基于分数布朗运动过程模型的混合随机退化设备剩余寿命预测

在实际工程中,设备往往是由多个不同类型元件或部件构成的集合体,其总体性能退化程度是由内部多种随机退化过程综合影响下的结果.不同于现有文献主要采用无记忆效应的单一线性或非线性形式随机过程模型来描述设备的真实退化,首先建立一种基于分数布朗运动(Fractional Brownian motion,FBM)的混合随机退化模型,用以刻画退化过程中的记忆效应与长期依赖性;进一步,在退化模型里同时引入双随机效应,用以描述不同设备之间的退化差异性,并基于弱收敛性理论推导得到首达时间(First hitting time,FHT)意义下剩余寿命(Remaining useful life,RUL)概率密度函数(Probability density function,PDF)的近似解析表达形式;然后,给出一种共性参数离线估计和随机参数实时更新的策略,进而实现了剩余寿命的实时预测;最后,通过数值仿真例子和陀螺仪的实际退化数据,验证了该方法的有效性和具有潜在的工程应用价值.

多状态切换下随机退化设备剩余寿命预测

工业设备、武器装备等大型复杂系统在全寿命周期中通常会经历贮存、待机、测试、运转、维修等多个状态,且不同状态下设备内部损耗速率各不相同,这给设备的剩余寿命预测问题带来新的挑战。鉴于此,提出了基于维纳过程建立多状态切换设备的退化模型,结合半马尔可夫模型和离散马尔可夫链模型,推导得到了多状态切换设备的剩余寿命,并提出了一种蒙特卡罗仿真算法进行求解。此外,采用了期望最大化算法和极大似然算法辨识所提模型参数。最后,通过仿真实验和实际案例证明了所提算法的有效性。

含缺失数据的小波-卡尔曼滤波故障预测方法

研究了复杂系统存在缺失数据时的故障预测问题.首先,针对测试数据的非平稳性,在小波-卡尔曼滤波预测模型的基础上进行了改进,并利用期望最大化算法对模型参数进行了在线更新,提高其对非平稳时间序列的预测能力;其次,将数据缺失通过一个满足伯努利分布的随机变量描述,实现了缺失数据情况下小波-卡尔曼滤波状态估计.基于此,提出了缺失数据下的故障预测算法;最后,通过数值仿真和实例验证,说明了所提算法的有效性和可行性.

缓变退化设备剩余寿命预测的随机阈值方法

针对一类缓变退化设备的样本平均在短时间内退化不明显的特点,将设备检测数据的样本标准差作为一个失效指标进行退化建模,从样本标准差的变化趋势来估计设备的性能状态,并且鉴于样本标准差数据非线性强波动幅度大的特点,提出了一种随机阈值的剩余寿命预测方法。通过惯性平台陀螺仪漂移数据实例验证证明,该方法能够对这类非线性强、波动幅度大的退化数据建模,并得到可信的预测结果。

基于小波-强跟踪滤波的陀螺漂移在线预测

为进一步提高陀螺漂移预测精度,根据陀螺一次项漂移系数非平稳时间序列的特点,针对其数据的突变和趋势相较强的问题,提出一种基于小波和多重次优渐消因子强跟踪滤波相结合的非平稳时间序列在线预测方法,并将其应用于陀螺一次项漂移系数预测。实验结果表明,该方法能有效改善数据突变和较强趋势项所带来的状态估计不准、进而造成预测不准的问题,提高了预测精度。

基于随机退化建模的共载系统寿命预测方法

针对共载系统在部件服从退化失效情况下的系统寿命预测问题,在首达时间的意义下,提出了一种基于随机退化建模的共载系统寿命预测方法。采用Wiener过程对部件退化的各个阶段进行建模,并将模型中退化速率分为固有退化速率和载荷影响两部分,给出了相应的参数估计方法。而后将系统寿命分布推导看作其反问题,通过研究系统中各部件逐一失效下的系统可靠性以推导出系统的寿命分布,同时推导了相应的剩余寿命预测方法。在部件可靠性计算时,不同于传统的将有部件失效后,新的退化阶段初值用其均值代替的方法,而是考虑了此初值在首达时间意义下的概率分布,使得部件的可靠性更符合实际。最后通过数值例子和实例研究验证了所提参数估计和寿命预测方法的有效性。

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.

实践教学中的粘接工艺探讨

针对粘接工艺实践教学中存在的开胶、粘接不牢等现象，从理论上分析了粘接工艺的基本概念和特点，总结了粘接剂的选择策略及常见粘接剂的适用性，详细论述了实践中粘接接头设计和粘接工艺操作步骤，分析了影响粘接质量的因素，并在教学中启发学生客观评价粘接工艺，以便在装备维修中加以合理运用。

不完美维护下基于剩余寿命预测信息的设备维护决策模型

基于剩余寿命预测信息进行设备维护决策的研究中,现有方法通常仅考虑不完美维护对退化量或退化率的单一影响,忽略了不完美维护对两者的双重影响.鉴于此,针对随机退化设备,提出一种考虑不完美维护影响的性能退化模型与维护决策模型,融合了维护活动对设备退化量和退化率的双重影响.首先基于Wiener过程分阶段构建存在不完美维护干预的随机退化模型,在首达时间的意义下推导出剩余寿命的解析概率分布;然后基于剩余寿命的预测结果,以检测间隔和预防性维护阈值为决策变量建立维护决策模型;最后数值仿真实验验证了本文模型的有效性,并对费用参数进行了敏感性分析.实验结果表明本文模型具有潜在的工程应用价值.

多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法

现有基于深度学习的锂电池剩余寿命(Remaining Useful Life,RUL)预测方法中,锂电池多个内部状态所蕴含的寿命信息未得到充分考虑.鉴于此,提出了一种融合电池容量、阻抗与温度三个内部状态的RUL预测模型.首先,引入双向长短时记忆(Bi‑directional Long Short‑Term Memory,Bi‑LSTM)网络学习三种状态数据的时间相关性.其次,利用dropout技术与Bayesian变分推断技术间的等价性实现了RUL预测结果的不确定性量化,得到了预测结果的95%置信区间与概率密度分布(Probability Density Function,PDF),并分析了不同dropout率对预测不确定性的影响.最后,通过四种不同的深度学习模型框架与两种内部状态输入方案的对比实验,验证了本文方法的有效性.

基于MSCNN-LSTM的滚动轴承剩余寿命预测方法

针对现有卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)堆叠的寿命预测方法忽略低层次信息的问题,引入多尺度技术,提出一种多尺度卷积长短时记忆网络模型(multi-scale CNN-LSTM,MSCNN-LSTM)。将CNN的输出由单一尺度转换为多尺度,以充分学习CNN模块提取到的不同层次退化特征。首先采用小波变换获取退化信号的时频信息,并根据初始时刻标准差划分健康阶段;而后利用退化阶段监测数据训练所构建的多尺度网络;最后使用该网络预测旋转机械剩余寿命。在PHM 2012轴承数据集上的验证结果表明,所提MSCNN-LSTM模型能够同时学习退化数据中的低层次和高层次信息,有效提高轴承的剩余寿命预测精度。

考虑触点影响的航天继电器寿命预测方法

电磁继电器作为航天系统中的一种关键器件,其性能直接影响着整个系统的可靠性.现行航天继电器的触点大多具有多组且比较紧密的特点,造成了继电器在工作过程中触点组之间相互作用,影响了继电器的退化性能.针对此问题,提出了基于吸合时间退化变量的建模方法.采用小波-卡尔曼滤波算法对模型状态进行估计,将触点组之间的相互影响用带参数的线性关系表示,并用极大似然估计进行参数更新,从而进行继电器寿命预测.通过基于PC104的继电器测试系统获取实验数据,分析验证了该算法的有效性和可行性.

基于最后逃逸时间的随机退化设备寿命预测方法

现有基于随机退化过程建模的寿命预测研究中,通常用退化过程的首达时间(First passage time,FPT)来定义寿命.但是,这种寿命定义较为保守,可能会导致其明显小于设备实际寿命.鉴于此,基于最后逃逸时间(Last exit time,LET)的概念,给出一种新的寿命与剩余寿命(Remaining useful life,RUL)定义方式.在该新框架下,提出一种基于最后逃逸时间的寿命预测方法,推导得到最后逃逸时间下基于Wiener退化过程模型的寿命与剩余寿命表达形式,讨论了该方法与传统首达时间下寿命预测方法之间的关系.此外,通过数值仿真验证了该方法的正确性,并对模型参数进行了敏感性分析.最后,通过轴承以及激光器的实际退化数据说明了该方法的有效性、可行性以及潜在的工程应用价值.

基于置信规则库和差分进化的设备寿命评估方法

介绍了置信规则库转换(BRB-transformation,BRB-T)模型以及运用置信规则库(belief rule base,BRB)推理进行寿命评估的过程。针对当前的置信规则库学习方法还存在依赖初始解、规则条数偏多、系统结构复杂的问题,结合装备贮存寿命评估的BRB-T模型,提出了基于差分进化算法(DE)对该模型的BRB参数进行学习的优化方法。最后,通过某航天设备的失效数据进行了验证。结果表明,该优化方法能够有效地对模型的BRB参数进行优化;并且优化后的模型可以准确地对产品的寿命进行评估。

线性FBM过程随机退化设备剩余寿命自适应预测

现有文献主要通过马尔科夫过程来描述设备的退化轨迹,鲜有考虑历史状态对未来退化轨迹的影响。鉴于此,为了反映退化轨迹的记忆效应对剩余寿命预测的影响,首先基于分数布朗运动建立一种线性随机退化模型,并通过引入随机效应来反映不同样本间的退化差异性;其次,基于弱收敛性理论与分数布朗运动的特性推导剩余寿命分布的近似解析解;再次,基于极大似然算法和贝叶斯理论完成模型参数的离线估计与在线更新,进而实现剩余寿命的在线自适应预测;最后,通过数值仿真与某惯性导航系统中陀螺仪的实测数据对本模型进行实验。结果表明:相比于传统线性随机退化模型,该模型能有效地刻画退化轨迹的记忆效应,提高剩余寿命的预测精度。

基于改进的强跟踪滤波GPS校频系统误差处理方法

GPS信号校准晶振信号频率源系统可输出高准确度时频信号,但GPS信号在传输和接收过程中会产生随机抖动或野值,给系统频率校准带来误差。为减小GPS信号随机抖动和野值所带来的影响,根据GPS信号与晶振信号准确度互补的特点,建立GPS信号校准晶振信号频差模型,利用强跟踪滤波算法对频差信号误差进行修正。针对GPS信号中存在的野值问题,对强跟踪滤波算法进行改进,根据残差变化率的大小判别野值,利用替代法对野值加以修正,提高滤波准确度。将该方法应用于某GPS信号校准晶振信号频率源系统,可使系统输出频率准确度达到10-11量级。

多退化变量下基于Copula函数的陀螺仪剩余寿命预测方法

针对惯性导航系统中陀螺仪多退化变量条件下的剩余寿命(RUL)预测问题,提出了一种基于Copula函数的多退化变量剩余寿命预测方法。首先,针对退化变量间不同的退化轨迹,采用不同的方法进行退化建模,并对于陀螺漂移系数样本标准差数据波动性随时间递增的特性,提出了一种方差时变的正态随机过程退化建模方法,得到了陀螺仪剩余寿命的边缘分布函数。然后,通过Copula函数来描述退化变量之间的相关性,将得到的剩余寿命的边缘分布进行融合,得到了陀螺仪剩余寿命的联合分布函数。最后,通过陀螺仪实例分析验证了方法的适用性和可行性。

基于深度卷积生成对抗网络的缺失数据生成方法及其在剩余寿命预测中的应用

数据驱动的设备剩余寿命(RUL)预测方法旨在通过建模分析设备运行监测数据,以确定设备剩余可用时间,因此数据的质量直接关系到预测结果的精度。随着传感器技术的发展与物联网的普及,数据规模呈井喷式增长,但海量数据往往存在数据缺失问题,这类问题将会对建模的准确性与决策的可靠性产生关键性影响。针对数据缺失下的剩余寿命预测问题,论文提出了一种基于深度卷积生成对抗网络(DCGAN)的缺失数据生成方法。该方法利用生成对抗网络(GAN)强大的学习能力,采用深度卷积网络学习真实分布并对缺失数据进行填充处理,并结合Kolmogorov-Smirnov(K-S)非参数检验的思想以改善生成对抗网络训练不稳定、建模过于自由的缺点。在此基础上,利用双向长短时记忆网络(Bi-LSTM)建立了设备退化趋势预测模型,通过预测退化量超过失效阈值的时间实现了剩余寿命的预测。最后,基于锂电池退化数据对所提方法进行了应用验证,并且通过对比完整数据、生成数据以及缺失数据下剩余寿命预测结果进一步表现本文方法在解决数据缺失问题方面的优越性,同时可以提升剩余寿命预测对数据缺失的鲁棒性。

基于非线性分数布朗运动的光电设备剩余寿命自适应预测

在现有研究中,通常采用无记忆效应的马尔可夫过程模型来描述光电设备的随机退化,忽略了其退化过程中状态之间的长期相关性。鉴于此,首先,基于非线性分数布朗运动提出了一种具有记忆效应的随机退化模型,用于描述测量误差与随机效应影响下的光电设备退化过程;在此基础上,基于弱收敛理论推导得到了首达时间意义下设备剩余寿命的近似解析式。其次,分别采用极大似然估计算法与贝叶斯推理完成了模型参数的离线估计与实时更新,进而实现剩余寿命的自适应预测。最后,将所提方法应用于GaAs激光器的性能监测数据中,实验结果表明所提方法能有效提高光电设备剩余寿命的预测精度。