基于改进粒子滤波的锂离子电池RUL 预测

在基于粒子滤波算法的锂离子电池剩余使用寿命预测过程中, 由于基本粒子滤波算法存在粒子退化问题, 难以保证电池寿命预测的精度。为此, 提出一种基于MCMC(Monte Carlo Markov Chain)的无迹粒子滤波改进算法, 从选取适当的重要性密度函数和重采样过程两方面入手, 更全面地克服基本粒子滤波算法中的粒子退化问题, 进而提高锂离子电池剩余使用寿命预测的精度。实验仿真结果表明, 改进后的粒子滤波算法能更好地跟踪电池容量衰退趋势, 预测精度也明显优于基本粒子滤波算法, 为锂离子电池剩余使用寿命的预测提供了新思路。     

基于猎人猎物优化算法改进粒子滤波的滚动轴承剩余使用寿命预测技术

针对目前滚动轴承剩余使用寿命(RUL)预测存在的预测精度不高、预测模型累计误差大等问题,提出一种融合Hodrick-Prescott(HP)趋势滤波边界线(HPTF-BL)、猎人猎物优化算法改进粒子滤波(HPO-PF)的滚动轴承剩余使用寿命预测方法。该方法首先将HP趋势滤波与退化边界线构建相结合,对表达轴承退化信息的特征指标进行处理,得到上下退化边界与主要退化趋势,然后利用猎人猎物优化算法(HPO)改进粒子滤波(PF)的重采样过程,再使用改进的方法对特征指标进行趋势预测,最后结合设定的失效阈值线得到最终的剩余使用寿命。使用美国辛辛那提大学智能维护系统(IMS)中心的轴承实验数据验证了所提方法的可行性与有效性。     

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...     

基于改进人工蜂群算法和极限学习机的刀具磨损监测

为了提高机械切削加工中刀具磨损量的实时监测精度,运用极限学习机建立刀具磨损监测模型,提出一种引入虚拟蜂的改进人工蜂群算法,对极限学习机随机产生的输入层权值和隐含层阈值进行优化。采用时域分析和经验模态分解,提取铣削加工中的切削力信号、振动信号以及声发射信号的时域特征和内禀模态能量比,从中选出对刀具磨损敏感的特征作为监测特征。利用建立的监测模型计算得到刀具磨损值,实验结果表明,优化后的极限学习机能够准确地预测刀具磨损值,且具有更简单的网络结构,同时改进后的蜂群算法也表现出了更好的寻优能力。     

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。     

数字孪生驱动的小样本旋转机械剩余寿命预测

针对小样本数据下旋转机械剩余使用寿命难以准确预测的问题，提出一种数字孪生驱动的旋转机械健康因子构建及剩余使用寿命预测方法。通过融合卷积自编码器与Weibull分布构建数据驱动的旋转机械退化行为模型。使用旋转机械早期退化信号训练卷积自编码器，使其学习到早期退化信号模式；使用卷积自编码器对测试信号进行重构并计算重构误差，将重构误差映射到[0,1]区间作为健康因子，根据健康因子拟合Weibull可靠度函数并预测旋转机械剩余使用寿命；在旋转机械持续运行过程中基于实时数据重复上述步骤，实现旋转机械剩余寿命的实时更新。在PHM2012公开数据集上的测试结果表明：所提方法可以在不需要末期退化信号的前提下预测轴承剩余寿命，预测结果明显高于现有报道的各类方法，均方根误差和平均绝对百分比误差分别为938.8 s与42.62%。在巴斯夫新材料有限公司某自动化测试系统数字孪生预测性维护平台的应用案例表明，所提方法具有实际工业场景下小样本旋转机械寿命预测的可行性。     

Kalman滤波在刀具磨损预测模型中的应用

基于LS-SVM建立刀具磨损预测模型,描述铣削过程中输入向量(进给率、切削速度、主轴转速、切削深度、切削时间及磨损位置)和输出向量(刀具磨损)之间的映射关系,并引入Kalman滤波技术,建立LS-KF模型,考虑加工条件及环境变化引起的刀具磨损量的变化,结合刀具的实际磨损量更新LS-SVM的预测结果,并用该更新结果调整训练模型,以使更新后的刀具磨损量能够反映出由于加工条件及环境的变化引起的刀具磨损的变化,提高LS-SVM模型的预测精度,最后用实验验证所建立模型的预测精度。结果表明,LS-SVM模型和LS-KF模型的预测精度均较高,且LS-KF模型的预测精度更高。     

基于形态分量分析的高速铣削加工刀具磨损在线监测

在高速铣削加工中,铣刀在超高转速下进行不连续切削,刀具磨损迅速且难以监测,严重影响加工精度和产品质量,因此刀具磨损的状态监测极其重要.振动法是一种有效的刀具状态监测方法,但是振动信号包含了多种振动成分及大量噪声,影响刀具磨损状态监测的准确性.针对该问题,提出了一种利用对偶基追踪算法和用形态分量分析对振动信号进行稀疏分解的方法.首先,分析了高速铣削加工过程中振动信号的形态分量特点和稀疏特性,构造了对偶基追踪框架,通过增广拉格朗日变量分离算法进行求解,实现对振动信号中的脉冲成分和谐波成分的分离.其次,构造并提取了脉冲密度和高次谐波频率与基频的幅值比等特征并利用这些特征进行刀具磨损状态监测.最后,通过仿真分析和实验,验证了该方法的可行性.     

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.     

基于功率传感器的刀具磨损量预测方法

使用功率传感器监测机床加工功率,和切削力、声发射等传感器相比,功率传感器具有实用性强、对加工过程无影响等优点.针对采集到的功率信号,在分析信号特征相关性的基础上,提出了一个多目标优化RP-SBL的刀具磨损量预测方法.对信号特征进行后处理(Re-processing,RP)消除电网波动和切削中其他偶然因素的影响,进一步提高特征对刀具磨损敏感性.基于处理后的特征,运用稀疏贝叶斯学习(Sparse Bayesian Learning,SBL)方法建立刀具磨损量预测模型.此外,使用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-II)对SBL模型相关参数进行优化以提高预测精度.实验研究表明,该方法能够实现刀具磨损量的准确预测.不同预测方法的对比表明,通过特征后处理提高信号特征对刀具磨损的敏感性,保证了刀具磨损量的准确预测,对SBL模型参数进行优化可进一步提高预测精度,减小预测误差的最大值.     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

粒子滤波在锂离子电池剩余寿命预测中的应用

为有效预测锂离子电池剩余寿命,引入了粒子滤波算法.对粒子滤波的基本概念和算法实现步骤进行介绍,在给出锂离子电池寿命统计数据的基础上,应用粒子滤波算法计算其剩余寿命,解决了锂离子电池剩余寿命预测的问题.对相同的锂离子电池统计数据,利用扩展卡尔曼滤波方法计算进行对比实验.分析结果表明:粒子滤波算法比扩展卡尔曼滤波算法可靠,能较好地预测出锂离子电池的剩余寿命,误差小于5％.     

基于监督局部模型的设备剩余寿命预测

精确预测设备的剩余使用寿命能帮助厂商衡量所生产设备的质量,也有利于使用者及时更换或修理设备。截至2021年,基于相似性预测剩余寿命的研究大多使用欧式距离进行相似性的判定,容易出现维度灾难。本研究结合长短期记忆网络和自编码器提取设备的时序特征,之后使用监督局部模型进行剩余使用寿命预测,以随机森林为基础进行相似性的判定。最后,本研究使用C-MAPSS数据集验证了所提出方法的有效性,所提出方法在预测精度上要优于其余几个对比方法,并进行相关的讨论。     

基于刀具磨损状态识别的加工参数多目标优化

在数控铣削过程中,刀具磨损对机床主轴能耗影响很大,同时与刀具加工能力直接相关,需适时调整加工参数以适应不同磨损状态,保证多目标综合最优.针对此问题,基于刀具磨损状态识别,根据不同磨损时期给出相应的加工参数优化策略.首先,以刀具寿命周期内的主轴功率为基础,采用粒子群优化算法(particle swarm optimization,PSO)建立考虑刀具磨损的能耗模型,平均误差低于5%,并基于与刀具磨损的强相关性,以主轴功率作为单一指标识别刀具磨损状态.进一步,为获取影响加工成本的动态性指标——刀具剩余使用寿命(remaining useful life,RUL)及相应的主轴功率,利用人工神经网络(artificial neural network,ANN)建立刀具磨损退化模型,通过描述主轴功率随时间的变化来隐含退化过程,该模型拟合度达0.992.最终,综合考虑能耗、刀具及时间成本,设计多目标优化函数,并通过遗传算法(genetic algorithm,GA)搜索函数最小值,给出不同磨损时期的最优加工参数及优化策略.此加工参数多目标优化融入了主轴功率与刀具RUL等动态指标,可依据主轴功率在线...     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法

针对现有飞蛾扑火优化算法精度低、全局搜索能力差的问题,提出一种自适应插值飞蛾扑火优化算法,并将其嵌入多特征粒子滤波中优化,构建自适应插值飞蛾扑火优化的多特征粒子滤波车辆跟踪算法.首先,在飞蛾的位置更新机制中加入自适应权值,改善所提算法的全局搜索能力.其次,采用改进的插值飞蛾扑火优化算法对采样过程进行优化,结合多特征自适应融合优化粒子滤波车辆跟踪算法,根据最新观测信息不断调整粒子分布,使低权值层粒子向权值较高的区域移动,增强粒子质量,避免样本退化.实验结果表明,本文算法能够有效降低状态预测所需的样本粒子数,提高算法的跟踪性能,在车辆目标发生遮挡、光照、姿态及尺度变化等干扰下仍然能够准确、稳定地跟踪目标车辆.     

基于MIC特征提取与BO-CatBoost的航空发动机RUL预测

针对航空发动机传感器监测的退化参数提取困难,易受噪声干扰及发动机剩余使用寿命预测精度不足等问题,利用最大信息系数、贝叶斯优化算法和类别特征梯度提升算法,提出了一种新的发动机剩余使用寿命预测模型。首先,为有效解决特征提取不足的问题,对采集的传感器历史监测特征进行最大信息系数相关性计算,提取出对发动机寿命运行周期影响较大的关键退化特征。其次,为解决剩余使用寿命预测中的梯度偏差及预测偏移问题,使用基于贝叶斯优化的类别特征梯度提升方法对航空发动机进行剩余使用寿命预测。最后,在美国航空航天局提供的商用模块化航空推进系统仿真数据集上进行实验,结果表明所提预测方法的性能较好,验证了该方法的有效性。     

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。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。     

基于模糊支持向量机的刀具磨损检测

提出一种基于模糊支持向量机(FSVM)的切削过程中刀具磨损检测方法,对切削加工过程中的刀具磨损状态进行诊断与预测。提取切削加工过程中刀杆的振动信号和切削刀具的切削力信号,对其进行分帧处理,提取FFT特征量,对该特征向量进行模糊支持向量机的学习和训练。实验结果表明,该方法能够充分发挥模糊支持向量机的权系数作用,有效检测切削过程刀具的磨损程度,与同类识别方法的识别结果相比较,具有一定的优越性。