基于剩余寿命的劣化系统最优维修策略

考虑Gamma型劣化可替换系统的最优观测/替换策略问题,给出了基于剩余寿命的观测函数,得到期望单位时间维修费用最小化准则下的最优维修策略.相对于传统的非周期观测策略,该方法只需要一个比例风险系数参数来确定检测时间,从而降低了策略优化过程的复杂性.数值模拟表明在系统长期使用的单位时间维修费用上,基于平均剩余寿命的策略可以得到比一些基于状态的维修策略更优的结果.     

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。     

具有不确定测量的非线性随机退化系统剩余寿命预测

提出了一类同时考虑不确定测量和非线性随机退化的退化建模方法,通过Kalman滤波技术对受不确定测量影响的潜在退化状态进行实时估计;基于此,通过首达时间的概念得到了同时考虑退化非线性特征、退化状态不确定性及测量不确定性的剩余寿命分布;此外,提出了一种基于极大似然方法的退化模型参数估计方法,并通过陀螺仪的退化测量数据验证了所提方法可以提高剩余寿命估计的准确性.     

基于无序测量粒子滤波的锂电池剩余寿命预测

锂电池是一种复杂的电化学系统,其容量衰退呈非线性退化,粒子滤波(particle filter, PF)算法作为解决非线性非高斯问题的有效算法经常被用于锂电池剩余寿命预测。针对PF算法中的模糊测量问题,提出无序测量粒子滤波(out of sequence measurement particle filter, OOSMPF)算法对锂电池剩余寿命进行预测。首先利用锂电池加速充放电所获得的容量衰退数据与充放电循环次数建立双指数模型,然后采用OOSMPF算法对锂电池剩余容量进行预测,进而得出锂电池剩余寿命。试验结果显示,本研究提出的OOSMPF算法与PF算法相比,在对三组锂电池寿命的预测上,剩余寿命误差分别降至7次、15次和5次,因此OOSMPF算法更适合用于锂电池剩余寿命预测。本研究能为新能源汽车上的锂电池剩余使用寿命预测提供方法参考。     

一种混合退化系统剩余寿命预测方法

针对传统的预测方法不能同时考虑线性和非线性退化问题,提出了一种基于维纳过程的带随机参数和确定参数的混合退化模型.基于首达时间(FHT)的概念给出了剩余寿命(RUL)的解析渐进显式形式,模型中随机参数通过Kalman滤波技术实时更新,确定参数采用极大似然估计进行估计.最后,采用陀螺仪实验数据验证了该方法的有效性.     

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.     

腐蚀管线的剩余寿命预测

预测管线的腐蚀变化趋势及腐蚀对管线结构完整性的危害是评价管线剩余寿命的关键步骤。将影响管线剩余寿命的各种因素看成是分布各异的随机变量，建立了预测管线失效的概率数学模型。利用这一模型，研究了腐蚀速率、缺陷深度、管道壁厚和工作压力等因素对管线可靠性的影响。结果表明，各参数的不确定性越大，管线的可靠性越低；缺陷深度在腐蚀缺陷形成初期，对管线的可靠性有很大影响，而随着时间的推移，腐蚀速率将对管线的可靠性有较大影响。对一条输油管线，基于管线腐蚀检测数据，对1km长度的管道进行失效概率统计分析得到的腐蚀速率能够对管线全线的安全状况做出合理预测，从而为管线的进一步维修与检测提供参考资料．     

现役水工钢闸门结构剩余寿命的预测

基于可靠性原理，确定了现役钢闸门结构构件最低可靠度设置标准．采用类比的方法确定了现役钢闸门结构可靠度评估时荷载的统计参数，建立了钢闸门结构构件抗力的衰减模型．在此基础上，提出了基于可靠度理论的现役钢闸门结构剩余寿命预测算法，并以受弯构件为例，对其剩余寿命进行了预测．结果表明，提出的方法在预测闸门构件剩余寿命时是有效的．     

基于裂纹失效路径的压力容器剩余寿命预测新方法

裂纹的扩展行为研究是压力容器剩余寿命预测的关键与基础。针对目前难以准确预测压力容器表面裂纹剩余寿命的状况,通过建立压力容器表面裂纹的受力模型,利用有限元方法分别计算出裂纹表面点与最深点处的应力强度因子,得到裂纹深度a与长度c的变化之比,运用压力容器仿真系统进行路径仿真与失效速率仿真,得到裂纹在安全区域的临界拐点及临界值aN。实例计算结果表明,表面裂纹的失效路径能够直观准确的表示裂纹的扩展规律,进行有效的剩余寿命预测。     

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...     

基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力（ProbSparse Self-Attention）的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。     

基于粒子滤波的锂离子电池剩余使用寿命预测

锂离子电池因其循环寿命产生的问题更加被重视。为了对锂离子电池的剩余循环使用寿命进行预测研究,采用了粒子滤波算法。首先对粒子滤波算法进行了概述。然后用它对电池的剩余使用寿命预测。简要描述了3组电池数据下的实验;并与扩展卡尔曼滤波进行了对比实验分析。实验结果表明了粒子滤波算法在3组数据下的绝对误差平均值近似4%,均方根误差平均值近似5%,扩展卡尔曼滤波的绝对误差平均值和均方根误差平均值分别近似6%和7%。说明了粒子滤波在锂离子电池剩余使用寿命预测中比扩展卡尔曼滤波精度更高。     

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。     

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.      

锂离子电池健康状态估计与剩余寿命预测

针对锂离子电池健康状态(state-of-health, SOH)估计与剩余有效工作时间(remaining useful life,RUL)预测进行探讨. 提出了一种利用SOH参数反应电池状况,并且建模预测电池RUL的方法. 改进了现有研究成果在RUL预测中不能更新其概率密度的缺陷. 同时应用支持向量回归机(SVR-PF)改进标准粒子滤波算法具有粒子贫化效应的缺点. 仿真结果表明提出的参数准确地反应了电池的状况,同时也准确地预测了电池的RUL;SVR-PF具有比粒子滤波更强的平滑与预测能力.