考虑退化相关性的电解电容实时剩余寿命预测

目前对于电解电容的退化特性研究多是基于单个退化特征,难以精确预测电容的剩余寿命。针对这一现状,本文提出考虑退化特征相关性的二元线性Wiener过程退化模型进行电容剩余寿命实时预测。首先利用Box-Cox变换对电容退化数据进行线性化处理,然后将极大似然估计结合自助抽样法得到的模型参数经Bayesian理论进行实时更新,并利用蒙特卡洛算法求解电容的剩余寿命分布,最后通过NASA试验数据进行了验证,并与基于Copula函数处理相关性的算法进行了对比。结果表明,本文算法的预测精度较只考虑电容容值、只考虑等效串联电阻的一维Wiener过程模型分别提高约0.729 8%,0.091 3%,比基于Copula理论的算法预测精度提高了约0.083 2%,可为制订电解电容的视情维修策略提供依据。     

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。     

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.     

基于多阶段-随机维纳退化过程的产品剩余寿命预测方法

针对退化失效型产品的剩余寿命预测是开展其视情维修的关键前提。考虑到一些产品性能退化过程具有多阶段非单调的特点,提出基于多阶段-随机维纳退化过程的产品剩余寿命预测方法。针对产品退化过程的每一阶段,主要考虑以高应力加速退化试验数据为先验信息,不预先给予Wiener过程参数的假定分布,而利用加速因子将高应力下的参数估计值折算到正常应力下的参数值;再通过使用Anderson-Darling方法确定参数的最优分布,作为参数的先验分布;然后通过Bayes方法利用产品正常应力下实时退化数据对参数先验分布进行更新,得到参数后验分布,进而对产品的剩余寿命进行预测;最后以某型加速度计为实例验证了所提出的方法适用性和有效性。     

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.     

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。     

基于半经验融合方法的锂离子电池剩余寿命预测

针对锂离子电池剩余使用寿命预测中机理模型建立复杂、数值求解困难,而纯数据驱动方法通用性不强的问题,提出了一种基于高斯拟合模型和粒子滤波算法相结合的半经验融合预测方法。首先设计并实现锂离子电池寿命衰减实验采集多组数据,其次利用MATLAB工具进行数据预处理并利用高斯拟合方法建立寿命衰减规律描述公式,再基于此建立寿命衰减状态空间模型和观测模型,最后利用粒子滤波算法进行跟踪预测。结果表明此预测方法能达到小于5%的预测精度。     

锂离子电池剩余寿命间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussian process regression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

基于随机Wiener过程的火炮身管剩余寿命预测

身管是火炮武器的重要部分,其性能状态决定了火炮的使用寿命.将随机Wiener过程应用于火炮身管的剩余寿命预测,通过极大似然法估计模型参数,并利用Bayesian方法对参数进行更新,提高参数的估计精度.以某型火炮为应用对象进行寿命预测,得到了不同射弹发数条件下剩余寿命的概率密度函数和可靠度函数曲线,且预测精度随着射弹发数...     

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。     

润滑脂有效润滑寿命实验与剩余寿命预测方法探讨

本文对润滑脂有效寿命实验与剩余寿命预测方法进行了分析研究,为轴承故障诊断及寿命预测方法的研究提供了有益的尝试。     

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。     

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。     

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．     

服役后期海洋平台剩余寿命可靠度预测方法

为保证服役后期平台在延寿服役期内的安全性,需要对其结构整体剩余寿命可靠度进行预测.因此,重点研究了在随机波浪载荷作用下平台部分构件动力失效和疲劳失效时,平台整体时变可靠度预测方法.采用Miner线性累积损伤理论和首次超越失效准则,计算平台构件的疲劳寿命可靠度和动力可靠度,搜索并删除失效概率较大的构件,运用波浪增量动力分析法找出平台结构所能承受的极限波浪载荷,再结合服役海域波浪统计资料,计算平台结构系统整体时变可靠度以预测其剩余寿命.算例表明了该方法的实用性和简便性.     

基于退化检测和优化粒子滤波的轴承寿命预测方法

轴承广泛应用于各种机械设备中,为避免轴承突然损坏而导致设备故障,应有效预测其剩余使用寿命,因此提出一种基于自适应退化检测和粒子群优化粒子滤波(particle swarm optimization-particle filter,PSO-PF)算法的轴承寿命预测方法.首先,从轴承振动信号中提取候选特征,并对候选特征进行...     

剩余寿命预测的装备电路故障程度分级方法

装备电路组件众多且结构复杂,多组件复合故障程度难以准确评估,导致装备运维方案无法有效规划.针对该问题,以剩余寿命作为故障程度的分级标准,提出了一种基于剩余寿命预测的装备电路故障程度分级方法.针对装备电路在实际服役过程中获取大量故障数据样本困难的特点,提出了一种基于数模融合的寿命预测方法,利用Multisim建立故障仿真模型来扩充故障数据集,考虑到故障数据的时序性与非线性,采用双向长短期记忆网络(bidirectional long short-term memory network,BiLSTM)构建剩余寿命预测模型;构建基于剩余寿命灰色关联分析的故障程度分级模型,通过量化装备电路不同剩余寿命下多级故障程度的阈值,识别装备电路的故障程度等级;以某装备电路为例验证了所提方法的有效性.     

结合GCN与LSTM的滚动轴承剩余寿命预测方法

针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后...