基于状态划分和集成学习的轴承剩余使用寿命预测模型

针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

基于深度神经网络的设备剩余使用寿命预测研究

随着传感器在工业设备上的广泛部署,数据驱动的设备状态预测与健康管理技术逐渐成为工业界和学术界研究的热点。该文针对其中的设备剩余使用寿命预测问题展开研究。利用深度神经网络建立设备剩余使用寿命预测模型的关键步骤,并基于C-MAPSS公开数据集,评价前馈神经网络、卷积神经网络、长短期记忆网络三种典型深度神经网络用于剩余使用寿命预测的性能,实验结果显示考虑时序特征的长短期记忆网络具有显著的性能优势,最后对该方向的发展趋势展开讨论。

基于自适应噪声完全集合经验模态分解与BiLSTM-Transformer的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(remaining useful life,RUL)是使用者十分关心的问题,其涉及电池的更换时间和安全。针对锂离子电池的电容量非线性变化趋势,提出了一种基于自适应噪声完全集合经验模态分解与双向长短期记忆网络-Transformer的锂离子电池剩余使用寿命预测方法。首先,利用自适应噪声完全集合经验模态分解方法对锂离子电池电容量数据进行分解。其次,使用串联的双向长短期记忆神经网络和Transformer网络对分解后得到的残差序列和本征模态分量序列进行建模预测。最后,将预测的若干本征模态分量序列和残差序列进行求和,并对求和之后的最终预测数据与原始数据进行RUL预测。采用NASA公开的电池数据集对所提方法进行验证,结果表明,所提方法的平均绝对误差、均方根误差、平均绝对百分比误差和绝对误差控制分别控制在0.0173、0.0231、1.2084%和3个循环周期以内,能够有效地提高锂离子电池RUL的预测精度。

基于长序列的航空发动机剩余使用寿命预测方法

针对多传感器长序列数据下航空发动机剩余使用寿命预测方法存在预测准确度不足的问题,提出一种基于堆叠膨胀卷积神经网络(SDCNN)的航空发动机剩余使用寿命预测方法。将多传感器长序列数据归一化处理,降低因量纲和取值范围不同引起的误差;构建预测目标函数表征航空发动机的真实退化情况;搭建基于SDCNN的预测模型,扩大模型感受野,提取数据中的长期、深层和全局时序特征用于回归分析,得到航空发动机的剩余使用寿命预测结果;采用Hyperband优化算法和StratifiedKFold交叉验证方法优化模型,提升模型预测准确度和不同条件下的适应性,并采用商用模块化航空推进系统仿真(C-MAPSS)数据集验证所提方法的有效性。在C-MAPSS中FD003数据集上的实验结果表明:所提方法可有效提高基于长序列的航空发动机剩余使用寿命预测准确度,模型预测准确度得分指标明显降低32.62%。

融合Transformer的剩余使用寿命预测模型

剩余使用寿命(remaining useful life,RUL)预测对大型设备的故障预测与健康管理十分重要。然而,一些设备监测数据具有维度高、规模大、强耦合、参数时变等非线性特征,这些特征会导致RUL预测的准确性较低。为此引入Transformer解码器,并通过多头注意力机制综合全局信息,提出了一种基于多尺度双向长短期记忆网络和Transformer的神经网络模型,以提高模型预测精度。选取航空发动机作为研究对象,使用各个模型在NASA的C-MPASS数据集上进行对比实验,结果表明,在剩余使用寿命预测方面,该文提出的融合Transformer模型的多尺度双向长短期记忆网络模型在准确率和均方根误差指标上均优于其他对比模型。

刀具剩余使用寿命多传感器融合预测及试验验证

为了提高刀具剩余使用寿命预测的预测能力,设计了一种面向多传感器融合的剩余使用寿命预测方法。借助多传感器数据实现模型的联合动态更新,融合多传感器数据,对剩余使用寿命作出准确预测,并铣床刀具磨损试验数据的实际案例分析。研究结果表明:以敏感测点数据为基础在线更新模型状态和参数信息,从而获取到机械装备剩余使用寿命实时预测结果。经过对六组刀具的寿命预测结果曲线进行分析后发现,与传感器融合预测方法的预测结果具有很高的优势,可见提出方法预测结果是准确度较高的。

基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

基于NGO-CNN-BiLSTM神经网络的动态质子交换膜燃料电池剩余使用寿命预测

为解决质子交换膜燃料电池(PEMFC)剩余使用寿命(RUL)预测精度不高的问题,提出了一种基于北方苍鹰优化(NGO)、卷积神经网络(CNN)和双向长短时记忆(BiLSTM)神经网络的动态燃料电池RUL预测模型。首先,利用NGO对CNN-BiLSTM模型的学习率、隐藏节点及正则化系数进行寻优,然后,通过CNN-BiLSTM模型的卷积层对输入数据进行特征提取,输入到BiLSTM层进行时序建模和预测。同时,利用小波阈值去噪算法对原始数据进行平滑处理,采用皮尔逊相关系数提取模型输入变量,并搭建NGO-CNN-BiLSTM神经网络功率预测模型。仿真验证结果表明,该方法预测精度达99.49%,高于其他对比模型的预测精度。

基于AOA-LSTM方法工业机器人轴承剩余使用寿命预测

为了提高工业机器人运行过程中振动控制精度,设计了一种基于算数优化算法(AOA)改进长短时记忆网络(LSTM)方法工业机器人轴承剩余使用寿命预测方法,并采用RMSE和MAE指标对预测模型进行评估。研究结果表明:损失曲线随着迭代次数增加趋于稳定,评估证明方法取得较好的预测结果。AOA-LSTM与实际值预测结果拟合度更高,较小的预测误差证明了方法的有效性。该方法有助于提高工业机器人轴承的使用效率,为后续整机性能测试奠定基础。

基于时序图推理的设备剩余使用寿命预测

剩余使用寿命(Remaining useful life,RUL)预测是大型设备故障预测与健康管理(Prognostics and health management,PHM)的重要环节,对于降低设备维修成本和避免灾难性故障具有重要意义.针对RUL预测,首次提出一种基于多变量分析的时序图推理模型(Multivariate similarity temporal knowledge graph,MSTKG),通过捕捉设备各部件的运行状态耦合关系及其变化趋势,挖掘其中蕴含的设备性能退化信息,为寿命预测提供有效依据.首先,设计时序图结构,形式化表达各部件不同工作周期的关联关系.其次,提出联合图卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)的深度推理网络,建模并学习设备各部件工作状态的时空演化过程,并结合回归分析,得到剩余使用寿命预测结果.最后,与现有预测方法相比,所提方法能够显式建模并利用设备部件耦合关系的变化信息,仿真实验结果验证了该方法的优越性.

锂离子电池剩余使用寿命预测方法综述

近年来,随着锂离子电池的能量密度、功率密度逐渐提升,其安全性能与剩余使用寿命预测变得愈发重要。本综述全面分析了锂电池剩余使用寿命预测领域研究现状,系统介绍了现有预测算法,并着重探讨了机器学习方法在该领域的应用。基于模型的方法包括电化学模型、等效电路模型和经验退化模型;基于数据驱动的方法涵盖了支持向量回归、高斯过程回归、极限学习机、卷积神经网络、循环神经网络和Transformer等常用的机器学习方法。本文详细分析了每种方法的优缺点,并重点阐述了机器学习方法在特征提取与融合方法等方面的应用及发展情况。对于特征提取,本文从电流电压温度曲线、IC曲线、EIS曲线中进行总结分析;对于融合方法,本文将其细分为模型-模型、数据-模型、数据-数据融合方法并进行分析。最后,针对当前研究存在的问题,本综述从早期预测、在线预测和多工况预测3个方面提出了对剩余使用寿命预测方法的研究建议,为提升锂电池剩余使用寿命预测算法的准确性和实用性提供思路。

融合K-means聚类和序列分解的实车锂电池剩余使用寿命预测

电动汽车锂离子动力电池健康状态(SOH)衰退过程受使用工况影响存在较多波动,导致模型预测精度下降,在锂电池剩余使用寿命(RUL)短期预测时,SOH波动情况不可忽略,为了准确预测SOH短期内波动情况,须从实车上传的锂电池运行数据中提取有效的健康因子。本文建立一种联合分布特征输入和序列分解融合的锂电池RUL预测方法,使用K-means聚类方法构建车辆锂电池运行过程的联合分布特征,并通过S-G滤波器对SOH衰退曲线进行序列分解,分别使用长短时记忆神经网络(LSTM)和多层感知机(MLP)对趋势部分和波动部分进行预测,融合得到最终预测结果。理论分析和实车采集数据验证表明,融合模型可以在预测车辆锂电池RUL短期衰退趋势的同时预测SOH的波动情况,有较高的短期预测精度。

基于改进相关向量机的锂电池剩余使用寿命预测

精确预测锂离子电池剩余使用寿命对于保障设备安全运行十分重要。但电池寿命预测中存在诸如数据噪声和容量再生等不确定性来源,这将导致预测精度大幅下降。为解决这一问题,使用变分模态分解方法对从充电和容量数据中提取的健康因子进行滤波分解,并利用贝叶斯优化方法对相关参数进行优化,提出一种基于多核相关向量机的锂离子电池剩余使用寿命预测模型。利用美国国家航空航天局(NASA)和Oxford电池数据集对所提出的模型进行验证,研究结果表明:所提出的基于变分模态分解和贝叶斯优化的多核相关向量机(VMD-BAYES-HRVM)方法的预测性能不受预测起始点和截止电压的影响,预测结果准确性更高,95%置信区间的跨度更小,证明了所提出方法的有效性。

基于VMD和优化CNN⁃GRU的锂电池剩余使用寿命间接预测

准确预测锂电池的剩余使用寿命(RUL)对降低电池使用风险有着至关重要的作用。为了解决电池容量在实际应用中不易获得以及单一门控循环神经网络(GRU)不能有效提取数据间的深层特征等问题,提出一种基于间接健康因子的混合神经网络模型,即融合变分模态分解(VMD)、一维卷积神经网络(1D‐CNN)和麻雀搜索算法(SSA)优化GRU的组合剩余使用寿命预测模型。采用NASA数据集验证所提模型的有效性,实验结果表明,相比于GRU、VMD‐GRU、VMD‐SSA‐GRU,所提模型具有较高的预测精度与更快的运行速度,可以应用于锂电池RUL预测。

基于MsTCN-Transformer模型的轴承剩余使用寿命预测研究

剩余使用寿命(remaining useful life, RUL)预测是PHM的核心问题之一,复杂的运行工况往往导致设备部件经历不同的故障退化过程,给RUL准确预测带来了巨大挑战。为此,提出了一种多尺度时间卷积网络(multi-scale temporal convolutional network, MsTCN)与Transformer(MsTCN-Transformer)融合模型用于变工况下滚动轴承RUL预测。该方法设计了一种新的多尺度膨胀因果卷积单元(multi-scale dilated causal convolution unit, MsDCCU),能够自适应地挖掘滚动轴承全寿命信号中固有的时序特征信息;然后构建了基于自注意力机制的Transformer网络模型,在克服预测序列记忆力退化的基础上,准确学习时序特征与轴承RUL之间的映射关系。此外,通过对轴承不同故障退化阶段所提取的时序特征可视化分析,验证了所提方法在变工况下所提取的时序特征泛化性较好。多种工况条件下滚动轴承RUL预测试验表明,所提方法能够较为准确地实现变工况下轴承的RUL预测,相比当前多种方法RUL预测结果准确性更高。

基于数理统计的喷涂机器人旋杯使用寿命浅析

对喷涂机器人旋杯进行了失效模式分析,统计获得了一批旋杯在失效之前所喷涂完成的各种车型的车辆总数,并以此作为旋杯的使用寿命,然后根据旋杯的不同使用条件进行加权处理,从而获得一个最能反映各旋杯实际寿命的加权使用寿命,接着以得到的加权寿命值作为统计样本,利用旋杯使用寿命符合正态分布的特性,计算得出一个旋杯使用经济效益最大化的参考使用寿命值。最后结合当前现场实际生产情况,利用计算得到的旋杯参考寿命,来指导当前喷涂机器人旋杯的实时采购策略。

基于多健康特征融合的锂离子电池剩余使用寿命预测

本文提出一种基于多健康特征融合和改进XGBoost-LSTM模型的锂离子电池剩余使用寿命(RUL)预测方法。首先从锂离子电池充放电曲线中选取恒流充电阶段电压上升时间、恒压充电阶段电流下降时间和放电阶段温度达到峰值时间三个间接健康特征,然后代入XGBoost模型进行特征构造,将其结果作为新特征与原始三个健康特征一起输入LSTM模型中,同时使用网格搜索算法对模型参数进行寻优,并使用误差倒数法对两个模型的预测结果进行加权求和,以得到最终的锂离子电池RUL值。使用NASA电池数据集进行实验,结果表明,与LSTM和CNN-LSTM模型相比较,本文提出的XGBoost-LSTM组合模型的预测精度更高,RUL预测相对误差低于0.04。针对CALCE数据集CS33电池的预测结果证明本文模型具有较强的普适性。

基于Bi-TCN-LSTM的滚动轴承剩余使用寿命预测方法

由于时间卷积网络(temporal convolutional networks, TCN)感知场不足,轴承的关键退化信息常常被忽略,导致轴承剩余使用寿命(remaining useful life, RUL)预测结果不佳;而长短期记忆网络(long short-term memory, LSTM)随着数据量及序列长度的增加,长期依赖问题仍可能得不到很好解决。因此,课题组提出了一种基于双向时间卷积网络和长短期记忆(Bi-TCN-LSTM)的滚动轴承寿命预测方法。首先对多传感器数据进行归一化并做融合处理,然后采用Bi-TCN-LSTM进行数据特征提取与深度学习,其中对TCN模块引入卷积注意力机制(convolutional attention module, CAM),将LSTM的3个门简化为1个门,有效加快了预测模型学习的速度并提高了预测模型的精确度;采用IEEE PHM 2012轴承数据集作为实验数据集,进行了RUL预测实验。结果表明:与其他先进的预测模型相比,Bi-TCN-LSTM方法预测结果的误差相对较低,预测性能较好。

基于膨胀应力的锂离子电池剩余使用寿命预测

准确快速预测锂离子电池剩余使用寿命(Remaining useful life, RUL)对系统安全稳定运行至关重要。然而,电池内部退化机理复杂,外部运行工况多变,给RUL预测带来了极大挑战。为此,提出了一种基于电池膨胀应力的RUL预测方法。提取电池膨胀应力信息,分别分析可逆膨胀和不可逆膨胀与容量之间的关系,并计算相关性。将可逆膨胀和不可逆膨胀作为特征参数,构建并训练长短期记忆(Long short-term memory, LSTM)神经网络,实现RUL精准快速预测。通过在UMBL公开数据集上验证,利用膨胀应力特征能更好地学习电池老化状态,捕捉电池容量下降趋势。结果表明,在不同循环起点和多种老化条件下,RMSE和MAE分别小于0.82%和0.70%,所提出的方法能够精准快速预测RUL,鲁棒性强。

基于特征选择与Transformer的涡扇发动机剩余使用寿命预测

针对传统剩余使用寿命预测模型难以解决长时依赖问题以及不同特征组合对模型预测精度影响大的问题,提出一种基于特征选择与Transformer的剩余使用寿命预测模型。首先利用以互信息为理论基础的最大相关最小冗余特征选择算法,捕获特征与标签、特征与特征的关系,得到最佳特征组合;然后以Transformer的编码器为主体并加入门控卷积单元组成预测模型,使模型可以充分捕捉全局信息且提高运算效率的基础上也更加注重局部信息;通过网格搜索与粒子群算法确定模型超参数。最后将最优特征组合的变量数据输入模型实现涡扇发动机剩余使用寿命预测。利用此方法在C-MAPSS数据集进行验证,并进行对比实验,结果表明预测误差与模型效率均有一定改进。