New Interval Oscillation Criteria for Forced Second-order Half-linear Differential Equations

This paper discusses a class of forced second-order half-linear differential equations. By using the generalized Riccati technique and the averaging technique, some new interval oscillation criteria are obtained.

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明:所提方法CNN-LSTM有着较高的预测准确度。

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。

结合GCN与LSTM的滚动轴承剩余寿命预测方法

针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.

电动汽车IGBT剩余使用寿命预测

引入一种基于贝叶斯优化(BOA)的双向长短时记忆网络(Bi-LSTM),同时结合注意力机制,应用于绝缘栅双极型晶体管(IGBT)剩余使用寿命预测,所提方法可有效提高IGBT剩余使用寿命预测的准确性.通过IGBT加速老化试验收集V CE-on,验证了其作为失效特征参数的可行性,并将其作为实验数据集对所提方法进行仿真验证.实验分析结果表明,所提的混合预测模型与经典LSTM及其他预测模型相比,有更低的退化预测误差,具备较高的理论意义和实践价值.

基于WOA-LSTM的锂电池寿命预测研究

针对LSTM模型参数较难选取导致锂电池寿命预测效果较差,提出一种长短期记忆神经网络(LSTM)结合鲸鱼优化算法(WOA)的锂电池产品寿命预测方法,该方法通过WOA对参数进行优化以提高模型的准确性。在此基础上,采用NASA锂电池数据集进行对比实验分析,分别运用WOA-LSTM算法、CNN-LSTM算法和LSTM算法对锂电池的剩余使用寿命进行预测,实验结果证明,WOA-LSTM模型相较于CNN-LSTM模型和LSTM模型的精度分别提升了3.2%和4.5%,验证了WOA方法的有效性,为推动锂电池相关研究的进展提供思路和依据。

基于S-MCLSTM和DANN的滚动轴承剩余寿命预测方法

针对在不同工作条件和不同故障形式下,滚动轴承剩余寿命预测泛化能力差和精确度不高的问题,提出一种基于孪生多卷积长短时记忆网络(S-MCLSTM)和域对抗网络(DANN)的剩余寿命预测方法。首先针对不同的工作条件对退化过程的影响,提出基于S-MCLSTM的差异化特征提取器以提取一定时间间隔的两个样本之间的差异化特征。同时,进一步使用工作条件判别器与差异化特征提取器进行对抗训练,减少由于工作条件的原因产生的冗余特征。之后针对故障形式对退化过程的影响,设计了故障诊断器用于和差异化特征提取器对抗训练。最后,考虑到滚动轴承一般退化过程中,不同阶段的退化过程与特征之间的映射关系可能存在的差异,提出了阶段判别器,并在不同阶段应用不同的剩余寿命预测器进行预测。最终在西安交通大学XJTU-SY轴承数据集上的实验表明,该方法在多种工作条件和故障形式下都能较准确地预测剩余寿命,有较为广泛的应用前景。

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。

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。

鲸鱼优化算法-双向长短期记忆神经网络用于断路器机械剩余寿命的预测研究

低压断路器的安全可靠是电力系统能否稳定运行的关键一环,因此对断路器进行退化趋势预测和剩余寿命评估具有重要意义。基于鲸鱼优化算法(whale optimization algorithm,WOA)和双向长短期记忆神经网络(bidirectional long short-term memory,BiLSTM)提出了一种断路器操动机构剩余寿命的预测方法,首先采用Pearson相关系数法对获得的原始监测数据进行筛选,选择与断路器开断次数相关度较高的数据作为关键退化特征量,基于主成分分析法进行数据融合获得能够综合表征断路器运行状态的健康指数;随后使用滑动时间窗的方法对健康指数时间序列进行重构,再通过WOA-Bi LSTM寻优获得的最佳模型对健康指数进行时间序列预测,从而获得断路器未来多步的退化趋势;最后再根据设定的失效阈值,确定断路器操动机构的剩余寿命。实例验证表明,该文提出的混合预测模型预测精度最高可达96.43%,相比于其他传统预测模型显著提高,对于断路器的实际运维工作具有一定的指导意义。

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。

基于注意力的VAE-ConvLSTM模型的剩余寿命预测研究

为解决传统有监督算法难以达到较高预测精度的问题,提出了一种新的半监督模型。首先,将不同传感器采集的监测数据直接作为网络输入,减少了可能出现的信息损失;接着,在无监督部分采用变分自动编码器(variationalautoencoder,VAE),以自动提取输入数据的深层表达;然后,在有监督部分使用卷积长短期记忆(convolutionallongshort-term memory, ConvLSTM)网络进一步提取时序数据的时空特征,并引入注意力机制,提高重要特征因子的权重;最后,在NASA提供的C-MAPSS数据集上进行对比实验,以均方根误差和数据集自定义的Score作为评价指标。实验结果表明,所提出的模型在复杂预测场景中取得了最好的结果,证明了该模型的有效性。

基于间接健康特征优化与多模型融合的锂电池SOH-RUL联合预测

准确预测锂电池健康状态(SOH)与电池剩余使用寿命(RUL)对提高电池安全性能具有重要意义。而当前针对SOH和RUL的预测,存在着间接健康特征选取困难,以及使用数据驱动方法缺乏不确定性表达的问题。为此,该文提出一种基于间接健康特征优化与多模型融合的锂电池SOH-RUL联合预测方法。首先从充电电压曲线中采集多个健康特征,并通过特征并行融合方法和注意力机制进行优化处理得到间接健康特征(IHF)。然后引入贝叶斯模型平均(BMA)方法来解决预测过程中的不确定性问题,将其与支持向量回归(SVR)和长短期记忆神经网络(LSTM)相结合,构建SVR-BMA融合模型和LSTM-BMA融合模型,并分别进行SOH和RUL预测;通过自适应噪声完备集合经验模态分解(CEEMDAN)方法从SOH预测阶段的容量预测结果中提取出RUL预测的输入特征,以实现SOH和RUL的联合预测。最后利用CALCE数据集进行性能测试,实验结果表明,所提方法能有效提高SOH和RUL预测的准确性和可靠性。

T22/TP304H异种钢焊接接头性能分析与剩余寿命评估

异种钢焊接在亚临界锅炉中被广泛运用,其焊接接头性能会直接影响锅炉的运行安全和服役寿命。针对已服役20万小时以上的锅炉中带垫板T22/TP304H异种钢焊接接头,采用微观组织观察、常温与高温拉伸试验以及高温持久试验等方法,全面评估了焊接接头的组织形态、力学性能和耐久性。结果表明,TP304H母材及焊缝中有析出物聚集现象,易诱发焊接区域萌生裂纹;长期服役的接头拉伸强度低于ASME标准要求的最低值,力学性能出现较大程度的衰退;通过温度曲线推算法估算,焊接接头的剩余寿命为29 745 h,但其运行可靠性已显著降低,应对接头部位进行检修并加强后期巡检工作。该研究可为T22/TP304H异种钢焊接头的组织与性能研究和设备后续的安全运行提供理论参考。

基于数据预处理和VMD-LSTM-GPR的锂离子电池剩余寿命预测

锂离子电池的剩余使用寿命(RUL)是健康管理中重要参数,其准确评估对于保证电池设备的安全稳定运行非常重要。该文提出一种数据预处理联合变分模态分解(VMD)、长短期记忆网络(LSTM)和高斯回归过程(GPR)的预测框架。首先选取充放电循环过程中的信息作为间接健康因子(HI),并通过核主元分析方法(KPCA)实现间接HI的特征提取,完成数据预处理;其次通过VMD-LSTM方法实现健康因子的分解、预测和重构,并将重构得到的数据应用于RUL预测的GPR模型,完成预测模型搭建;最后以NASA锂电池数据集作为算法测试数据,结果表明,所提取的健康因子能够准确跟踪锂电池的退化过程;所提预测方法能够准确地估计电池的剩余寿命,同时具有较高的可靠性和稳定性。

多角度基于CEEMDAN-CNN-BiLSTM模型的锂离子电池RUL预测

通过构建模型对锂离子电池剩余使用寿命进行预测,并探究温度及网络参数对所构建模型预测精准度的影响,进而提高模型的预测精准度。提出自适应噪声完全集合经验模态分解(CEEMDAN)和一维卷积神经网络(1D CNN)与双向长短期记忆(BiLSTM)神经网络相结合的锂离子电池剩余寿命预测方法。选取容量作为健康因子,然后利用CEEMDAN对复杂不平稳数据进行分解,得到稳定的分量。利用1D CNN对锂离子电池容量数据进行深度挖掘,最后利用双BiLSTM神经网络建模对锂离子电池剩余使用寿命(RUL)进行预测。采用NASA数据集和CALCE数据集进行测试,在不同温度与网络参数下进行预测效果对比,并与BiLSTM模型、SVR模型、CNN-BiLSTM模型进行预测对比。

基于LSTM-CAPF框架的岸桥起升减速箱轴承寿命预测方法

岸桥起升减速箱轴承的健康状况对港口生产安全具有重要意义.针对岸桥变工况的工作条件,提出一种起升减速箱轴承的剩余使用寿命(RUL)预测框架.首先,对工作载荷进行离散化,并确定工况边界.然后,利用长短时记忆(LSTM)网络模型预测载荷和相应的运行工况.其次,以维纳过程为基础,建立了考虑不同工况下退化率和跳变系数的状态退化函数.最后,利用工况激活粒子滤波(CAPF)方法预测轴承退化状态和RUL.采用NetCMAS系统采集的上海某港口起升减速箱轴承全寿命数据验证了所提出的预测框架.与其他3种预测模式比较表明,所提出的框架能够在变工况条件下获得更准确的退化状态和RUL预测.