零寿命标签下退化设备剩余寿命预测方法

考虑到安全性与经济性因素,同类历史设备的性能退化数据大多属于截尾型,采用深度学习训练时往往面临零寿命标签的挑战,量化剩余寿命(Remaining Useful Life,RUL)不确定性更是难上加难,并且现有深度学习模型进行RUL预测时忽略了首达与非首达时间意义之间的区别.为了克服以上困难,本文提出一种零寿命标签下退化设备RUL预测方法,采用数据预处理技术生成以退化信息为标签的样本,利用贝叶斯双向长短期记忆(Bayesian Bidirectional Long Short-Term Memory,B-Bi-LSTM)模型描述设备性能退化演变规律,同时借助变分推断技术实现了性能退化的不确定性度量.进一步,从可靠性角度分析了性能退化预测分布与RUL分布间的关系,分别围绕首达与非首达两类情形推导设备RUL概率分布,通过锂电池案例对所提方法进行实例验证.实验结果表明,所提方法能够提供RUL预测的点估计与概率分布式结果,有效确保了预测结果的科学性.

大数据下数模联动的随机退化设备剩余寿命预测技术

面向大数据背景下随机退化设备剩余寿命(Remaining useful life,RUL)预测的现实需求,结合随机退化设备监测大数据特点及剩余寿命预测不确定性量化这一核心问题,深入分析了机理模型与数据混合驱动的剩余寿命预测技术、基于机器学习的剩余寿命预测技术、统计数据驱动的剩余寿命预测技术以及机器学习和统计数据驱动相结合的剩余寿命预测技术的基本研究思想和发展动态,剖析了当前研究存在的局限性和共性难题.针对存在的局限性和共性难题,以多源传感监测大数据下剩余寿命预测问题为例,提出了一种数模联动的大数据下随机退化设备剩余寿命预测解决思路,并通过航空发动机多源监测数据初步验证了该思路的可行性和有效性.最后,借鉴数模联动思路,综合考虑机器学习方法和统计数据驱动方法的优势,紧紧扭住大数据背景下随机退化设备剩余寿命预测不确定性量化问题,提出了大数据背景下深度学习与随机退化建模交互联动、监测大数据与剩余寿命及其预测不确定性映射机制、非理想大数据下的剩余寿命预测等亟待解决的关键科学问题.

Remaining useful life estimation based on Wiener degradation processes with random failure threshold

Remaining useful life(RUL) estimation based on condition monitoring data is central to condition based maintenance(CBM). In the current methods about the Wiener process based RUL estimation, the randomness of the failure threshold has not been studied thoroughly. In this work, by using the truncated normal distribution to model random failure threshold(RFT), an analytical and closed-form RUL distribution based on the current observed data was derived considering the posterior distribution of the drift parameter. Then, the Bayesian method was used to update the prior estimation of failure threshold. To solve the uncertainty of the censored in situ data of failure threshold, the expectation maximization(EM) algorithm is used to calculate the posteriori estimation of failure threshold. Numerical examples show that considering the randomness of the failure threshold and updating the prior information of RFT could improve the accuracy of real time RUL estimation.

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.

考虑执行器性能退化的控制系统剩余寿命预测方法

工程控制系统在运行过程中,由于内外部应力的综合作用以及外部环境等的影响,其部件性能将逐渐退化,最终会导致控制系统失效.然而,由于控制系统中闭环反馈的作用,系统的输出残差可能仍在较小范围内变动,使得早期性能退化这种微小故障难以被检测到,呈现隐含退化的特点.现有文献中,针对此类在闭环反馈控制作用下部件存在隐含退化过程的控制系统剩余寿命(Remaining useful lifetime, RUL)预测问题,鲜有研究.为此,本文针对一类仅考虑执行器性能退化的确定闭环控制系统,提出一种基于解析模型的剩余寿命预测方法.该方法首先基于权值优选粒子滤波算法,利用系统的监测数据在线估计出执行器的隐含退化量,然后在每一个预测时刻通过蒙特卡洛(Monte Carlo, MC)仿真计算得到合理的失效阈值,建立基于该失效阈值的系统失效判断准则,最后将隐含退化量的估计值代入退化模型中外推出剩余寿命分布.惯性平台稳定回路控制系统的仿真实验结果验证了该方法的可行性、有效性.

基于多尺度特征与注意力机制的轴承寿命预测

针对以往剩余使用寿命(RUL)预测方法对轴承退化信息挖掘不充分、忽视不同特征贡献度差异,影响预测准确性的问题,提出基于多尺度特征与注意力机制的轴承RUL预测方法.在多个尺度下计算轴承原始振动信号的若干时域和频域特征,作为输入特征集.将多尺度特征集输入到网络中,以注意力模块为不同特征自适应地分配最佳权重,以卷积神经网络(CNN)模块进行深层特征提取与多尺度特征融合,通过前馈神经网络(FNN)模块映射得到RUL预测值.通过公开的轴承数据集进行实验验证,与其他RUL预测方法相比,所提方法的预测性能更优越.

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.

军队院校测控工程专业测试、测量、检测类课程教学方法改革的思考与实践

针对军队高等院校测控工程专业测试、测量、检测类课程教学过程中存在的知识体系庞大、学员基础不一、理论与实践脱节等问题,在总结本校电子测量技术、测试技术基础教学团队多年教学经验的基础上,对该类课程从“分组式翻转课堂”、“案例引导式+研究性学习”和“网站+微课”等教学方法、教学手段方面进行改革,以提高课程学习效果。

军队院校测控工程专业“测试、测量、检测”类课程实验手段改革的思考与实践

针对电子测量技术课程在学员数量多与实验仪器设备少之间存在的矛盾,出了一种基于虚拟仪器的远程互动实验模式建设方案并开展了具体的实验应用。