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%。

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。

基于迁移学习的滚动轴承剩余使用寿命预测

为解决轴承剩余使用寿命预测模型预测泛化能力低,不能准确预测出未训练轴承剩余使用寿命的问题,本文提出了一种迁移轴承状态知识的剩余使用寿命的方法。利用计算时域、频域特征以及模糊熵作为预测特征,使用“3σ”准则将轴承全寿命过程划分为正常阶段、退化阶段,以实现对退化阶段轴承剩余使用寿命的预测。构建基于门控循环单元的轴承剩余使用寿命预测模型,并使用某一轴承的全寿命周期数据进行训练,使模型学习到新轴承的状态信息。研究表明:相较于未使用迁移学习的方法,其预测所有轴承的轴承剩余使用寿命平均均方根误差减小了52.53%,平均百分比误差减少了68.87%。本文提出的方法可以有效、准确地预测出轴承的轴承剩余使用寿命。

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Bi-LSTM-Dropout的蓄电池剩余使用寿命预测方法

蓄电池剩余使用寿命预测对能源的安全性和可持续发展至关重要。该文提出一种蓄电池剩余使用寿命的预测方法,利用蓄电池的历史运行数据和充放电周期,构建Bi-LSTM-Dropout网络模型。利用Bi-LSTM提取时间序列中蓄电池长期依赖的特征,采用Dropout优化算法降低Bi-LSTM网络模型的复杂度,提高模型的泛化能力。实验结果表明,该方法在测试集上的准确率达96.2%,实现了蓄电池剩余使用寿命的精确预测。

基于CNN-LSTM的地铁空调控制器剩余使用寿命预测分析

阐述综合考虑地铁空调控制器的特点,构建基于功能层及经济层的空调控制器样本数据集,通过建立CNN-LSTM模型对空调控制器的剩余使用寿命进行预测。实验结果表明,该预测模型准确度较高。

动车组制动控制装置结构件使用寿命预测

制动控制装置是动车组车辆制动系统的主要控制中心,也是动车组车辆的关键组成部件,在保证车辆安全运营过程中起到至关重要的作用。该装置在服役过程中,车辆的启动、制动等工况产生的冲击载荷可能造成金属结构疲劳破坏从而导致列车运行过程中的制动失效。因此,开展动车组制动控制装置在服役环境下的疲劳寿命预测,对我国新一代动车组的研制和运维具有重要的意义。文章以动车组制动控制装置为研究对象,首先,基于目前国内动车组车辆的运营及检修现状,针对延长制动控制装置使用寿命的需求开展典型载荷工况下的力学建模和仿真分析,在对设计结构验证的同时,获得极端工况下的最大应力位置及应力值,给出了未考虑退化工况下制动控制装置的物理寿命;其次,结合现阶段制动控制装置的检修状态,引入关于腐蚀和裂纹这两个方面的退化模型开展考虑性能退化的制动控制装置的物理寿命预测,为制动控制装置延长使用寿命的方案提供理论数据、理论研究方法、评估策略及有针对性的维护保养方案。

融合时变可靠度与有限元模型的闸门工程使用寿命预测模型

传统的结构可靠性分析方法往往只考虑静力荷载和恒定可靠度,无法反映结构在使用过程中的性能变化。因此,研究基于结构可靠度理论,结合有限元分析、静力学分析和时变可靠度模型,用于评估水闸工程的稳定性和安全性,并预测其剩余使用寿命。试验以山东某水闸为研究对象,结果表明,从水闸开始使用到使用年限达到25年期间,可靠度指标仅从3.76增长到4.73。这个微小的增长趋势表明,闸门在抗滑稳定方面的性能是相当可靠的。

实车数据驱动的锂电池剩余使用寿命预测方法研究

锂离子动力电池剩余使用寿命(RUL)预测对于认识全生命周期电动汽车的安全和可靠性、改善电池管理系统的设计具有重要意义。通常基于深度学习的时序预测方法,本质上是一个递推的过程,每一次预测的误差会随预测次数增加而累积,难以保证预测精度和预测效率。基于深度学习序列预测和误差分析理论,建立一种ARIMA-EDLSTM融合模型的锂电池RUL预测方法,使用编码器-解码器(ED)框架改进长短时记忆神经网络模型(LSTM)构建从序列到序列预测的EDLSTM模型,并融合ARIMA模型预测误差趋势,进而修正最终预测结果。理论分析和实车采集数据验证表明,该方法在预测比例超过历史数据总量35%的情况下,仍然能较好地拟合实车SOH衰退曲线,有效提高锂电池剩余使用寿命的预测精度。

基于混合ISSA-LSTM的锂离子电池剩余使用寿命预测

准确预测锂离子电池剩余使用寿命(remaining useful life,RUL)对降低电池使用风险和维护设备稳定性方面具有重要意义。为了提高锂离子电池RUL预测的稳定性和结果的准确性,提出一种基于混合改进麻雀搜索算法(improved sparrow search algorithm,ISSA)与长短期记忆(long short-term memory,LSTM)神经网络的锂电池RUL预测模型。首先,用均值化方法对原始数据中的异常值进行处理。然后,结合Tent混沌映射、自适应权重以及反向学习策略和柯西变异扰动策略优化麻雀搜索算法,再利用改进麻雀搜索算法对LSTM模型的参数进行优化。最后,采用改进的混合ISSA-LSTM模型并完成RUL预测。采用NASA公开数据集对本模型进行验证。结果表明,该模型的平均绝对误差、均方根误差和平均相对百分比误差控制在0.01647、0.02284和1.2048%以内,能够有效地提高锂离子电池RUL的预测精度。

基于PF-LSTM的锂电池剩余使用寿命预测

针对锂电池剩余使用寿命(RUL)难以准确预测的问题,提出一种考虑多种寿命衰退特征与数据时序性的基于粒子滤波改进长短期记忆网络(PF-LSTM)的预测模型,并应用于锂电池的RUL预测。从电池历史充放电老化数据中提取与容量衰退密切相关的健康因子作为LSTM网络的输入,利用PF算法全局优化的能力寻优超参数,包括神经元个数、学习率、节点丢弃率、批尺寸大小、训练步数等6个参数,提高网络的预测能力;引入Dropout层,避免网络过拟合,提高模型的泛化能力。基于NASA PCoE电池数据集进行实验验证,对4块电池在不同预测起始点下的容量估计和寿命情况进行预测,并与经网格搜索的LSTM,SVR等算法进行比较。实验结果表明,PF-LSTM容量估计的RMSE与MAE均在2%以内,且寿命预测误差在3个循环以内,相比于其他算法精度最高。

基于时空双细胞状态的轴承剩余使用寿命预测方法

轴承作为众多生产设备中重要的部件之一,对其剩余使用寿命的研究有较大的价值。文中针对传统轴承剩余使用寿命预测中未充分考虑不同环境下的衰减状态变化和时序相关性而导致的预测误差大的问题,提出了一种基于时空双细胞状态自适应网络(ST-DCSN)的轴承剩余使用寿命预测方法。采用一种时间状态和空间状态并存的内嵌卷积操作双状态循环网络,并引入时空双细胞状态和子细胞状态差分机制,实现对轴承衰减状态的自适应感知。该方法在时间和空间维度上对轴承监测数据进行特征状态有效捕捉,从而解决轴承剩余使用寿命预测中环境和时序问题对预测性能的影响。为了探究文中所提方法的有效性以及对比其他近年优秀方法的优越性,采用两个真实的轴承寿命加速衰减实验数据集FEMTO-ST和XJTU-SY对文中所提方法进行了验证,分别进行了消融实验和对比实验,并以4种指标对预测性能进行评价。消融实验结果表明,相比去除空间状态细胞和去除动静态子细胞的组别,完全版本的ST-DCSN能够得到更平稳以及性能指标更好的预测结果。对比其他方法,文中所提方法能够得到更优秀的预测性能,体现在拟合性更高以及轴承寿命末期预测结果的平稳性更好,证明了ST-DCSN方法能有效提高轴承剩余使用寿命预测的准确性。

基于Transformer模型的滚动轴承剩余使用寿命预测方法

准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率,提出一种基于Transformer模型的轴承RUL预测方法,充分利用其自注意力机制与编码器-解码器结构的优势,解决轴承RUL预测中序列过长而导致的记忆力退化问题,挖掘出输入特征与轴承RUL之间复杂映射关系。同时,采用三角函数变换与累积变换来修正输入特征的单调性与趋势性,使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明:所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%,平均得分分别提高了2.78%、19.79%、29.38%;在XJTU-SY数据集上的实验结果表明,所提方法相比于对比方法均方根误差降低了17.4%,平均得分提高了18.6%,进一步证明了其可行性与优越性。

基于劣化机理的轴承剩余使用寿命预测

滚动轴承作为工业设备的关键部件之一,一旦发生故障容易造成严重损失。因此提出了一种基于Paris公式相关轴承劣化理论和扩展卡尔曼滤波结合的剩余使用寿命预测方法,通过选用10个特征参数构成备选特征集,基于单调性、鲁棒性、相关性进行特征评估,结合等距特征映射法对敏感特征集进行特征融合,得到单个敏感特征值进行剩余寿命预测,最后针对试验获取的振动信号分别用基于劣化机理的模型和指数模型进行对比,验证了其有效性。

结合LSTM和Self‑Attention的滚动轴承剩余使用寿命预测方法

为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑SA)用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM‑SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self‑Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Standard‑RNN和CNN方法降低了39.58%和74.86%。

基于ResNet-Bi-LSTM-Attention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(RUL)预测是锂离子电池研究的一个重要方向,通过对RUL的准确预测,可以降低锂离子电池出现事故的概率。针对锂离子电池RUL的准确预测,该研究提出一种综合残差神经网络(ResNet)和双向长短期记忆网络(Bi-LSTM)的优势,并且加入注意力机制(Attention)的锂离子电池RUL预测模型。首先选取能够表现电池寿命的特征参数作为输入量,利用ResNet提取输入数据的隐含特征信息,然后利用Bi-LSTM对时间序列信息进行预测,并且结合注意力机制对预测结果进行权重分配,得到最终的锂离子电池的RUL预测结果。通过美国马里兰大学(CALCE)提供的开源数据集进行锂离子电池RUL预测试验,并与现有的预测模型进行对比试验,对比模型的预测结果,试验结果表明提出的ResNet-Bi-LSTM-Attention模型能够准确地进行锂离子电池RUL预测,各项误差都比较低,具有较好的精度和准确性。最后使用美国航空航天局(NASA)提供的锂离子电池开源数据集进行泛化性实验,证明了ResNet-Bi-LSTM-Attention模型在不同电池RUL预测中具有良好的准确性,可以被广泛使用。

基于集成经验模态分解与集成机器学习的锂离子电池剩余使用寿命预测方法

准确预测储能锂离子电池剩余使用寿命(remaining useful life,RUL)对于电力系统的安全性与可靠性至关重要。针对锂离子电池老化轨迹呈现非线性变化的问题,提出一种基于集成经验模态分解(ensemble empirical mode decomposition,EEMD)和集成机器学习的锂离子电池剩余使用寿命预测方法。首先,利用集成经验模态分解算法分解锂离子电池老化数据。其次,分别利用集成的长短时记忆神经网络与相关向量机对分解得到的残差数据序列和本征模态数据序列建模预测。最后,融合预测的残差数据序列和本征模态数据序列,综合计算锂离子电池未来寿命老化轨迹。采用储能锂离子电池老化数据进行验证,结果显示所提出的锂离子电池RUL预测方法具有更好的鲁棒性与非线性跟踪能力。

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long and Short-Term Memory,LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。