为研究设备可用度对列车控制中心(TCC,Train Control Center)的影响和预测TCC的剩余使用寿命(RUL,Remaining Useful Life),降低TCC的故障发生率,确保车辆安全运行,构建TCC动态故障树模型。通过引入Markov理论,将其转化为Markov模型,设计...为研究设备可用度对列车控制中心(TCC,Train Control Center)的影响和预测TCC的剩余使用寿命(RUL,Remaining Useful Life),降低TCC的故障发生率,确保车辆安全运行,构建TCC动态故障树模型。通过引入Markov理论,将其转化为Markov模型,设计了TCC可用度评估与RUL预测方法;考虑了TCC的失效率和共因失效,利用D-S(Dempster-Shafer)证据理论对失效数据作数据融合处理,得到TCC设备初始故障区间概率;在此基础上,采用超椭球模型约束设备初始故障区间概率,得到更加精确的底事件故障区间概率;画出Markov状态转移图,用矩阵推导出TCC可用度和RUL的函数关系式,且对可用度的计算还考虑了维修因素。以兰州—乌鲁木齐客运专线某TCC数据作为分析案例,用该方法计算TCC及其各设备的可用度,并预测TCC的RUL。结果表明:与通用方法相比,评估结果相同,但评估信息更丰富。展开更多
旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网...旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。展开更多
剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信...剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。展开更多
文摘为研究设备可用度对列车控制中心(TCC,Train Control Center)的影响和预测TCC的剩余使用寿命(RUL,Remaining Useful Life),降低TCC的故障发生率,确保车辆安全运行,构建TCC动态故障树模型。通过引入Markov理论,将其转化为Markov模型,设计了TCC可用度评估与RUL预测方法;考虑了TCC的失效率和共因失效,利用D-S(Dempster-Shafer)证据理论对失效数据作数据融合处理,得到TCC设备初始故障区间概率;在此基础上,采用超椭球模型约束设备初始故障区间概率,得到更加精确的底事件故障区间概率;画出Markov状态转移图,用矩阵推导出TCC可用度和RUL的函数关系式,且对可用度的计算还考虑了维修因素。以兰州—乌鲁木齐客运专线某TCC数据作为分析案例,用该方法计算TCC及其各设备的可用度,并预测TCC的RUL。结果表明:与通用方法相比,评估结果相同,但评估信息更丰富。
文摘旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。
文摘剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。