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.     

基于改进卷积神经网络的航空发动机剩余寿命预测

完成了不同拧紧力矩下复合材料层合板与金属板单钉连接拉伸静强度实验。建立了三维有限元模型,对层合板失效过程进行了分析。基于实验数据调整了层合板初始刚度,对数值模型进行了修正。修正后数值计算模型的连接强度与实验数据基本吻合。由分析可知,拉伸实验曲线达到强度极限前呈现近似双线性特征,斜率突变处发生了载荷衰减波动。试件接触面经历了初始静摩擦-瞬时动摩擦-静摩擦平衡的动态过程。M6螺栓拧紧力矩为8 N·m时,静载拉伸强度最大。连接强度的试验值与计算值误差均在6.7%以内。合适的拧紧力矩可获得最佳的连接强度,拧紧力矩过大会导致连接强度降低。     

基于灰色理论的海底管道腐蚀剩余寿命预测方法

以灰色理论的基本模型为基础,探讨了灰色模型的改进方法.分析了海底管道腐蚀因素与腐蚀量之间的规律以及应用灰色理论进行剩余寿命预测的可行性.提出了基于灰色理论的海底管道剩余寿命预测方法.利用灰色理论预测腐蚀海底管道剩余寿命的步骤主要包括:最小允许厚度的确定,腐蚀速率的预测以及剩余寿命预测.利用该方法,可以在测量数据很少的情况下预测海底管道的剩余寿命.     

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.     

基于状态空间的惯性测量组合剩余寿命在线预测

实时准确的剩余寿命预测能够为惯性测量组合的维护策略安排提供有效的决策支持。由于反映惯性测量组合退化状态的性能指标不能直接监测或直接测量带有噪声,因此需要构建状态空间模型预测惯性测量组合的剩余寿命。考虑到惯性测量组合的性能退化指标随时间呈现非线性特征,首先采用基于非线性漂移的Brown运动(Brownian motion,BM)建模其退化状态,然后基于构建的状态空间模型,利用期望最大化(expectation-maximization,EM)算法和Kalman滤波(Kalman filter)实时估计和更新退化状态和模型未知参数。并且将状态估计的分布函数引入剩余寿命的预测过程,近似得到了剩余寿命分布的解析形式,实现了剩余寿命的实时预测与更新。最后,对惯性测量组合的剩余寿命实时预测问题进行了实验分析,结果表明该方法具有较高的预测精度与较小的预测不确定性。     

继电保护设备剩余寿命预测的智能算法研究

阐述了剩余寿命预测不仅可以提高电力系统继电保护设备检修效率,同时能够丰富国网电力设备的全生命周期管理.针对JC市供电公司的继电保护设备及其数据特征,根据属性相关的变量安装日期、损坏日期、当前日期和设计寿命,定义设计生命历程和实际生命历程.利用支持向量回归、回归树和随机森林三种方法对无监测设备的剩余寿命进行预测.案例分析表明随机森林的预测方法效果最佳.     

锅炉过热器剩余寿命非等间隔灰色预测

为预测锅炉过热器剩余寿命,利用超声波技术对已运行12a的某锅炉过热器管内壁氧化膜厚度进行无损测量,并以等间距时间序列为基础,把非等间距数列转化为等间距时间序列,进行1次累加生成处理,建立锅炉过热器剩余寿命非等间隔灰色预测模型GM(1,1);利用锅炉过热器管内壁氧化膜厚度部分检测数据对锅炉过热器剩余寿命进行非等间隔灰色预测。研究结果表明:锅炉过热器剩余寿命非等间隔灰色预测结果精度高,该锅炉过热器剩余寿命至少还有3.7a。     

基于灰色-神经网络的核动力设备运行趋势预测

根据核电设备运行参数的历史数据,利用灰色系统GM（1,1）预测模型建立动态微分方程,并预测其发展趋势。如果原始数据序列呈线性变化且还原值序列的相对误差平方和较大,则用BP神经网络对GM（1,1）的预测结果进行修正,以提高预测精度。文中以二回路辐射剂量率的预测为例,对该方法进行了仿真实验验证。验证结果表明,用BP 神经网络对GM（1,1）的预测结果进行修正相比较GM（1,1）预测模型,预测精度得到了显著提高。     

基于灰色理论的含腐蚀缺陷油气管道剩余寿命预测分析

含腐蚀缺陷油气管道剩余寿命预测是管道完整性及安全性评价的重要组成部分.以灰色理论的基本模型为基础,提出了管道剩余寿命预测的一种方法,包括预测腐蚀速率的基本步骤以及根据腐蚀速率预测剩余寿命的基本方法,为油气管道腐蚀检测周期的确定提供了一种依据.     

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。     

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WS-LSTM的海底管道剩余寿命预测

海底管道处在一个恶劣且不可接触的环境中,它的安全运行受到诸多挑战.为了保障海底管道的安全稳定运行,需对其剩余寿命进行预测,但传统的海底管道剩余寿命预测过多依赖专家经验且预测精确度较低.为了使海底管道剩余寿命预测的精确度进一步提高,本文提出基于WS-LSTM的剩余寿命预测方法,即基于小波变换(wavelet trans-...     

基于模糊神经网络的齿轮剩余寿命预测模型研究

齿轮及其齿轮产品是机械设备的基础元件,齿轮传动形式是机械装备常见的传动形式之一,运行是否正常直接影响到整台机械设备。利用状态监测信息分析其退化性能,建立适当的模型研究退化特征的发展趋势、预测设备剩余寿命,为制定更合理的维修计划和更换策略、确定维修周期提供先决条件。基于设备性能退化数据建模进行剩余寿命研究,提出基于改进型自适应神经模糊系统的学习算法。此算法融合了多测点的实时监测信息,增加记忆单元于模糊层节点上,将上一时刻信息记忆并应用到此刻的输出上,有效地提高了网络模型的预测精度。最后以齿轮弯曲疲劳寿命预测为例,验证改进的预测模型随着迭代次数的增多,误差相比传统的自适应神经模糊系统降低很多。     

车用三效催化转化器剩余寿命的非等间隔灰色预测

为了有效预测车用三效催化转化器的剩余寿命,在进行快速老化试验后,采用氮吸附法测定三效催化转化器比表面积,并在其实验比表面积减小率的基础上采用非等间隔灰色预测模型对车用三效催化转化器剩余寿命进行预测,并对其预测结果的残差进行后验差检验.研究结果表明:在进行快速老化试验204 min后,比表面积减小6.42％,即车用三效催化转化器耐久性寿命至少还有12万km:后验差比值C＜0.35,小误差概率P＞0.95,表明车用三效催化转化器剩余寿命的非等间隔灰色预测模型预测结果具有较高的精度.     

大数据背景下相似性设备剩余寿命预测研究进展

剩余寿命预测是设备故障预测与健康管理的重要组成部分,准确预测设备剩余寿命将有助于决策者及时制定维修策略,避免巨额的失效损失。随着物联网和大数据技术的发展,实时监控设备的运行状态变得越来越便利,为改进和发展设备剩余寿命预测方法奠定了坚实基础。基于相似性的设备剩余寿命预测方法不需要假设设备退化模型,而是通过大数据分析设备间运行状态的相似性进行预测,具有很高的预测精度和强鲁棒性。本文从健康指标构建、相似性度量选取、数据融合等方面,对基于相似性的设备剩余寿命预测方法进行了梳理总结,分析比较了相应性质。文章最后对基于相似性的设备剩余寿命预测方法的未来研究方向进行了探讨。     

基于融合方法预测锂离子电池剩余寿命

为了准确地预测锂离子电池剩余寿命,创新性地用无迹卡尔曼、遗传算法和粒子滤波算法融合得到的融合方法研究了锂离子电池剩余寿命预测。用无迹卡尔曼算法的滤波结果所构造的建议分布代替标准粒子滤波算法中的重要性密度函数,用遗传算法的选择、交叉和变异过程代替其重采样过程,将3种算法相融合,用于电池的剩余寿命预测。结果表明,相较于标准粒子滤波算法的估算结果,所提的融合方法有效地降低了粒子退化程度,并抑制粒子多样性丧失,其对电池剩余寿命预测的误差更小,更接近实际值。用该融合方法预测锂离子电池剩余寿命时有更高的精确性和适用性。     

基于神经网络的铅酸蓄电池剩余容量预测

为有效地对电动车电池剩余容量进行预测,在分析了铅酸蓄电池充放电过程的反应机理的基础上,应用改进算法的BP神经网络,建立了铅酸蓄电池的神经网络模型,用于预测铅酸蓄电池放电过程中某一状态下的剩余容量。结果表明,通过该网络模型可以方便快速地得到电池剩余容量及荷电状态的预测值,所得结果满足要求,为电池管理系统提供了一种新的预测方法。     

基于灰色前馈神经网络的流行色预测

提出结合灰色理论和前馈神经网络的流行色预测模型GLMBPNN(Gray Levenberg-Marquardt Back Propagation Neural Network),并利用Levenberg-Marquardt算法提高传统BP(Back Propagation)神经网络模型的学习速率.运用灰色理论学习历史数据的变化规律,对数据进行灰化处理,再对比目标值与BP网络的初始输出值,不断进行逆向反馈修正,训练完毕后通过仿真、白化处理得出流行色预测值.研究表明,GLMBPNN模型预测所得的流行值比灰色模型方法所得值的精度高,且比传统BP神经网络的收敛速度快.     

基于混沌神经网络的蓄电池寿命预测

利用蓄电池对光伏系统进行供电,不可避免地会出现电压不稳等问题.而目前对蓄电池的管理主要依靠充放电实验和外观观察等技术手段,在蓄电池数量较多时,无法有效兼顾.如何科学有效地预测蓄电池寿命成为需要研究的重大课题.文章基于霍普菲尔德人工神经网络(CHNN)得到一种新的混沌神经网络模型,将它运用到光伏蓄电池的预测系统中,通过混...