基于K—S距离的GM（1，1）的机械设备剩余寿命预测

在工程应用中的振动信号大多为非线性非平稳信号,为了能充分利用工程中采集的振动信号中的信息．以kolmogorov—Smirnov检验为基础．提出了以K—S距离作为机械设备各退化状态退化指标的方法．根据经验设定机械设备完全失效对应的退化指标的阈值．用退化指标序列训练灰色模型,然后用训练好的模型预测退化指标的变化趋势．从而估计退化指标到达设定阈值时的时间并以此作为机械设备的剩余使用寿命．最后通过轴承的全寿命周期振动信号对其验证．结果表明所提出的预测方法可以有效地预测轴承的剩余寿命．     

基于退化检测和优化粒子滤波的轴承寿命预测方法

轴承广泛应用于各种机械设备中,为避免轴承突然损坏而导致设备故障,应有效预测其剩余使用寿命,因此提出一种基于自适应退化检测和粒子群优化粒子滤波(particle swarm optimization-particle filter,PSO-PF)算法的轴承寿命预测方法.首先,从轴承振动信号中提取候选特征,并对候选特征进行筛选,将优选的特征进行加权融合构建退化指标.然后引入自适应退化检测法确定首次预测时刻.最后引入粒子群优化算法对粒子滤波的重要性采样过程进行改进,使用优化粒子滤波算法从检测到的首次预测时刻开始对轴承进行剩余寿命预测.轴承全寿命实验验证,该方法能够有效预测轴承剩余寿命,并且与常规粒子滤波算法相比具有更高的预测精度.     

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。     

面向一类混合退化装备RUL预测的平行仿真技术

针对一类带离散冲击的混合退化装备剩余寿命预测问题,研究了面向混合退化装备剩余寿命预测的平行仿真技术.提出以混合Wiener状态空间模型为基础仿真模型,以泊松冲击到达为模型选择判据,在实时退化数据驱动下,实现仿真模型在线选择,利用强跟踪滤波和期望最大化算法进行仿真模型数据同化和未知参数在线估计,从而实现仿真模型演化,提高仿真模型逼真度.在此基础上,实现了基于平行仿真的剩余寿命实时预测.利用某轴承性能退化数据对平行仿真方法进行了实例验证,仿真结果表明平行仿真方法能有效仿真轴承的性能退化过程,剩余寿命预测的不确定性小、精度高.      

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。     

采用EEMD-KPCA处理的IHHO-LSSVM滚动轴承寿命预测模型

为提高滚动轴承剩余寿命预测精度,提出一种基于集合经验模态分解-核主成分分析(EEMD-KPCA)和改进的哈里斯鹰优化-最小二乘支持向量机(IHHO-LSSVM)的滚动轴承剩余寿命预测模型.首先,使用集合经验模态分解方法对原信号进行分解,根据相关系数和峭度值选取合适的本征模态函数进行重构;然后,提取时域、频域、小波包能量谱等指标,并用核主成分分析,选取累计贡献率大于85%的主成分作为轴承退化性能指标;建立最小二乘支持向量机寿命预测模型,针对模型参数,提出一种改进的哈里斯鹰优化算法,并在新算法基础上设计新的能量周期性递减调控机制.采用轴承全寿命实验数据进行验证,结果表明:该方法提取的轴承性能评估指标能够更全面地表征轴承性能退化情况,建立的模型具有良好的预测效果.     

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题，提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络（LSTM）的旋转机械退化趋势与退化区间预测方法。以振动信号为例，首先提取表达设备退化信息的特征指标，然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界，其次利用动态LSTM进行综合性能退化预测；最后，利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。     

数字孪生驱动的小样本旋转机械剩余寿命预测

针对小样本数据下旋转机械剩余使用寿命难以准确预测的问题，提出一种数字孪生驱动的旋转机械健康因子构建及剩余使用寿命预测方法。通过融合卷积自编码器与Weibull分布构建数据驱动的旋转机械退化行为模型。使用旋转机械早期退化信号训练卷积自编码器，使其学习到早期退化信号模式；使用卷积自编码器对测试信号进行重构并计算重构误差，将重构误差映射到[0,1]区间作为健康因子，根据健康因子拟合Weibull可靠度函数并预测旋转机械剩余使用寿命；在旋转机械持续运行过程中基于实时数据重复上述步骤，实现旋转机械剩余寿命的实时更新。在PHM2012公开数据集上的测试结果表明：所提方法可以在不需要末期退化信号的前提下预测轴承剩余寿命，预测结果明显高于现有报道的各类方法，均方根误差和平均绝对百分比误差分别为938.8 s与42.62%。在巴斯夫新材料有限公司某自动化测试系统数字孪生预测性维护平台的应用案例表明，所提方法具有实际工业场景下小样本旋转机械寿命预测的可行性。     

基于跨域均值逼近的轴承剩余使用寿命预测

由于轴承退化数据较少及不同工况之间轴承数据分布差异较大,实现在一个轴承上训练的剩余寿命预测模型,能够预测其他同一工况或不同工况不同轴承的剩余使用寿命,是一个待解决的难题。本文提出基于跨域均值逼近的联合分布自适应轴承剩余使用寿命预测方法,首先,对轴承原始振动信号数据进行归一化处理;其次,通过投影矩阵将源域和目标域数据映射到一个低维公共特征子空间中,利用基于跨域均值逼近的联合分布自适应方法对源数据和目标轴承数据进行领域适配;最后,利用门控循环单元对轴承剩余使用寿命进行预测。在IEEE PHM Challenge 2012数据集上进行多组迁移实验,结果表明,所提方法在同一工况或不同工况下不同轴承间有良好的预测精度。     

基于多阶段退化建模的谐波减速器实时可靠性评估与寿命预测

谐波减速器是工业机器人的关键核心部件,其可靠性的实时评估和剩余寿命预测对于提升工业机器人的工作性能和健康监管具有重要意义.作为一种复杂的高精度机械部件,其退化过程表现出明显的多阶段性特点.因此,针对谐波减速器的退化特性,提出基于Gamma过程的多阶段退化模型对谐波减速器性能退化过程进行精确描述.首先,根据谐波减速器退化趋势的变化,进行多阶段退化过程的划分;然后采用历史性能指标数据,基于最大皮尔逊相关系数准则估计模型先验分布的超参数,建立基于Gamma过程的多阶段退化模型.在此基础上,针对在役设备的实际运行特点和工程现场中性能指标数据获取困难的问题,提出采用振动特征来建立高斯过程回归模型,对性能指标值进行精准预测以实现对退化模型后验分布参数的实时更新.最后在此基础上对谐波减速器进行实时可靠性评估和剩余寿命预测.通过对谐波减速器可靠性实验数据的分析表明,所提出的方法能够实现可靠性的实时评估,并且与单一阶段退化模型相比,该方法对剩余寿命的预测精度更高.     

基于DBN-LSTM的滚动轴承剩余寿命预测模型

针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,提出了一种基于融合深度置信神经网络（deep belief neural , DBN）和长短时记忆神经网络（long-short term memory , LSTM）的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。     

基于维纳过程的锂离子电池剩余寿命预测

锂离子电池内部结构复杂,受外界影响大,使其容量退化过程具有不确定性因素而呈现随机性.对电池容量退化服从非线性维纳过程建立状态空间模型,并认为参数是服从共轭分布的随机变量,增加了模型不确定性使之更加符合锂离子电池容量的退化过程.利用自助法获得先验分布参数初始值,由共轭分布的性质可以得到后验分布的类型,由此得到简便的参数估计方法.粒子滤波可对每一时刻的参数及退化状态进行估计和更新,根据提前设定的状态阈值可以预测电池的剩余寿命.具体实例验证了方法的准确性,该方法对可靠性高、样本量少的电池的剩余寿命预测有借鉴意义.     

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.     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

基于可靠性分析与状态监测的钻井泵剩余工作寿命预测

在对大量同类钻井泵的大修间隔时间数据进行概率统计分析的基础上,求得与钻井泵的运行可靠度相关的特征参数,在宏观上提供钻井泵寿命预测的依据.动力端中情况最差的轴承的寿命可代表钻井泵的寿命,所以将状态监测所得的经优选的各域振动信息作为神经网络系统的模糊输入向量,通过径向基神经网络求出轴承的故障隶属度,作为轴承理论寿命计算公式的修正系数,由此解决钻井泵剩余工作寿命的预测问题,进而获得钻井泵剩余工作寿命.实际预测结果证明了预测方法的科学性和合理性.     

基于LSTM-CAPF框架的岸桥起升减速箱轴承寿命预测方法

岸桥起升减速箱轴承的健康状况对港口生产安全具有重要意义.针对岸桥变工况的工作条件,提出一种起升减速箱轴承的剩余使用寿命(RUL)预测框架.首先,对工作载荷进行离散化,并确定工况边界.然后,利用长短时记忆(LSTM)网络模型预测载荷和相应的运行工况.其次,以维纳过程为基础,建立了考虑不同工况下退化率和跳变系数的状态退化函数.最后,利用工况激活粒子滤波(CAPF)方法预测轴承退化状态和RUL.采用NetCMAS系统采集的上海某港口起升减速箱轴承全寿命数据验证了所提出的预测框架.与其他3种预测模式比较表明,所提出的框架能够在变工况条件下获得更准确的退化状态和RUL预测.     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

基于剩余强度衰减退化的非线性累积损伤准则及其可靠性定寿

零件的疲劳破坏是一个损伤逐步累积、承载能力逐步下降的过程,其疲劳强度随其承受的载荷和频次而不断衰减.通过研究疲劳过程中材料剩余强度衰减退化的规律,从疲劳损伤的定义出发,把剩余强度退化通过一个衰减系数引入到损伤的定义中,提出考虑材料强度性能退化的非线性累积损伤模型来修正Corten-Dolan理论模型.该模型不但考虑了载荷间的相互作用效应,而且还考虑了载荷加载历史引起的强度退化的影响.同时提出了一种基于剩余强度衰减退化的零件疲劳寿命可靠性分析方法,即在假设剩余强度分布服从对数正态分布下,用零件的剩余疲劳损伤强度计算疲劳可靠度和预测零件疲劳可靠性寿命.通过基于修正Corten-Dolan模型的疲劳寿命预测和算例对比分析,该模型完善了传统Corten-Dolan理论模型的适用范围,提高了预测精度.以恒幅载荷作用下的疲劳可靠性描述为例,通过对比模型分析值和实验值,证实了基于剩余强度衰减退化的疲劳寿命可靠性分析模型的可行性,并可以推广至多级载荷作用下的疲劳可靠性寿命的预测.     

基于支持向量机的机械零件剩余寿命区间估计

为提高机械零件剩余寿命估计精度,提出了一种基于支持向量机(support vector machine,SVM)的剩余寿命区间估计模型.简要介绍SVM的线性及非线性理论,分析SVM输入变量与输出变量间的统计关系,将机械零件性能退化指标和剩余寿命分别作为SVM输入变量及输出变量.假设输入变量与残差相互独立且残差分布类型已知,采用极大似然法估计残差的分布参数,在此基础上推导一定置信水平下SVM输出变量置信区间.将均方误差作为SVM预测误差的衡量指标,应用变步长网格搜索法确定SVM参数.通过实例说明所提模型能够准确对机械零件剩余寿命进行区间估计,具有较强的工程应用价值及通用性.