基于深度学习与粒子滤波的刀具寿命预测

刀具在加工过程中会受到材料的挤压、摩擦、冲击与腐蚀等因素影响,导致切削刃出现崩刃、磨损等现象.这些现象使得工件尺寸出现偏差,严重时甚至会对机床和人员带来伤害.有效的刀具剩余使用寿命预测可以提高加工效率,保证加工精度,降低加工成本,因此具有重要的研究价值.针对反映刀具磨损程度的趋势性特征自学习提取与刀具剩余使用寿命预测问题,提出了基于深度学习与混合趋势粒子滤波的刀具剩余使用寿命预测方法.使用刀具未发生磨损的信号特征训练降噪自编码器,然后将刀具各磨损阶段下的信号特征输入训练好的降噪自编码器中,提取其重构误差作为单调性特征,为了解决样本数量不足带来的过拟合的问题,对原始样本进行了加噪处理.考虑到传统粒子滤波算法进行刀具剩余使用寿命预测的过程中无法自适应调整状态方程,提出混合趋势粒子滤波算法来实现刀具剩余使用寿命预测.采集刀具全寿命周期的切削力信号并进行处理与分析,分析结果证明了所提方法能够有效实现反映刀具磨损的趋势性特征自提取,该特征提取方法可以减少人为因素的影响,降低训练成本,同时,相比于传统粒子滤波,混合趋势粒子滤波算法对刀具剩余使用寿命预测精度更加准确可靠.     

基于Wiener过程的钢厂风机剩余使用寿命实时预测

作为炼钢厂的关键设备,风机担负着转炉除尘和煤气回收的重要任务,实现风机剩余使用寿命的准确预测具有重要的实际意义.通过对邯郸某炼钢厂风机振动数据的分析,建立了基于Wiener过程的状态退化模型,在首达时间的意义下,推导出风机剩余使用寿命的概率密度函数的解析表达式,提出了一种基于极大似然估计的参数实时估计方法,从而实现风机剩余使用寿命的在线实时预测.实验结果表明,相对于文献中的方法,本文所提出的预测方法可以得到更高的预测精度和较低的预测不确定性.     

基于监督局部模型的设备剩余寿命预测

精确预测设备的剩余使用寿命能帮助厂商衡量所生产设备的质量,也有利于使用者及时更换或修理设备。截至2021年,基于相似性预测剩余寿命的研究大多使用欧式距离进行相似性的判定,容易出现维度灾难。本研究结合长短期记忆网络和自编码器提取设备的时序特征,之后使用监督局部模型进行剩余使用寿命预测,以随机森林为基础进行相似性的判定。最后,本研究使用C-MAPSS数据集验证了所提出方法的有效性,所提出方法在预测精度上要优于其余几个对比方法,并进行相关的讨论。     

基于信息融合的刀具剩余寿命在线预测方法

针对加工中心刀具剩余寿命预测的实际需求,提出了一种基于信息融合的刀具剩余寿命在线预测方法.通过在加工中心主要功能部件上安装传感器,实时采集加工中心运行过程中的动态信号,经信号预处理和特征参数提取,采用皮尔逊相关系数和残差分析相结合的方法进行特征降维,获得最优的特征参数集.建立基于自适应神经模糊推理系统的刀具剩余寿命预测模型,在线预测刀具剩余寿命.实例分析结果显示:该预测方法的预测结果平均准确率为95.21%,可以满足实际需求.同时,将该预测方法与BP神经网络及其变异模型进行了对比,发现该预测方法预测精度更高.     

基于改进比例失效率模型的设备剩余寿命预测

产品的剩余寿命预测能够为产品的维修和更换提供重要的决策依据.传统的比例失效模型方法在剩余寿命预测中得到了广泛的应用,然而此方法没有充分利用产品的历史寿命信息,对产品的退化过程也没有很好地描述.针对此问题,提出了一种融合退化过程与失效率建模的产品剩余寿命预测方法.该方法首先利用线性过程对产品的退化过程建模,然后利用比例失效模型融合退化过程对失效率的影响,达到充分利用产品历史信息的目的.此外,与传统比例失效模型方法不同,模型中的比例参数分为两部分,分别将产品退化的初始信息和产品的退化增量联系起来,进一步利用产品的当前退化信息对产品的参数进行Bayes更新,基于此进行剩余寿命预测,从而实现产品历史数据和当前退化数据的有效融合.通过激光发生器的退化数据验证了所提方法的有效性.     

基于迁移学习的轴承剩余使用寿命预测方法

针对目前大多数基于人工智能的轴承剩余使用寿命(remaining useful life,RUL)预测方法不能很好地预测不同工况下轴承剩余寿命的问题,提出了一种基于迁移学习的寿命预测方法,对不同工况下的轴承进行剩余寿命预测.对采集的轴承原始振动信号进行傅里叶变换得到频域信号,以卷积神经网络和长短时记忆网络作为特征提取器对轴承频域信号进行特征提取并挖掘数据之间的时序信息,采用全局和局部域适应相结合的方法降低不同工况下轴承数据的分布差异.通过现有多种工况下轴承运行数据验证了该方法的有效性.与传统深度学习模型相比,所提方法提高了不同工况下轴承RUL预测精度.     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

基于作战管理的有人-无人协同作战体系结构建模

航空发动机精确的剩余使用寿命预测是确保发动机安全服役必须开展的环节。针对复杂工况环境下涡扇发动机的剩余使用寿命预测问题,提出了一种基于极端梯度提升和卡尔曼滤波的寿命预测模型。首先,采用高斯分布对原始振动数据进行分析,提取具有时间序列和退化趋势的特征数据,并为其设置剩余使用寿命（RUL）标签;其次,利用随机搜索算法对融合参数范围进行寻优,在极端梯度提升(XGBoost)中加入卡尔曼滤波器解决预测值不平滑和噪声干扰的问题;最后在商用模块化航空推进系统仿真数据集（C-MAPSSC）上进行了验证和分析,实验结果证明：与其他模型相比,文中采用的寿命预测方法准确度更高。     

基于PF-GPR算法的锂离子电池剩余使用寿命预测

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法.仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测.     

基于功率传感器的刀具磨损量预测方法

使用功率传感器监测机床加工功率,和切削力、声发射等传感器相比,功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号,在分析信号特征相关性的基础上,提出了一个多目标优化RP-SBL的刀具磨损量预测方法.对信号特征进行后处理(Re-processing,RP)消除电网波动和切削中其他偶然因素的影响,进一步提高特征对刀具磨损敏感性.基于处理后的特征,运用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)方法建立刀具磨损量预测模型.此外,使用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对SBL模型相关参数进行优化以提高预测精度.实验研究表明,该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明,通过特征后处理提高信号特征对刀具磨损的敏感性,保证了刀具磨损量的准确预测,对SBL模型参数进行优化可进一步提高预测精度,减小预测误差的最大值.     

基于可靠性的GH4169车削参数优化

为了保证刀具寿命的同时尽可能地提高加工效率,对切削参数进行优化至关重要.因此,建立了车削过程中的刀具磨损模型,可用于预测多种切削条件下任意时刻的刀具磨损量,从而推导出刀具寿命模型.考虑不确定性参数对车削加工的影响,建立了基于可靠性的车削优化模型,并采用序列优化与可靠性评估方法对优化模型进行求解以获得最优切削参数.最后,通过实例验证了该方法在高温镍基合金GH4169车削参数优化中的优势和可行性.     

冶炼行车电缆更换周期的近似计算

针对炼铁炼钢生产中大量行车工作在高温环境,电缆容易老化而又无法获取其剩余寿命的问题,选用半导体测温元件AD590在线监测电缆运行温度,采用直接测定和神经网络预测2种方法计算电缆剩余使用寿命,优化电缆更换周期,实施部分电缆更换.并将预测数据作为电缆采购决策的依据,可降低库存资金和库存成本.     

基于刀具磨损状态识别的加工参数多目标优化

在数控铣削过程中,刀具磨损对机床主轴能耗影响很大,同时与刀具加工能力直接相关,需适时调整加工参数以适应不同磨损状态,保证多目标综合最优.针对此问题,基于刀具磨损状态识别,根据不同磨损时期给出相应的加工参数优化策略.首先,以刀具寿命周期内的主轴功率为基础,采用粒子群优化算法(particle swarm optimization,PSO)建立考虑刀具磨损的能耗模型,平均误差低于5%,并基于与刀具磨损的强相关性,以主轴功率作为单一指标识别刀具磨损状态.进一步,为获取影响加工成本的动态性指标——刀具剩余使用寿命(remaining useful life,RUL)及相应的主轴功率,利用人工神经网络(artificial neural network,ANN)建立刀具磨损退化模型,通过描述主轴功率随时间的变化来隐含退化过程,该模型拟合度达0.992.最终,综合考虑能耗、刀具及时间成本,设计多目标优化函数,并通过遗传算法(genetic algorithm,GA)搜索函数最小值,给出不同磨损时期的最优加工参数及优化策略.此加工参数多目标优化融入了主轴功率与刀具RUL等动态指标,可依据主轴功率在线...     

一种混合退化系统剩余寿命预测方法

针对传统的预测方法不能同时考虑线性和非线性退化问题,提出了一种基于维纳过程的带随机参数和确定参数的混合退化模型.基于首达时间(FHT)的概念给出了剩余寿命(RUL)的解析渐进显式形式,模型中随机参数通过Kalman滤波技术实时更新,确定参数采用极大似然估计进行估计.最后,采用陀螺仪实验数据验证了该方法的有效性.     

统计模式识别和自回归滑动平均模型在 设备剩余寿命预测中的应用

为了对设备预知性维护研究提供支持,采用统计模式识别（SPR）方法对设备进行性能评估,获取设备健康指标;再运用自回归滑动平均模型（ARMA）对设备剩余寿命进行预测,建立了基于设备健康状况的设备剩余寿命预测模型.对生产过程中刀具加工设备寿命预测进行分析和验证结果表明,该设备评估和预测方法是有效且实用的.     

基于随机Wiener过程的火炮身管剩余寿命预测

身管是火炮武器的重要部分,其性能状态决定了火炮的使用寿命.将随机Wiener过程应用于火炮身管的剩余寿命预测,通过极大似然法估计模型参数,并利用Bayesian方法对参数进行更新,提高参数的估计精度.以某型火炮为应用对象进行寿命预测,得到了不同射弹发数条件下剩余寿命的概率密度函数和可靠度函数曲线,且预测精度随着射弹发数的增加逐渐提高.应用实例表明了方法的可行性,对火炮身管寿命预测具有一定的参考价值.     

采用改进回归型支持向量机的滚动轴承剩余寿命预测方法

为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明：与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。     

基于广义维数与优化BP神经网络的刀具磨损量预测

根据多重分形理论,采用改进的盒计数法计算了切削加工过程中声发射(AE)信号的广义分形维数,得到了不同刀具磨损状态下AE信号的广义维数谱,分析了广义维数与刀具磨损量之间的关系.以广义分形维数以及切削加工参数为特征,进行归一化处理后作为BP神经网络输入向量;采用遗传学算法,对BP神经网络的初始权值和阈值进行了优化,利用优化后的神经网络对刀具磨损量进行预测.测试结果表明,该方法可以较精确地预测刀具磨损量,平均预测误差为001mm.     

一种刀具磨损在线监测系统的技术研究与开发

制造产业的不断发展，加工材料的转变，加工难度加大，加工过程中刀具失效不仅直接改变刀具状态，而且降低加工质量，无论是停机更换，还是停机维修，都会影响工业生产，降低生产效率，准确掌握刀具状态，提高加工质量，延长刀具使用寿命意义重大。基于此，本文应用时域传感器对刀具工作过程中的震动、声发射、力信号进行采集，而后提取数据序列和多维特征，采用线性回归分析刀具的受损情况，最后实验验证模型的精准度。