基于深度强化学习的机械装备剩余使用寿命预测方法

随着机械装备发展的日益大型化和复杂化,其使用安全性和可靠性也越来越受到重视.剩余使用寿命(remaining useful life, RUL)预测技术,通过分析设备的运行数据,预测设备还能正常运行的时间,利用该技术可有效提升设备运行的安全性和可靠性,同时可为设备的后续维修决策提供关键依据.本文提出一种基于深度强化学习(deep reinforcement learning, DRL)的RUL预测方法,首先通过自编码器(autoencoder, AE)对机械装备的原始信号进行特征提取,利用提取到的特征构成强化学习的状态变量,通过设置合适的动作空间和奖励函数训练强化学习模型,使其能依据样本间的时序相关性对装备的RUL进行准确预测.与其他方法相比,强化学习方法的时序交互决策逻辑可以自然地保留样本间的时序依赖关系,降低了RUL预测的波动性.最后利用涡轮发动机数据集CMPASS对提出的方法进行实验验证,所提出的方法在RMSE和Score两项指标上均优于目前多种RUL预测方法,且所提出方法对于接近退化末期的装备预测效果有明显提升.     

孪生数据与特征增强融合驱动的装备小样本诊断方法

近年来,得益于新一代信息技术的快速发展,智能故障诊断技术在航空航天、海洋工程、汽车工业等领域得到了广泛的关注与应用.然而,一方面,智能故障诊断模型在实际应用部署时,面临着故障样本不足的难题,导致所构建的模型诊断可靠性较低;另一方面,现有面向小样本问题的智能诊断方法往往需要相关性较强的实测数据作为支撑,这极大限制了该方法的实用性.基于此,本文提出了一种孪生数据与特征增强融合驱动的机械装备小样本故障诊断方法.首先,构建机械装备的虚拟模型,并结合装备的运行机理知识和健康状态的实测数据对模型进行优化修正,以获取高保真模型,进而基于该模型获取高质量的孪生故障数据;其次,以孪生故障数据为输入,利用生成对抗网络进行装备孪生故障数据的特征增强,并将增强后的数据用于卷积神经网络模型的训练,从而实现装备的智能故障诊断;最后,以某汽车用变速器为研究对象,验证所提方法的可行性.该方法丰富了新一代工业人工智能与大数据分析理论,为现代装备的小样本智能故障诊断提供了一种新的解决思路.     

基于自热修正的SOI NMOSFETs热载流子注入效应寿命预测方法

自热效应SHE（self-heating effect）是SOI MOSFETs可靠性研究的关键问题之一.在热载流子注入HCI（hot carrier injection）应力下会导致自热效应加剧,低估器件工作寿命,使得寿命预测不准.本文提出了一种基于直流HCI应力下的0.18μmPD-SOINMOSFETs可靠性寿命预测方法.通过栅电阻法提取沟道中因自热效应产生的温度,采用自热修正后的衬底电流/漏电流比率模型预测PD-SOI NMOSFETs在正常工作电压下的寿命值,预测结果与未消除自热影响预测出的寿命值存在较大差异,说明自热修正在寿命预测中不可忽略,否则会低估器件的工作寿命.     

基于特征注意力机制的GRU-GAN航空发动机剩余寿命预测

涡扇发动机作为航空航天领域的核心设备之一,其健康状况决定了航空器能否稳定可靠地运行.涡扇发动机的剩余寿命预测是航天器设备监测与维护的重要一环.然而涡扇发动机的监测过程具有工况复杂、监测数据多样、时间跨度长等特点,针对其数据类型多且体量大、数据冗余度较高、剩余寿命预测精度较低等问题,本文通过将生成对抗网络(Generat...     

基于收缩自注意关系网络的机械装备故障智能检测与定位方法

故障检测与定位是保障机械装备长寿命高可靠安全运行的核心技术.机械装备上安置有众多的传感器,可获取海量运行状态数据,推动机械装备故障检测与定位迈入大数据时代.现有工业大数据驱动的装备故障检测与定位方法一般依赖于足够多的故障样本才能训练出高精度的故障检测模型.然而,实际工程中机械装备故障样本通常难以获取甚至没有,这严重限制了故障检测与定位方法的工程适用性.为了克服上述局限性,本文提出一种无故障样本下基于收缩自注意力关系网络(shrinkage transformer relation network, STRN)的机械装备故障检测与定位方法.首先,构建残差收缩网络,消除隐藏在输入信号中的干扰特征,并提取具有代表性的特征.然后,通过建立样本对揭示健康状态和其他状态之间的关系.最后,构建Transformer关系网络,评估样本对间的相似关系,以确定他们的状态类型.此外,建立辅助样本库协助STRN提取出机械装备的更具有代表性的健康特征.通过搭建船舶推进轴系实验台验证了STRN方法的有效性.实验结果表明,无论在单一或复合故障模式下STRN都能精准检测与定位出轴系故障位置,且具有很强抗噪声性能;与现...     

基于ConvJANET的航空发动机剩余寿命预测及其不确定性量化

航空发动机技术是衡量一个国家科技水平和工业实力的重要标志,健康状态监测和剩余使用寿命(remaining useful life, RUL)预测技术是航空发动机安全服役、经济运行的重要保障.针对航空发动机RUL预测精度较低、不确定性难以量化的问题,本文提出了一种数据驱动的航空发动机RUL区间预测方法.首先,在ConvJANET框架下构建新的卷积-卷积循环-全连接结构的深度学习模型,逐层提取航空发动机监测数据中的退化特征;其次,利用极大似然思想指导神经网络模型的优化求解,并基于损失函数形式变化的策略训练模型,实现对航空发动机RUL的高精度预测与不确定性量化.将所提出的方法用于分析航空发动机退化数据集,结果表明,对比传统基于蒙特卡洛的方法,本文提出的方法具有更高的RUL预测准确率和更好的置信区间预测性能.     

基于预测滤波器的故障诊断方法研究

提出了基于预测滤波器的非线性系统的系统故障诊断的方法, 并且给出了这种方法的故障可检测性条件, 故障的误检率和漏检率, 以及故障检测时间的上界. 通过对一个二阶非线性系统进行的仿真验证了这种方法的有效性. 结果表明预测滤波器用于故障诊断时, 具有较快的速度、较低的误检和漏检率, 并且在故障发生后仍然具有对系统状态的跟踪能力. 该方法提供的实时故障估计还可以用于在线故障补偿.     

无监督学习驱动的高端轴承故障智能诊断算法

谱峭度是用于滚动轴承故障诊断的有效方法,然而它对工程中常见的偶发性冲击特征具有高度的敏感性,常导致特征提取结果失效.为解决该问题,针对多重偶发性冲击(sporadic impulses,SIs)干扰下的时间序列峭度计算提出了一种基于无监督学习的智能评估方法.首先,根据偶发性冲击在时域上能量高度集中的特性,在时域将原始信...     

基于裂纹扩展的涡轮叶片热障涂层寿命预测模型

热障涂层在高温热循环的服役环境中会出现性能退化,最终剥离失效.本文以等离子喷涂的YSZ涂层为研究对象,基于亚临界裂纹扩展模型,引入临界能量释放率指数模型,结合改进的热生长氧化层增厚模型,推导了涂层循环失效预测模型.通过和公开的实验数据对比,验证了本文方法的准确性.之后将该模型应用于国内某型燃气轮机涡轮导叶热障涂层的寿命预测.结果表明,随着热生长氧化层的增厚,当达到临界厚度时在陶瓷层和黏结层界面会出现应力反转.陶瓷层和黏结层界面出现的拉伸应力会诱导附近微小裂纹扩展.此时热生长氧化层进一步增厚,将会加速裂纹的扩展速度,直至裂纹贯通,界面出现剥离失效.涂层寿命与服役温度呈指数递减规律,在一定范围内提高陶瓷层和黏结层界面粗糙度可以延长涂层服役寿命.本文模型对预测等离子喷涂的YSZ涂层寿命具有很好的应用价值.     

基于扩展有限元法的含损伤深滚压车轴剩余寿命预测

铁路车轴在运用过程中承受大量循环疲劳载荷,且其完整性可能被破坏,因此存在疲劳失效的风险.为防止车轴疲劳失效的发生需对含缺陷损伤车轴进行剩余寿命评估.采用用户子程序SIGINI及二次迭代法重建车轴深度方向的残余应力场,研究深滚压处理后的EA4T合金钢车轴的疲劳裂纹扩展行为.同时综合考虑车轴压装配合过程及车轴所承受的实际轮轴服役载荷谱,并基于扩展有限元方法对含初始裂纹的EA4T车轴进行应力强度因子计算.采用断裂力学评估方法对全尺寸EA4T车轴剩余寿命进行预测.研究结果表明,当初始裂纹深度方向尺寸在残余应力层范围内裂纹不会扩展;当裂纹位于车轴中部时,动、拖车车轴临界破坏尺寸分别为7和9 mm,对应剩余寿命分别为47.13万公里和101.35万公里;当裂纹位于车轮内侧圆弧过渡处时,动、拖车车轴临界破坏尺寸分别为4.5和5 mm.本研究结果可为深滚压处理后的EA4T车轴无损探伤检修间隔优化提供参考.     

基于MATLAB的煤与瓦斯突出BP网络预测方法

影响煤与瓦斯突出的各种要素与突出现象之间的关系复杂,且具有明显的非线性特点.BP人工神经网络模型可以很好地逼近这种非线性函数关系.基于煤与瓦斯突出特征指标的分析,建立了合理的单隐层结构的BP预测模型,并利用MATLAB神经网络工具箱实现了模型的训练与预测,应用结果表明,这种突出预测方法具有很高的计算效率和预测精度.     

影响AlSi9Cu2Mg微动疲劳条件的磨损因素及其寿命预测

为了探究影响AlSi9Cu2Mg铝硅合金微动磨损的因素以及对磨损状态下该材料的微动寿命进行预测,本文建立了基于Archard弹性理论的网格自适应算法,并进行了摩擦疲劳有限元模拟,讨论了滑移幅度以及磨损分区因子对微动磨损的影响;使用SWT、F多轴疲劳损伤参数与临界距离理论(theory of critical distance)对磨损状态下的微动疲劳寿命进行预测.有限元仿真结果显示,滑移幅度以及磨损分区因子对微动磨损量均产生影响,接触表面在微动接触后缘总是出现压力的峰值,由于接触后缘的应力梯度较大,证明微动裂纹总是发生在接触后缘,与实验观察到的现象一致.通过两种多轴疲劳参数及临界距离理论得到的寿命预测分布显示,无论哪一个参数,考虑磨损时的预测寿命均优于不考虑磨损时的预测寿命,且多轴疲劳参数F在考虑磨损状态下的寿命预测值与实验更为吻合.最终的结果表明,基于Archard磨损定律的自适应网格算法的有限元分析与临界距离理论的损伤参数法相结合的分析流程,可以更为有效地预测AlSi9Cu2Mg的微动疲劳寿命.     

基于PLS及时间序列法的卷烟销量组合预测方法

以A省及17个地市约七年间的销售面板数据为研究对象,首先建立三个单项预测模型,即Hoher—Winter季节乘积模型、时间序列分解法模型和偏最小二乘回归模型。在得到三个单项模型预测值之后,再运用组合模型方法,对三种模型的预测结果进行优化。实证结果显示,本组合预测方法更进一步的提高了预测精度,同时对卷烟销量预测实际工作具有借鉴意义。     

基于Lyapunov-Elman的网络控制系统时延预测方法

网络控制系统中的时延是影响系统性能的重要参数,针对基于Internet的网络控制系统中时延预测问题,提出一种最大Lyapunov指数与Elman神经网络结合的预测方法.首先对时延序列进行相空间重构,得到嵌入维数与延迟变量,然后通过最大Lyapunov指数方法与Elman神经网络对时延分别进行一步预测,将两种预测方法的预测结果通过不同的权值系数进行叠加得到最终的时延预测值.最后针对权值系数的寻优问题,提出一种改进的自由搜索算法,其收敛精度与速度都优于标准的自由搜索算法.仿真实验表明,相对于其它预测方法,本文的基于Lyapunov-Elman的时延预测方法具有较高的预测精度与较小的预测误差.     

基于最大方差展开的非线性信号降噪方法及其在故障诊断中的应用

将流形学习的思想引入信号降噪中,提出了一种新的基于最大方差展开（maximum variance unfolding,MVU）的非线性信号降噪方法.该方法首先基于相空间重构理论将含噪信号重构到高维相空间,再采用流形学习理论中的MVU算法对相空间数据进行非线性降维,将蕴含在相空间中代表吸引子的低维流形与噪声子空间分离,然后对低维流形进行逆重构,从而得到降噪后的信号.对加噪的Lorenz信号的仿真结果表明,该方法的降噪性能要优于基于KPCA的非线性降噪方法,且具有参数估计简单、参数影响不大等优点.最后将该降噪方法应用于带有轻碰磨故障的航空发动机转子―机匣系统振动信号,有效地提取出了淹没在噪声中的轻碰磨故障特征.     

因果推理引导的复杂花纹织物缺陷视觉检测深度学习方法

AI视觉质量检测是两化融合的先导场景,是复杂产品质量管控的重要手段.本文以复杂花纹织物为对象,提出因果推理引导的产品缺陷视觉检测深度学习方法,从而解决复杂背景干扰下的视觉检测难题.首先,构建复杂背景干扰下的缺陷检测结构因果模型,并提出阻断背景特征干扰的因果干预策略.其次,在因果干预策略的基础上建立缺陷特征敏感性神经网络(defect feature-sensitive neural network, DFSNN),包括两个特征提取模块(分别以同视角的无缺陷、有缺陷面料图像作为输入).然后,提出了因果关系敏感性学习模块,其差分两个特征提取模块的输出,并通过最大化输出差分来构建因果敏感损失函数,从而实现训练过程中对背景特征的阻断和对缺陷特征的敏感性学习.实验结果表明, DFSNN可有效减弱背景图案的混淆干扰,保持95%的缺陷识别准确率.     

基于小波的钦州水稻产量多时间尺度分析与预测

利用小波诊断技术对广西钦州1950～2005年水稻产量和播种面积进行了多时间尺度分析,并利用基于小波的ARIMA模型进行了预测。分析结果表明：56年来,钦州水稻总产量和单位产量波动具有明显的3a、7a和25a特征时间尺度,播种面积7a特征时间尺度主要受农村土地制度改革影响。基于小波的ARIMA模型在水稻产量、播种面积预测方面精度很高,预测误差与气象灾害和土地政策变化有关。利用基于小波的水稻产量多时间尺度分析与预测方法,可以辅助水稻产量增减周期的分析以及对未来趋势的判断,对于结合供求关系合理调整种植面积,促进农业可持续发展提供帮助。     

基于FSDP图像和DCNN的无人机起落架关键件结构损伤智能检测方法

随着无人机的应用越来越广泛,与之相适应的保障手段也需与时俱进.在人工智能快速发展的情况下,故障诊断与人工智能方法相结合为无人机保障关键技术的跨越式发展提供了重要契机,也为无人机的使用安全性与运行可靠性水平的提升提供了重要机遇.本文以结构健康监测中的超声信号分析方法为基础,针对无人机起落架关键结构件的损伤检测问题开展研究,结合深度学习模型,对结构件的损伤进行智能化检测,提高检测效率和检测精度.针对结构健康监测中损伤信号的非线性特点,提出了频谱对称点阵图案(frequency symmetrized dot pattern, FSDP)特征提取方法.在此基础上,提出了基于FSDP特征与深度卷积神经网络的损伤智能检测方法.在起落架T型构件实验环境中开展了结构损伤模拟与检测实验,通过实验数据验证了所提出的智能检测方法的有效性.     

基于粗糙集与灰色动态预测模型在电力负荷短期预测的应用

针对电力系统多因素负荷预测问题的复杂性,结合粗糙集理论与GM（1,N）模型各自的优势,提出一种基于粗糙集理论的GM（1,N）预测模型.采取粗糙集理论对影响负荷预测因素进行简约,利用GM（1,N）建立简约后的因素变量和负荷之间的关系建立模型,并与GM（1,1）预测模型进行了比较,结果反映基于粗糙集理论的GM（1,N）预测模型的优越性,精准度达到94.055%.     

基于深度强化学习与演化计算的风-水-火混合增强智能调度

火电、水电和风电是我国电力工业系统的三大能源主体,根据风-水-火发电互补特性,建立联合优化调度模型对于降低电力系统运行成本以及促进新能源消纳具有重要意义.然而梯级水电站间的时空耦合性、风电的不确定性以及风-水-火多能源相互关联的复杂约束使得联合调度模型求解较为困难.因此,本文提出了一种基于深度强化学习(deep reinforcement learning, DRL)与演化计算的混合增强智能优化框架.该框架首先利用深度强化学习与风-水-火联合调度模型进行交互,并根据交互数据对联合调度模型复杂规律进行持续学习,优化自身控制策略,提高智能体泛化能力.此后,在解决实际调度问题时,为进一步提升算法的个性化能力,利用演化计算算法(particle swarm optimization, PSO)在经过训练的DRL上进一步优化调度方案,实现风-水-火联合调度的快速决策.算例分析表明,所提出的混合增强智能优化框架求解速度快、寻优能力强,提升了DRL优化性能的鲁棒性,提高了风-水-火系统运行的经济性及风电消纳能力.