基于一致性检验的航空发动机剩余寿命预测

针对目前没有将退化的多阶段性和维修前的退化数据用于维修后的剩余寿命预测问题,提出了一种基于多阶段Wiener过程的正态总体均值和变异系数一致性检验的剩余寿命预测方法。首先选用Wiener过程构建多阶段的退化模型;然后根据维修前后的退化监测数据,提出了正态总体均值的一致性检验方法,在检验结果的基础上根据变异系数的倒数构造H随机变量,提出了一种基于概率分布的数据一致性检验方法。最后,根据维修前后的退化数据的一致性检验结果,融合维修前后的退化数据进行剩余寿命的预测,通过预测误差对比结果证实了所提检验方法的有效性。     

多阶段随机退化设备剩余寿命预测方法

剩余寿命预测是系统视情维护和健康管理的重要基础.针对设备退化过程中表现出的阶段性差异,提出了一种基于累加和检验变点分析与漂移布朗运动的剩余寿命预测方法.该方法首先对获取的状态检测信息进行累加和检验,获得退化过程的最新显著变点;然后利用最新变点之后的状态检测数据对漂移布朗运动模型的参数进行极大似然估计;最后利用失效阈值的首达时间分布预测设备的剩余寿命.连续搅动水箱式反应堆仿真试验说明了所提方法的有效性.试验结果表明,所提方法能够准确地检测出退化过程的显著变化点,预测设备的剩余寿命,且预测结果波动较小,具有更好的鲁棒性.     

基于Copula函数的齿轮箱剩余寿命预测方法

齿轮箱是风力发电机组的关键部件，对风力发电机的整体寿命有直接影响.针对齿轮箱的剩余寿命，提出了一种多退化量下的剩余寿命预测方法.首先，在分析齿轮箱寿命的影响因素基础上，选取齿轮箱的振动加速度和噪声作为退化量；其次，采用基于核估计和随机滤波理论的方法分别对齿轮箱的振动加速度和噪声进行建模，从而获得齿轮箱的剩余寿命概率密度函数，进而得到其边缘分布函数；再利用Copula函数表示齿轮箱的振动加速度和噪声之间的随机相关性，求得齿轮箱剩余寿命的联合分布函数，从而得到齿轮箱剩余寿命的联合概率密度函数，得到齿轮箱剩余寿命预测值；最后，提出基于赤池信息准则模型评价的Copula函数选择方法.通过齿轮箱的试验验证了该方法的有效性.     

考虑随机失效阈值的设备剩余寿命在线预测

退化失效阈值是影响设备剩余寿命预测的重要因素。针对现有剩余寿命预测方法忽略失效阈值随机性影响的问题,提出考虑随机失效阈值的设备剩余寿命在线预测方法。首先,基于带测量误差与随机效应的非线性Wiener过程构建设备退化模型;其次,采用极大似然估计(maximum likelihood estimation, MLE)算法估计退化模型参数与随机失效阈值分布系数;然后,在考虑随机失效阈值的基础上推导出设备剩余寿命的概率密度函数(probability density function, PDF),并基于Bayesian原理实时更新退化模型参数,实现对剩余寿命的在线预测。最后,将该方法应用于陀螺仪剩余寿命在线预测分析,结果表明该方法能够有效提高剩余寿命预测的精度与准确性。     

隐含非线性退化设备的剩余寿命在线预测方法

随机退化设备在实际运行中会产生非线性、隐含性等问题,对其剩余寿命预测会产生不确定性影响。现有剩余寿命预测方法尚未系统研究隐含非线性退化建模及相应的剩余寿命分布。因此,采用Wiener过程,建立了隐含双重非线性退化模型;利用设备现场监测数据,更新了隐含状态的后验分布;利用全概率公式,基于首次达到失效阈值的时间分布推导出设备剩余寿命分布;基于激光器实测退化数据设定仿真参数,对所提方法的正确性和合理性进行了对比验证。     

基于RCNN-ABiLSTM的机械设备剩余寿命预测方法

针对机械设备的关键退化信息易淹没在非线性、多维度、长时间、大规模监测数据中的问题，提出了一种基于残差卷积神经网络和注意力双向长短时记忆网络融合(residual convolutional neural network-attentional bidirectional long short-term memory network, RCNN-ABiLSTM)的机械设备剩余寿命预测方法。首先通过训练RCNN提取监测数据的深度空间特征；然后通过引入注意力机制，优化双向长短时记忆网络提取时间相关特征的权重参数，加强关键退化信息对剩余寿命预测的表达；最后通过航空发动机数据集验证了方法的有效性。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，所提方法能够准确寻找退化时间点，有效提高长时间运行设备的剩余寿命预测准确度。     

基于Copula函数的齿轮箱剩余寿命预测方法

齿轮箱是风力发电机组的关键部件,对风力发电机的整体寿命有直接影响.针对齿轮箱的剩余寿命,提出了一种多退化量下的剩余寿命预测方法.首先,在分析齿轮箱寿命的影响因素基础上,选取齿轮箱的振动加速度和噪声作为退化量;其次,采用基于核估计和随机滤波理论的方法分别对齿轮箱的振动加速度和噪声进行建模,从而获得齿轮箱的剩余寿命概率密度函数,进而得到其边缘分布函数;再利用Copula函数表示齿轮箱的振动加速度和噪声之间的随机相关性,求得齿轮箱剩余寿命的联合分布函数,从而得到齿轮箱剩余寿命的联合概率密度函数,得到齿轮箱剩余寿命预测值;最后,提出基于赤池信息准则模型评价的Copula函数选择方法.通过齿轮箱的试验验证了该方法的有效性.     

基于比例关系加速退化建模的设备剩余寿命在线预测

针对传统基于加速退化建模的剩余寿命在线预测方法需在特定共轭分布条件下才能实现漂移系数和扩散系数同步更新的问题,提出一种基于比例关系加速退化建模的设备剩余寿命在线预测方法。首先,在传统Wiener退化模型中引入扩散系数与漂移系数的比例关系,从建模角度保证了扩散系数与漂移系数同步更新的可能性。其次,提出一种基于两步极大似然的参数估计方法,实现对模型参数的合理估计。然后,基于加速因子不变原则制定退化数据折算规则,并采用卡尔曼滤波原理在线更新设备退化状态。最后,基于全概率公式,推导出常应力条件下设备剩余寿命的概率密度函数。以某型加速度计加速退化数据为例进行分析验证,证明了所提方法能够有效提升剩余寿命预测的准确性,具备工程应用价值。     

随机冲击影响的非线性退化设备剩余寿命预测

退化设备的剩余寿命(remaining useful life, RUL)预测是当前可靠性领域研究的一个热点问题。基于Wiener过程,提出一种考虑随机冲击影响的非线性退化设备RUL预测方法。首先,设备连续退化过程用一个非线性Wiener过程描述,而冲击导致退化水平突变的影响由一个复合泊松过程刻画;其次,基于所建立的退化模型和首达时间概念,推导出剩余寿命概率密度函数及其近似解析解,极大地减少了数值计算时间,并提出一种基于期望最大化算法的模型参数估计方法。数值仿真和航天锂电池实例验证表明,所提方法提高了RUL预测的准确性,对于解决存在随机冲击影响的设备RUL预测问题具有一定的理论指导意义。     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

考虑测量误差和随机效应的设备剩余寿命预测#br#

针对非线性退化设备的剩余寿命预测问题,尚未系统研究考虑测量误差和随机效应的退化建模、先验参数估计及相应的剩余寿命预测方法。首先建立考虑测量误差和随机效应的非线性Wiener退化模型;利用同类设备历史监测数据,基于期望最大化算法估计出退化模型中固定系数和随机系数先验分布;采用状态空间模型描述目标设备当前监测状态,基于Kalman滤波算法迭代估计出随机系数后验分布和当前真实退化状态;利用全概率公式,推导出考虑隐含状态估计不确定性的设备剩余寿命的概率密度函数;仿真实例分析表明,所提方法较现有方法在参数估计误差和剩余寿命预测精度上具有一定优势。     

基于退化与寿命数据融合的产品剩余寿命预测

产品的剩余寿命预测是其维修、更换和备件策略制定的重要依据。目前的寿命预测方法一般仅利用产品自身的性能退化数据,当性能退化数据较少时,剩余寿命预测结果精度难以保证。针对性能退化过程为具有随机效果的Wiener过程的产品,对其进行寿命预测时,采用Bayes方法融合产品的历史寿命信息和该产品自身的性能退化信息,得到性能退化参数的Bayes估计,进而得到该产品的剩余寿命分布,从而提高剩余寿命分布的预测精度。金属化膜脉冲电容器剩余寿命预测分析实例表明了该方法的有效性。     

不完全维修下海底腐蚀管道剩余寿命预测

本文提出了一种在考虑不完全维护影响下的腐蚀管道分阶段退化模型和剩余寿命预测方法.首先,设其全寿命周期内进行3次不完全维护,则退化过程为4个阶段;其次,在维护活动干预下的非线性分阶段随机扩散过程框架下,对其退化规律进行建模,推导首达时间意义下剩余寿命概率分布,实现实时剩余寿命估计;然后,利用状态监测数据和维护数据对模型参数进行极大似然估计和贝叶斯更新;最后通过实例验证所提参数估计和寿命预测方法的有效性.结果表明:该模型能很好地描述不完全维修下腐蚀管道分阶段退化过程,能够给出可信的可靠性评估结果,使得腐蚀管道具有较高的安全运营等级,克服了传统方法过维修或欠维修带来的不利影响,降低了维修成本.     

二元相关退化系统可靠性分析及剩余寿命预测

退化相关性和个体差异对二元退化系统可靠性有直接影响,针对该问题,在退化过程模型基础上,建立了相应的系统可靠度和剩余寿命预测模型。首先同时考虑个体退化过程和相关性差异,采用随机参数的Gamma过程和Copula函数建立系统二元相关退化模型,为提高模型适用性,随机参数采用非共轭先验分布假设。在此基础上,分析随机参数对系统可靠度影响,提出基于贝叶斯理论的剩余寿命预测方法。利用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)方法对模型未知参数进行估计。案例分析结果说明了在此类系统可靠性估计时考虑个体差异的必要性,也验证了该剩余寿命预测方法的精确性。     

二元相关退化系统可靠性分析及剩余寿命预测

退化相关性和个体差异对二元退化系统可靠性有直接影响,针对该问题,在退化过程模型基础上,建立了相应的系统可靠度和剩余寿命预测模型。首先同时考虑个体退化过程和相关性差异,采用随机参数的Gamma过程和Copula函数建立系统二元相关退化模型,为提高模型适用性,随机参数采用非共轭先验分布假设。在此基础上,分析随机参数对系统可靠度影响,提出基于贝叶斯理论的剩余寿命预测方法。利用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)方法对模型未知参数进行估计。案例分析结果说明了在此类系统可靠性估计时考虑个体差异的必要性,也验证了该剩余寿命预测方法的精确性。     

基于关联向量机回归的故障预测算法

针对一类故障预测问题提出了一种基于关联向量机(relevance vector machine, RVM)回归的故障预测算法。算法首先采用关联向量机模型对对象历史数据中隐含的故障演化信息进行学习,然后将所获取的关联向量机模型用于对象故障未来变化趋势的预测。预测过程采用多步时间序列预测中的递推计算的思想,并且将每一步预测的不确定性作为下一次预测迭代的输入要素加以充分的考虑。迭代过程中的一些关键量的获取采用了蒙特卡罗采样计算的思想,避免了对关联向量机核函数选取的限制。算法预测输出采用对象系统剩余寿命的随机分布形式,相对于传统预测算法的确定值形式的输出更加符合实际。将所提算法与传统算法进行比较,仿真实验结果证明所提算法要优于传统故障预测算法。     

双指标阶段性退化建模及可靠性分析

高可靠长寿命产品常需同时满足多种功能, 退化机理复杂, 其性能退化过程中多指标、多阶段的问题日益凸显。为此, 考虑退化过程的阶段性特征及不同阶段指标间耦合性规律, 基于Copula函数和Wiener过程建立了双指标阶段性退化模型及可靠性分析方法。同时, 针对产品退化过程中两指标变点不在同一位置的一般性情况, 提出了一种考虑双指标变点的模型参数整体估计方法。最后, 通过舱门锁实例的对比分析, 对所提方法的适用性和有效性进行了验证。结果表明, 同传统双指标模型相比, 所提方法能更为准确地描述退化过程的相关性与阶段性规律, 得到的可靠性评估结果更合理有效。     

基于时间序列数据扩增和BLSTM的滚动轴承剩余寿命预测方法

针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题, 提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先, 采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次, 对采集得到的原始数据预处理后提取健康因子, 将训练用数据和测试数据分别构成参考数据集和目标数据集。然后, 以参考数据集为基础, 利用动态时间规整算法扩增目标数据集数据。最后, 使用数据扩增后的测试数据训练BLSTM网络, 利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明, 基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据, 扩增性能退化过程相似的滚动轴承运行数据, 利用扩增数据训练BLSTM网络, 能够有效提高性能退化趋势预测能力, 进而提高剩余寿命预测精度。     

基于油液中金属浓度梯度特征的滤波剩余寿命预测模型

基于随机滤波理论的剩余寿命预测模型是基于状态的维修的重要组成部分. 首先根据设备磨损过程，建立了磨损、金属粒子浓度和剩余寿命三者的函数关系. 进而针对滤波模型基于油液信息进行预测时的局限性，建立了基于油液浓度梯度特征的滤波模型. 此模型无需对监测信息中的换油影响进行线性回归处理，从而减少了误差，并以金属浓度梯度特征建模，完善了状态信息与剩余寿命之间的负相关关系. 然后设计了极大似然参数估计方法，在参数估计过程中考虑了截尾数据对估计值的影响. 最后以某型自行火炮发动机的油液光谱分析数据为例，实现了发动机的剩余寿命预测，结果表明了该模型的可行性和有效性.     

基于伪寿命分布的退化数据可靠性评估方法

提出一种利用加速退化数据对产品进行可靠性评估与寿命预测的建模与参数估计方法。首先,针对加速退化数据的特点,建立了加速条件下特征参数退化曲线的连续时间函数模型。进而,结合工程中常用加速模型,建立了加速退化模型参数估计的整体似然函数,并基于Fisher信息阵采用整体推断的极大似然法给出整体模型参数的区间估计。该方法能够有效利用不同加速应力水平下产品退化数据的横向信息,并综合连续时间函数模型对产品退化曲线拟合性强的优点,可提高产品可靠性评估与寿命预测的精度。以某电子产品为例进行了应用实例分析。