摘要：针对单一传感器数据难以准确表征航空发动机退化状态,且在退化建模时存在初始退化状态异构等问题,提出了一种基于退化趋势一致性的多传感器数据融合方法和考虑初始退化状态异构性的维纳过程模型进行航空发动机剩余寿命预测。首先,提出了一种退化趋势一致性评价指标来衡量不同传感器数据的信息贡献率,确定最优的融合权重;其次,对发动机进行退化建模,考虑了初始退化状态和时间的随机性,并推广到考虑单位之间可变性的情况;再次,通过极大似然估计算法,估计出模型中的未知参数;最后,通过C-MAPSS实验数据对比,验证了该方法在提高数据质量和预测精度方面的优势。

摘要：针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法。首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路。实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景。

摘要：基于Miner线性累积损伤理论及分段累积损伤与剩余寿命(运行里程)的关系,通过台架疲劳试验得到的累积损伤对某型动车组服役铸铝横梁剩余寿命进行等效表征。以多工况线路条件下动力学仿真获得的铸铝横梁外载荷为边界条件,在静载试验校验铸铝横梁有限元模型准确性的基础上,由瞬态仿真分析外推得到铸铝横梁应力谱;基于标准线路工况10^7次等幅循环疲劳试验获得铸铝横梁累积损伤基准,根据运营里程与累积损伤之间的线性比例关系,外推计算线路工况累积损伤与台架疲劳试验损伤等效时的运营里程即为铸铝横梁的剩余寿命。结果表明:铸铝横梁采用与车体等寿命设计,10^7次台架疲劳试验后未产生疲劳裂纹扩展,动力学—有限元联合仿真分析及剩余寿命预测结果均表明铸铝横梁实际承载造成的累积损伤不显著,预测的剩余寿命仍满足运营里程1.2×10^7 km的设计要求。

摘要：针对经典时间循环神经网络(SRNNs)在预测时间序列中存在长时依赖的缺陷,同时由于遍历整个训练数据集进行现有监督式学习增加了时间复杂度,造成SRNNs在预测空间滚动轴承剩余寿命中存在预测精度和计算效率较低的问题,提出一种变分资格迹元强化循环网络(VETMRRN)。在VETMRRN中,构建新型时间循环网络结构以增大历史信息记忆量,并设计基于神谕门机制的元学习超参数自初始化网络来加速搜索VETMRRN的最优回顾序列长度;设计含有资格迹算子的变分自编码元策略梯度学习算法,以提高对VETMRRN参数的训练速度和全局优化效果。在此基础上提出基于VETMRRN的空间滚动轴承剩余寿命预测方法。首先采用Shapely值特征融合提取空间滚动轴承的性能退化特征;然后将性能退化特征输入VETMRRN中预测性能退化特征趋势;最后建立威布尔分布可靠度模型来预测空间滚动轴承的剩余寿命。该方法具有较高的预测精度、较好的泛化性能和较高的计算效率。最后通过空间滚动轴承剩余寿命预测实例证明了该方法的有效性。

摘要：为了提高刀具磨损状态的预测精度,提出了一种基于多传感器融合的刀具剩余寿命预测方法。在训练阶段,首先联合振动、电流、以及PLC控制器信息进行数据预处理并利用时间序列分析等方法进行特征提取。然后针对单帧样本缺乏上下文信息且无法全部覆盖整个生命周期数据的问题,采用多帧联合与mix-up方法对数据进行增强。最后设计一个深度神经网络来学习多模态输入特征与刀具剩余寿命之间的复杂非线性函数。在测试阶段,对网络输出结果进行中值滤波去除噪声影响得到最终预测值。试验结果表明,多模态数据的使用与数据增强的引入均可显著提升刀具磨损量的预测精度。

摘要：由于制造工艺、运行环境等的影响,同型号轴承的使用寿命往往存在较大的个体差异性。在轴承剩余寿命预测中,如果从信号中提取的特征的泛化能力不足,将导致模型预测结果稳定性较差。为此,提出一种基于全卷积变分自编码网络(FCVAE)的轴承的剩余寿命预测方法。该方法用全卷积神经网络(FCNN)改进变分自编码器(VAE),在降低网络复杂度的同时强化所提取特征的泛化能力,并利用频域信号作为模型输入,以进一步降低特征学习的难度,同时设计加权平均方法平滑预测结果。通过试验数据集对所提方法进行验证,结果表明:该方法预测结果的平均误差相比于传统支持向量回归(SVR)降低了64%,比卷积神经网络(CNN)降低45.5%,比VAE降低47.5%。

摘要：传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如:特征指标选取、健康指标构建、失效阈值选定等等。预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算。首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络(Convolutional long short-term memory neural network,ConvLSTM)的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。

摘要：在工业大数据和万物互联背景下,针对复杂运行条件中的设备健康状态需从多维度进行表征,如何有效地融合多维监测数据,对随机退化设备的精准剩余寿命预测具有重要意义,由此提出一种基于深度特征融合网络的数模联动随机退化设备剩余寿命预测方法,构建多维自注意力时间卷积网络对时间窗处理后的多维监测数据做深度特征提取,设计模式加权的特征融合方法获取融合退化指标,然后采用随机过程对退化指标进行建模,通过表征预测效果的优化目标函数对网络参数、模式系数和失效阈值进行反向调整,形成数模联动的剩余寿命预测方法,实现退化指标和随机模型的自动匹配。最后,在涡扇发动机运行数据集上验证了该方法的准确性和优越性。

摘要：为准确评估滚动轴承运行状态、预测其性能退化趋势以及剩余寿命,提出一种改进回归型支持向量机(SVR)的滚动轴承寿命预测方法。提取轴承信号的时域和时频域特征,通过主成分分析(PCA)方法将特征指标融合成一个归一化综合指标来表征轴承运行状态;利用特征指标和综合指标构建训练和预测向量数据集,结合差分进化灰狼群算法(DEGWO)确定最优惩罚参数和径向基函数(RBF)核参数并构建回归型支持向量机模型;将预测数据集输入到DEGWO算法优化的SVR模型中得到轴承状态评估指标的预测值,实现轴承剩余寿命的预测。利用IEEE PHM 2012数据集验证所提方法的有效性,并将其结果与灰狼群算法(GWO)优化的SVR、网格搜索算法(GSA)优化的SVR和长短期记忆神经网络(LSTM)模型所得结果进行对比分析。仿真结果表明:与其他方法相比,采用所提方法得到的轴承剩余寿命预测均方误差分别降低了44.74%、66.67%、77.27%,决定系数则分别提高了7.25%、20.72%、11.94%,该结果说明了所提方法在轴承剩余寿命预测应用方面的优越性。

摘要：再制造工作辊在热轧工作过程中熔覆层易发生复杂的退化行为,而其性能退化会影响轧制产品的质量。为实时监测轧辊退化情况并预测其剩余寿命,构建一套在线脉冲涡流监测方法和系统,采用变分模态分解-希尔伯特变换(VMD-Hilbert)方法提取0~5000 Hz频率边际谱能量和的增量作为轧辊退化特征。基于此,构造考虑个体差异的状态退化空间模型,结合最大期望(EM)算法和Kalman平滑滤波算法联合对模型中未知参数进行自适应参数估计,并利用层次分析法融合监测的历史数据与实时数据,以实现对再制造工作辊实时剩余寿命预测。实验结果表明,所提方法能够准确预测再制造工作辊剩余寿命,具有一定的应用前景。