考虑测量误差和随机效应的设备剩余寿命预测#br#

针对非线性退化设备的剩余寿命预测问题,尚未系统研究考虑测量误差和随机效应的退化建模、先验参数估计及相应的剩余寿命预测方法。首先建立考虑测量误差和随机效应的非线性Wiener退化模型;利用同类设备历史监测数据,基于期望最大化算法估计出退化模型中固定系数和随机系数先验分布;采用状态空间模型描述目标设备当前监测状态,基于Kalman滤波算法迭代估计出随机系数后验分布和当前真实退化状态;利用全概率公式,推导出考虑隐含状态估计不确定性的设备剩余寿命的概率密度函数;仿真实例分析表明,所提方法较现有方法在参数估计误差和剩余寿命预测精度上具有一定优势。     

考虑随机失效阈值的设备剩余寿命在线预测

退化失效阈值是影响设备剩余寿命预测的重要因素。针对现有剩余寿命预测方法忽略失效阈值随机性影响的问题,提出考虑随机失效阈值的设备剩余寿命在线预测方法。首先,基于带测量误差与随机效应的非线性Wiener过程构建设备退化模型;其次,采用极大似然估计(maximum likelihood estimation, MLE)算法估计退化模型参数与随机失效阈值分布系数;然后,在考虑随机失效阈值的基础上推导出设备剩余寿命的概率密度函数(probability density function, PDF),并基于Bayesian原理实时更新退化模型参数,实现对剩余寿命的在线预测。最后,将该方法应用于陀螺仪剩余寿命在线预测分析,结果表明该方法能够有效提高剩余寿命预测的精度与准确性。     

随机冲击影响的非线性退化设备剩余寿命预测

退化设备的剩余寿命(remaining useful life, RUL)预测是当前可靠性领域研究的一个热点问题。基于Wiener过程,提出一种考虑随机冲击影响的非线性退化设备RUL预测方法。首先,设备连续退化过程用一个非线性Wiener过程描述,而冲击导致退化水平突变的影响由一个复合泊松过程刻画;其次,基于所建立的退化模型和首达时间概念,推导出剩余寿命概率密度函数及其近似解析解,极大地减少了数值计算时间,并提出一种基于期望最大化算法的模型参数估计方法。数值仿真和航天锂电池实例验证表明,所提方法提高了RUL预测的准确性,对于解决存在随机冲击影响的设备RUL预测问题具有一定的理论指导意义。     

基于比例加速退化建模的单台机载设备剩余寿命自适应预测

针对现有机载设备剩余寿命(remaining useful lifetime, RUL)预测方法在新研单一样本条件下, 无法应用于加速退化试验场景的问题, 本文基于比例关系模型提出了一种加速退化场景下适用于单个试验样本的自适应RUL预测方法。首先, 依据加速退化环境下Wiener过程存在的漂移/扩散系数比例关系, 构建考虑设备个体差异与测量误差的非线性随机退化模型; 其次, 针对加速退化试验存在单一受试样本的情况, 提出了基于期望最大和卡尔曼滤波联合算法的参数自适应估计方法; 然后, 基于卡尔曼滤波原理在线更新目标设备的退化状态, 并推导出设备剩余寿命的概率密度函数; 最后, 通过对单台行波管加速退化实测数据进行分析, 验证了方法的正确性和优势。     

多阶段随机退化设备剩余寿命预测方法

剩余寿命预测是系统视情维护和健康管理的重要基础.针对设备退化过程中表现出的阶段性差异,提出了一种基于累加和检验变点分析与漂移布朗运动的剩余寿命预测方法.该方法首先对获取的状态检测信息进行累加和检验,获得退化过程的最新显著变点;然后利用最新变点之后的状态检测数据对漂移布朗运动模型的参数进行极大似然估计;最后利用失效阈值的首达时间分布预测设备的剩余寿命.连续搅动水箱式反应堆仿真试验说明了所提方法的有效性.试验结果表明,所提方法能够准确地检测出退化过程的显著变化点,预测设备的剩余寿命,且预测结果波动较小,具有更好的鲁棒性.     

基于比例关系加速退化建模的设备剩余寿命在线预测

针对传统基于加速退化建模的剩余寿命在线预测方法需在特定共轭分布条件下才能实现漂移系数和扩散系数同步更新的问题,提出一种基于比例关系加速退化建模的设备剩余寿命在线预测方法.首先,在传统Wiener退化模型中引入扩散系数与漂移系数的比例关系,从建模角度保证了扩散系数与漂移系数同步更新的可能性.其次,提出一种基于两步极大似然...     

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.     

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 measured data of similar equipment,the maximum likelihood estimation algorithm is used to estimate the fixed coefficients and the prior distribution of a random coefficient.Using the on-site measured data of the target equipment,the posterior distribution of a random coefficient and actual degradation state are step-by-step updated based on Bayesian inference and the extended Kalman filtering algorithm.The analytical form of the RUL distribution function is derived based on the first hitting time distribution.Combined with the two case studies,the proposed method is verified to have certain advantages over the existing methods in the accuracy of prediction.     

基于退化特征相似性的航空发动机寿命预测

针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通〖JP2〗过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。     

Degradation data-driven approach for remaining useful life estimation

Remaining useful life (RUL) estimation is termed as one of the key issues in prognostics and health management (PHM). To achieve RUL estimation for individual equipment, we present a degradation data-driven RUL estimation approach under the collaboration between Bayesian updating and expectation maximization (EM) algorithm. Firstly, we utilize an exponential-like degradation model to describe equipment degradation process and update stochastic parameters in the model via Bayesian approach. Based on the Bayesian updating results, both probability distribution of the RUL and its point estimation can be derived. Secondly, based on the monitored degradation data to date, we give a parameter estimation approach for non-stochastic parameters in the degradation model and prove that the obtained estimation is unique and optimal in each iteration. Finally, a numerical example and a practical case study for global positioning system (GPS) receiver are provided to show that the presented approach can model degradation process and achieve RUL estimation effectively and generate better results than a previously reported approach in literature.     

云边端架构的装备精确维修平行仿真系统

针对装备精确维修需求,在前期装备平行仿真相关研究成果基础上,优化完善了装备剩余寿命预测平行仿真算法,提出并设计了“云–边–端”架构的装备精确维修平行仿真系统。该系统在装备现场采集装备状态数据,边缘设备进行预处理,进而在云端由与实装平行运行的仿真模型,动态预测装备剩余寿命,并将预测结果应用于装备维修方案的制定与推演,为装备精确维修提供支撑。     

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,所提方法为系统剩余寿命预测提供了一条可行思路, 并能够在工程实践中运用。     

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。     

不完全维修下海底腐蚀管道剩余寿命预测

本文提出了一种在考虑不完全维护影响下的腐蚀管道分阶段退化模型和剩余寿命预测方法.首先,设其全寿命周期内进行3次不完全维护,则退化过程为4个阶段;其次,在维护活动干预下的非线性分阶段随机扩散过程框架下,对其退化规律进行建模,推导首达时间意义下剩余寿命概率分布,实现实时剩余寿命估计;然后,利用状态监测数据和维护数据对模型参数进行极大似然估计和贝叶斯更新;最后通过实例验证所提参数估计和寿命预测方法的有效性.结果表明:该模型能很好地描述不完全维修下腐蚀管道分阶段退化过程,能够给出可信的可靠性评估结果,使得腐蚀管道具有较高的安全运营等级,克服了传统方法过维修或欠维修带来的不利影响,降低了维修成本.