基于LSTM-DBN的航空发动机剩余寿命预测

针对航空发动机剩余寿命(remaining useful life, RUL)预测中多传感器监测数据维度高、规模大以及时间序列信息考虑不充分等问题,提出一种融合长短时记忆(long short-term memory, LSTM)网络和深度置信网络(deep belief network, DBN)的RUL预测方法。首先,利用LSTM分别对单一传感器进行时间序列预测。其次,将预测结果整合输入到DBN进行健康指标提取。再次,结合健康指标预测曲线和失效阈值得到RUL预测结果。最后,利用商用模块化航空推进系统仿真数据集开展实验,并与已有方法进行对比分析,验证了该方法的可行性和有效性。     

基于灰色模型与LSTM网络的旋转机械轴承寿命预测

大型机械设备中旋转机械占到总量的80％,为及时掌握其工作状态,开展如何旋转机械轴承的寿命预测精度的仿真研究.首先,通过可靠性数值(confidential value,CV)量化评估工作状态;然后,利用数据变换和累加积分的方法优化数据平滑性与背景值来改进灰色模型;并与长短时记忆网络结合为新预测模型来预测系统工作状态;最...     

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。     

基于混沌算子网络的时间序列一步预测方法

为解决时间序列的一步预测问题,提出了一种基于混沌算子的预测网络.混沌算子具有复杂的动力学行为,根据各算子所处的不同状态,利用加权方法计算出时间序列下一时刻的预测值.根据预测值与实际值的误差,利用混沌优化方法动态地调节混沌算子的参数,逐渐提高网络的预测精度.利用该方法分别对混沌以及实际股票价格等复杂时间序列进行了仿真预测.仿真结果表明,该方法可以对具有内在确定性的系统进行有效的预测.     

基于随机滤波模型的老年人剩余寿命预测

自理能力是老年人健康状况的重要指标,但其与剩余寿命之间的关系一直缺乏严格的量化研究.本文根据中国营养健康调查中不小于55岁人群的自理能力面板数据,构建随机滤波模型预测其剩余寿命概率分布,并采用拟合优度检验测试模型的准确度.研究结果表明,自理能力和健康状况有着密切的关系,是老年人剩余寿命的重要指征;在生化指标难以得到时,构建的模型可以通过观察老年人的自理能力有效地预测其寿命分布.这为人群健康管理所倡导的关注老年人自理能力提供了科学依据,并对人寿保险公司根据老年人自理能力来确定寿险的费率提供了重要参考.     

基于LSTM模型的恐怖袭击事件发生时间预测

针对部分地区恐怖袭击短期内频发的问题,提出了基于长短时记忆(LSTM)神经网络模型的恐怖袭击事件发生时间预测方法.首先,建立了恐怖袭击事件演化模型,对局部地区存在的恐怖袭击事件短期内数量剧增现象进行了分析.其次,以演化模型为基础从全球恐怖主义数据库(GTD)中提取出17项代表恐怖袭击事件特性的指标,并构建了用于预测的LSTM模型.采用伊拉克2001年9月至2016年底的恐怖袭击事件数据进行实验分析.结果表明,基于LSTM的预测方法能够较准确的预测短期内恐怖袭击事件的发生时间.     

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。     

基于神经网络的非线性时间序列预测方法研究

本文提出了一种基于神经网络进行非线性预测的方法，对ＢＰ模型应用于非线性预测了较详细的研究和探讨，应用该方法对经典非线性时序信号进行预测，并与传统预测方法（ＴＡＲ预测法）效果进行了比较，结果证明神经网络预测方法（ＡＮＮ预测法）具有十分明显的优势。     

基于混沌吸引子的时间序列预测

本文提出一种新的时间序列预测技术。对于一个经诊断存在混沌吸引子的时间序列,根据相空间中混沌吸引子的分形等特性,建立依赖于预测点邻界状态的预测模型;综合存在于原时间序列中确定线性趋势的外推结果,实现对原时间序列的短期预测。     

Remaining useful lifetime prediction for equipment based on nonlinear implicit degradation modeling

Nonlinearity and implicitness are common degradation features of the stochastic degradation equipment for prognostics.These features have an uncertain effect on the remaining useful life(RUL) prediction of the equipment. The current data-driven RUL prediction method has not systematically studied the nonlinear hidden degradation modeling and the RUL distribution function. This paper uses the nonlinear Wiener process to build a dual nonlinear implicit degradation model. Based on the historical me...     

基于多源信息融合与HMM的剩余寿命预测

针对设备剩余使用寿命预测问题, 提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先, 针对发动机结构复杂、监控数据参数多等问题, 提出一种基于传感器信噪比和主成分分析(principal component analysis, PCA)降维的多源传感器数据融合方法。在此基础上, 利用样本数据训练高斯混合隐马尔可夫模型, 同时为降低模型偏差并避免过拟合风险, 提出一种“定制”策略训练方法, 训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后, 通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证, 并与几种具有代表性且预测精度较高的文献方法进行了比较分析, 验证了方法的有效性。     

基于改进相似性的装备部件剩余寿命预测及经济性储备策略

针对传统基于相似性的剩余寿命(remaining useful lifetime, RUL)预测方法未考虑运行条件差异, 从而影响预测准确性及部件储备策略科学性的问题, 提出一种基于改进相似性的装备部件RUL预测及经济性储备策略。基于提出的改进相似性方法, 区分装备部件的运行条件类别, 通过各类别内服役部件和参考部件的性能状态相似性, 预测服役部件的RUL; 基于RUL预测结果, 以装备部件维修储备总费用最低为目标, 以资源利用率为约束, 建立经济性储备策略决策模型; 采用差分进化算法对模型寻优求解, 得到最优装备部件储备策略。实例分析表明, 所提方法能够有效提升RUL预测的准确性和部件储备策略的科学性, 具备工程应用价值。     

基于贝叶斯融合与仿真的系统剩余寿命预测

针对复杂设备的系统级剩余寿命预测问题,提出一种将贝叶斯理论与仿真相结合的融合预测方法.首先,采用仿真方法将单机级的多源失效信息折合到系统级,并转化为验前分布.然后,结合系统级的现场试验数据,获得多源信息的验后分布,并通过加权融合确定联合验后分布,从而预测系统的剩余寿命.最后,以某系统作为实例进行方法验证.结果 表明,所...     

基于神经网络的符号化飞行动作识别

飞行动作识别是飞行训练评估和空战智能决策等多项关键技术的基础, 实现飞行动作的快速高效识别具有重大意义。对此, 提出一种基于神经网络符号化模型的方法, 实现对基本飞行动作和复杂飞行动作高效识别。首先, 利用微分分割的思想对飞行参数进行切片处理, 然后通过卷积神经网络(convolutional neural networks, CNN)和长短期记忆(long-short term memory, LSTM)神经网络实现飞行动作的模块化处理, 有效代替了传统方法中对原始数据的逻辑推理。并且该方法可以利用基本飞行动作对飞行过程实现飞行数据分割, 具有良好的扩展性, 能够快速处理批量飞参数据。最后对13种基本飞行动作、两种复杂飞行动作和整段飞行数据进行仿真实验。仿真结果表明, 该方法具有良好的识别性能。     

基于磨耗数据驱动模型的轮对镟修策略优化和剩余寿命预报

基于广州地铁车辆轮对的磨耗实测数据, 首先针对踏面直径和轮缘厚度两个型面参数以及镟修比例系数, 给出了一种轮对磨耗的数据驱动模型. 根据轮对应用要求, 提出一种轮对镟修的控制限策略. 在前述轮对磨耗模型的基础上, 给出了该镟修策略的蒙特卡罗仿真步骤. 然后应用蒙特卡罗仿真方法, 实现以期望费用率最小为目标的轮对镟修策略优化, 并给出轮对剩余寿命仿真预报. 研究结果表明: 当轮缘厚度减少到27 mm至27.5 mm时, 通过镟修将轮缘厚度恢复到29mm至30mm, 这样的镟修策略能降低轮对镟修期望费用率, 并延长轮对期望使用寿命; 提出的轮对剩余寿命仿真预报法能够给出某时刻轮对剩余寿命的概率密度分布.     

基于LSTM神经网络的短期轨道预报

针对基于动力学模型的轨道预报方法对卫星自主轨道预报与大量非合作目标轨道预报中存在建模成本过高和缺少目标空间环境信息的问题,提出一种基于误差数据驱动的神经网络轨道预报方法.该方法在解析法动力学模型的基础上,使用长短期记忆神经网络对历史轨道预报的误差进行学习,预测未来短期动力学模型的预报误差,以此对预报结果进行修正.选用A...