锂离子电池剩余寿命间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussian process regression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

锂离子电池剩余寿命间接预测方法简

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归（Gaussian process regression,GPR）方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

基于健康指数相似的航空发动机剩余寿命预测

针对机载快速存取记录器(QAR)详细记录了发动机全周期多源性能参数的特点,提出了一种基于时间序列相似性匹配的航空发动机剩余寿命预测方法。首先通过相关分析选取与发动机性能衰退密切相关的参数,利用狄克松判定准则剔除原始数据异常值,将多个性能参数通过状态空间模型融合为健康指数来表征发动机衰退状态;然后通过K-means聚类分析法重构发动机健康指数序列;最后计算序列之间的相似度,依据相似度大小赋予参照样本不同权重预测发动机剩余寿命。通过航空公司实际数据对该方法进行验证,结果表明该方法具有较好的预测精度。     

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Weibull分布的超高压变电站二次设备寿命预测

针对超高压变电站二次设备检修科学依据不足的问题,给出了一种基于Weibull分布的二次设备寿命预测方法.在对二次设备运行状态信息分析的基础上,建立了超高压变电站二次设备寿命预测模型.在该寿命预测模型中,对表征二次设备各功能模块运行状态信息进行了分类,通过二参数Weibull分布模型得到了超高压变电站二次设备的剩余使用寿命,并进行了实例分析.结果表明,基于Weibull分布的寿命预测模型能够实现超高压变电站二次设备剩余使用寿命的预测,为超高压变电站二次设备的维护和检修提供了依据.     

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。     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

基于长短期记忆网络的齿轮剩余寿命预测研究

设备运行数据蕴含了大量的状态退化信息,利用状态退化信息对设备进行剩余寿命预测,可以为预测性维修提供重要的依据。针对监测过程中接收到表征设备退化的大量数据,提出一种改进的基于记忆机理循环神经网络实时剩余寿命预测模型。该模型利用随机搜索选择模型超参数,采用加入动量考虑的随机梯度下降算法优化模型参数,防止陷入局部最优,从而提高剩余寿命预测模型的预测精度。通过齿轮弯曲疲劳试验,验证了该模型剩余寿命预测的准确性。     

基于数据驱动的锂离子动力电池剩余使用寿命预测方法综述

准确预测锂离子动力电池的剩余使用寿命(remaining useful life, RUL),确保相关行业和设施的可靠性和安全性具有重要意义。数据驱动方法仅通过实验数据总结电池性能参数变化规律从而预测电池剩余寿命,突破了传统基于模型方法精度低、难以建模、通用性差的局限。首先针对基于数据驱动的锂离子动力电池寿命预测的研究进行分析,归纳总结出锂离子动力电池寿命预测建模思路。其次,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,给出了锂离子动力电池剩余寿命预测的发展趋势。     

应用交互式多模型算法的设备剩余寿命预测

针对目前异常检测与剩余寿命预测联合研究中存在的问题,基于交互式多模型算法,提出了一种考虑退化模式动态转移的设备剩余寿命预测模型。首先根据模式动态转移的状态空间模型对设备进行退化建模,然后使用IMM算法对设备的隐含退化状态与退化模式后验概率进行联合估计,根据后验概率判别异常点,并采用期望最大化(Expectation Maximum,EM)算法对模型参数进行在线估计与更新,最终实现设备的实时剩余寿命预测。数值分析结果表明:该模型能够准确地检测异常点、降低剩余寿命概率分布的不确定性与提高剩余寿命的预测精度,为实现设备的视情维修提供决策依据。     

基于局部敏感哈希 双层随机森林的燃气轮机剩余使用寿命预测

针对燃气轮机剩余使用寿命预测中监测数据信息利用不够充分、退化过程难以表示、预测精度低等问题,提出了一种基于局部敏感哈希-双层随机森林的燃气轮机剩余使用寿命预测方法.该方法首先使用主成分分析充分利用多维监测数据信息构建健康因子来表示退化过程,并通过滑动截取的方法在健康因子曲线上获取训练数据;然后,通过p-stable分布局部敏感哈希相似性搜索算法匹配和需要预测的样本最相似的样本;进而,使用双层随机森林对剩余使用寿命进行回归预测.利用C-MAPSS数据集验证了该方法的有效性和准确性,研究结果可为其他非线性退化系统剩余使用寿命预测提供一定的参考.     

基于相关向量机的发动机剩余寿命预测

针对民航发动机寿命预测中监测参数较多筛选困难的问题,提出一种基于信息融合与相关向量机的发动机剩余寿命预测方法。首先通过核主元分析方法从发动机多维监测数据中提取退化特征信息;然后利用非线性模型将主元序列融合成反映发动机退化趋势的健康指数序列;最后采用相关向量机以历史失效数据为训练样本建立预测模型,对现有的发动机健康指数序列进行外推预测得到当前样本的寿命预测值。通过NASA Ames研究中心公开的涡轮风扇发动机仿真数据验证了该方法的有效性,其预测性能优于常用的支持向量机模型和过程神经网络模型。     

采用GRU-MC混合算法的锂离子电池RUL预测

锂离子电池的剩余使用寿命预测是电池管理系统的重要组成部分.为解决锂离子电池剩余使用寿命预测不准确的问题,提出一种基于门控循环单元和马尔科夫链的锂离子电池剩余使用寿命预测方法.首先,对数据进行数据清洗和数据规范,选择构建特征矩阵;然后,搭建基于门控循环单元网络的预测模型,并运用马尔科夫链算法对预测模型的初步结果进行误差修...     

双通道深度卷积神经网络的航空发动机剩余使用寿命预测方法

提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集（CMAPSS）上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。     

Overview of the Importance of Intelligent Approaches on Machinery Faults Diagnosis and Prediction Based on Prognostic and Health Management/Condition-Based Maintenance

Condition monitoring is increasingly used to anticipate and detect failures of industrial machines.Failures of machines can cause high maintenance or replacement costs.If neglected,it may result in catastrophic accidents leading to production shrinkage.The potential failure would negatively affect the profitability of the company,including production shut down,cost of spare parts,cost of labor,damage of reputation,risk of injury to people and the environment.In recent years,condition-based maintenance( CBM) and prognostic and health management( PHM) are developed and formed a strong connection among science,engineering,computer,reliability,communication,management,etc.Computerized maintenance management systems( CMMS) store a lot of data regarding the fault diagnosis and life prediction of the machinery equipment.It's too necessary to uncover useful knowledge from the huge amount of data.It's vital to find the ways to obtain useful and concise information from these data.This information can be of great influence in the decision making of managers.This article is a review of intelligent approaches in machinery faults diagnosis and prediction based on PHM and CBM.