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。     

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。     

基于数字孪生的高温高压容器寿命预测

为解决高温高压容器剩余寿命在线预测难题,提出一种基于数字孪生的高温高压容器剩余寿命预测模型构建方法。该方法基于实时工况条件,采用ANSYS仿真模型进行耦合仿真,获取高温高压容器一定时域物理场,通过多轴蠕变损伤模型建立高温高压容器剩余寿命预测样本数据集,利用Tent-SSA优化的BP神经网络算法进行训练预测,建立机理模型与机器学习融合驱动的数字孪生高温高压容器寿命预测模型。最后以某型钠冷快堆蒸汽发生器关键部件的管板作为对象,试验结果表明该预测模型总体均方误差由优化前的3.2197E-02降低至7.7449E-03,模型更稳定且鲁棒性强、收敛快。     

基于深度学习与粒子滤波的刀具寿命预测

刀具在加工过程中会受到材料的挤压、摩擦、冲击与腐蚀等因素影响,导致切削刃出现崩刃、磨损等现象.这些现象使得工件尺寸出现偏差,严重时甚至会对机床和人员带来伤害.有效的刀具剩余使用寿命预测可以提高加工效率,保证加工精度,降低加工成本,因此具有重要的研究价值.针对反映刀具磨损程度的趋势性特征自学习提取与刀具剩余使用寿命预测问题,提出了基于深度学习与混合趋势粒子滤波的刀具剩余使用寿命预测方法.使用刀具未发生磨损的信号特征训练降噪自编码器,然后将刀具各磨损阶段下的信号特征输入训练好的降噪自编码器中,提取其重构误差作为单调性特征,为了解决样本数量不足带来的过拟合的问题,对原始样本进行了加噪处理.考虑到传统粒子滤波算法进行刀具剩余使用寿命预测的过程中无法自适应调整状态方程,提出混合趋势粒子滤波算法来实现刀具剩余使用寿命预测.采集刀具全寿命周期的切削力信号并进行处理与分析,分析结果证明了所提方法能够有效实现反映刀具磨损的趋势性特征自提取,该特征提取方法可以减少人为因素的影响,降低训练成本,同时,相比于传统粒子滤波,混合趋势粒子滤波算法对刀具剩余使用寿命预测精度更加准确可靠.     

基于数据融合与GRU的航空发动机剩余寿命预测

针对深度学习构造复合健康指标可解释性差,预测结果难以量化发动机剩余寿命预测中的不确定性问题,提出一种基于数据融合与门控循环单元(GRU)的航空发动机剩余寿命预测方法。首先,将多源传感器数据加权融合构造一维复合健康指标;然后,利用Bootstrap方法对一维复合健康指标进行有放回抽样,获取n组发动机退化特征样本;最后,利用一维复合健康指标和n组发动机退化特征样本构建“n+1”个基于GRU的剩余寿命预测模型,实现对航空发动机剩余寿命的区间预测。为证明所提方法的可行性和优越性,采用涡扇发动机退化数据集(C-MAPSS)的数据进行实验,得到的均方根误差为15.825 4,评分函数值为344.210 5。结果表明,该方法不仅能获得较好的预测效果,还能有效解决深度学习在发动机剩余寿命预测中存在的缺陷。     

多源统计数据驱动的航空发动机剩余寿命预测方法

针对统计数据驱动方法中多变量无法建立退化模型的问题,提出了一种多源统计数据驱动的航空发动机剩余寿命(RUL)预测方法。建立了基于欧氏距离的航空发动机监测信息融合模型,综合多源监测数据以量化发动机健康状态退化过程;构建了基于非线性漂移维纳过程的航空发动机退化模型,推导发动机剩余寿命概率密度函数解析式,实现对发动机剩余寿命的估计。选取C-MAPSS数据集进行仿真实验,结果表明,与已有研究结果相比,所提方法预测结果在确定系数和惩罚得分两项均有所改进。该方法可为其他非线性退化系统的RUL预测提供一定的参考。     

基于双通道模型的航空发动机剩余寿命预测

针对现阶段航空发动机单一剩余使用寿命预测模型数据挖掘深度不足导致预测精度低的问题,提出一种双通道模型的预测方法。首先,构建双通道网络结构：通道一使用时间卷积网络,通过残差结构和空洞卷积使得网络具有更大的感受野和计算速度;通道二使用卷积长短时间记忆网络,提取多维时空特征,捕捉数据长期依赖关系。其次,利用多头注意力机制为双通道网络特征重新赋予权重。最后,将双通道网络进行特征融合输出,实现对航空发动机剩余寿命预测。使用涡扇发动机退化数据集进行实验验证,并与其它文献中提到的卷积双向长短时间记忆网络模型、多特征注意力模型、多头注意力模型、卷积门控单元循环神经网络模型进行对比。结果表明,所提模型在3种评价指标上均取得更好的表现,为航空发动机剩余寿命预测提供了一种新思路。     

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.     

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.      

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.     

拧紧力矩对复合材料层合板与金属板连接强度影响

航空发动机结构复杂，状态变量多且相互之间存在着严重非线性特征，传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命（RUL）。针对此问题，采用改进的卷积神经网络(CNN)方法对发动机剩余寿命进行预测。预测过程通过建立退化模型，给每个训练样本添加RUL标签；为了更好地提取发动机使用过程中状态变量与剩余寿命之间的相关关系，使用不同的一维卷积核提取序列趋势信息特征；将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性，在NASA提供的涡轮风扇发动机仿真数据集(C MAPSS)上进行了测试，并与深度信念网络等方法对比，结果表明改进的卷积神经网络拥有更高的精度。     

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PCA-NARX的锂离子电池剩余使用寿命预测

目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析（PCA）特征融合与非线性自回归（NARX）神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.      

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。     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

考虑不确定测量的惯性平台剩余寿命自适应预测

针对现有剩余寿命预测方法未考虑测量误差引起的不确定性,且存在预测不确定性大的问题,提出了一种基于Wiener过程的退化过程建模方法,并将测量的不确定性考虑到剩余寿命预测中,推导出了剩余寿命的概率分布。为了实时更新模型参数,利用Kalman滤波算法实时估计Wiener过程中的漂移系数,并利用期望最大化算法实时估计其它相关参数。以某型号惯性平台的退化测量数据为例,进行了实验验证,结果表明,相比其它算法,文中算法能够降低剩余寿命预测的不确定性,提高预测精度。     

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．     

融合寿命数据和退化数据的防喷阀剩余寿命预测

为了解决目前利用Wiener过程对产品进行寿命预测时,由于考虑个体差异至少需要对模型的三个参数进行估计从而导致计算量较大的问题,提出了利用个体方差和总体方差的相关关系以减少待估计参数个数的寿命预测方法。利用历史寿命数据和实时退化数据,采用Bayes估计和EM(expectation maximization)算法得到性能退化信息的参数值,从而得出防喷阀的剩余寿命的概率密度函数及相关分布。仿真结果表明所提方法不仅减少了待估计参数的个数,使计算过程更简单有效,而且有效提高了剩余寿命的预测精度。     

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。