状态评估与故障预测的评估指标,基于该特征开发了间歇故障状态评估与故障预测软件,并在电连接器案例上进行了实现与验证.测试表明,该软件能够有效评估电连接器的使用状态,并对当前状态下的剩余使用寿命进行预测,可以应用于航空...     

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.