基于超椭球Markov的列车控制中心剩余使用寿命预测

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。

配电网变压器剩余使用寿命预测

变压器是配电网实现电压变换的关键设备,其安全性能关乎整个配电系统的可靠性。变压器剩余使用寿命的准确预测是实现其安全预警的前提条件,复杂的机械结构及多变的工作环境使材料之间产生温度波动而生成机械应力,应力的持续作用造成绝缘材料疲劳老化,导致变压器绝缘性能衰退而易发生突发失效。因此,本文提出一种基于粒子滤波器的变压器剩余使用寿命预测方法,以实现对多种工况下变压器剩余使用寿命的准确辨识。首先,给出变压器绝缘纸内部油温的计算方法,并以此建立变压器剩余使用寿命的估算模型;然后,采用粒子滤波算法对绝缘纸内部油温计算的不确定性进行概率量化,并将此不确定性描述转化为变压器剩余使用寿命估算的不确定性分布,获取更为准确的变压器剩余使用寿命值;最后,算例分析证明了所提方法的有效性。

基于Aseq2seq-PF的实车锂离子动力电池剩余使用寿命预测

锂离子动力电池剩余使用寿命(RUL)预测可评估电池未来状态,实现指导电池维护和降低故障危害。实车工况中电池循环条件不受控制,动态运行条件下的RUL预测仍存在杂乱数据处理困难、预测结果精度较差且无法兼顾老化不确定性等问题,提出注意力机制序列到序列-粒子滤波(Aseq2seq-PF)混合模型,选取公共荷电状态(SOC)充电区间获取归一化容量,采用迭代和直接的融合预测策略,Aseq2seq模型作为迭代部分实现容量序列精确预测,粒子滤波(PF)模型作为直接部分实现容量波动的不确定性预测,外推容量衰退趋势预测RUL。经实车动力电池数据验证,公共SOC充电区间有效获取了清晰容量衰退趋势,混合模型提高了容量衰退长期预测精度,具有良好鲁棒性,对比已有模型平均绝对误差下降56%以上,且输出满足不同应用需求的置信区间,实现老化不确定性描述。

基于KPCA-LSTM的旋转机械剩余使用寿命预测

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。

基于EWM和SVR的滚动轴承剩余使用寿命预测方法

为解决滚动轴承有限全寿命监测数据情况下退化特征分布失真导致轴承剩余使用寿命(RUL)预测精度不高的问题,提出一种基于熵权法(EWM)和支持向量回归(SVR)的轴承RUL预测方法。首先,提取振动信号的时域和频域特征,并对特征进行对数变换;然后,通过EWM确定指标权重实现特征选择;最后,采用麻雀搜索算法(SSA)优化SVR模型,以主成分分析(PCA)降维后的低维特征作为优化后的SVR模型的输入,RUL占比作为输出,从而实现轴承剩余寿命的预测。结果表明:在有限监测数据情况下,与其他方法相比,所提方法不但预测性能更加稳定,而且预测的绝对误差平均降低19.51%,均方误差(MSE)平均降低17.73%。

基于猎人猎物优化算法改进粒子滤波的滚动轴承剩余使用寿命预测技术

针对目前滚动轴承剩余使用寿命(RUL)预测存在的预测精度不高、预测模型累计误差大等问题,提出一种融合Hodrick-Prescott(HP)趋势滤波边界线(HPTF-BL)、猎人猎物优化算法改进粒子滤波(HPO-PF)的滚动轴承剩余使用寿命预测方法。该方法首先将HP趋势滤波与退化边界线构建相结合,对表达轴承退化信息的特征指标进行处理,得到上下退化边界与主要退化趋势,然后利用猎人猎物优化算法(HPO)改进粒子滤波(PF)的重采样过程,再使用改进的方法对特征指标进行趋势预测,最后结合设定的失效阈值线得到最终的剩余使用寿命。使用美国辛辛那提大学智能维护系统(IMS)中心的轴承实验数据验证了所提方法的可行性与有效性。

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。

基于分层极限学习机的锂离子电池剩余使用寿命预测

提前对锂离子电池的剩余使用寿命(RUL)进行预测可以保证电池及其应用设备安全稳定运行。针对目前预测方法的结果滞后且缺乏实际意义等问题,为了利用少量循环数据实现RUL的提前预测,本文基于原始极限学习机和自动编码器构建了分层极限学习机(H-ELM)预测模型。然后选取丰田研究所(TRI)的实验数据集对H-ELM完成了仿真实验验证。实验结果表明,本文提出的H-ELM预测模型可以在电池使用初期预测出RUL,同时预测结果的平均绝对百分比误差(MAPE)仅有10.14%。

变工况条件下基于相似性的剩余使用寿命预测方法

剩余使用寿命(RUL)预测是预测与健康管理(PHM)中的核心环节。提出一种变工况条件下基于相似性的RUL预测方法。结合相似性预测方法无需进行复杂的退化过程建模而能提供合理预测的优势,引入工况即设备工作时所处的环境或操作载荷等因素的影响来提升设备RUL预测准确性。对参考样本建立多工况的设备退化模型提升模型精度,在服役样本相似性度量预测中进行工况的匹配以实现在变工况下的RUL预测。方法能够更准确地描述实际工程中设备的退化过程和个体差异。依据相同准确度标准完成多组基本相似性方法和本文方法的对比实验结果表明,本文方法能够有效提高RUL预测准确度。

基于BiLSTM与注意力机制的剩余使用寿命预测研究

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。

基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life,RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman filters)和Bayes结合的滚动轴承性能退化建模与剩余使用寿命预测方法。结合滚动轴承振动信号性能监测数据,采用SKF方法识别出轴承性能退化的变点;利用随机效应指数退化模型描述轴承性能退化过程,结合同类轴承性能数据给出模型未知参数极大似然估计;利用KF单步预测对当前时刻监测数据进行修正,基于Bayes方法对模型中的随机参数进行实时更新,推导出轴承剩余使用寿命分布模型,计算滚动轴承剩余使用寿命;通过对滚动轴承试验数据分析,验证了该方法的适用性和有效性。

基于改进CNN-LSTM的剩余使用寿命预测方法

机电设备的寿命预测是状态维修中的一项重要任务。剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本。为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型。通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL。最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势。

基于长短时记忆网络的腐蚀工况下抽油杆剩余使用寿命预测

抽油杆工作环境复杂,失效形式多样,其工作寿命受诸多因素影响,如何提高抽油杆在腐蚀工况下的剩余使用寿命(remaining useful life,RUL)显得尤为关键。使用深度学习方法中的长短时记忆网络(long short-term memory,LSTM),根据已有的油田生产数据,选取了15项与抽油杆腐蚀密切相关的变量,通过参数优化、网络训练,构建了基于LSTM的抽油杆剩余寿命预测模型,对20口生产井数据的测试显示,模型预测结果的平均误差为36%,同时与双向LSTM和深度LSTM模型进行对比表明,LSTM预测模型具有更好的预测能力,结果表明:LSTM模型在抽油杆寿命预测领域具有良好的应用前景。

基于ELM锂离子电池RUL预测优化方法研究

针对传统的极限学习机ELM(Extreme Learning Machine)算法对锂离子电池剩余使用寿命RUL(Remaining Useful Life)的预测效果不准确等问题,提出通过考察循环次数基础数据导入值对预测结果的影响,及通过集成度调整即前期降低算法RUL估计的频率,后期提高算法集成度和RUL估计的频率,进一步提高锂离子电池RUL预测的准确性。结果表明该方法具有测试时间短和误差小等优点,可为锂离子电池检测机构及生产企业提供一种更加快捷及低成本的电池剩余使用寿命或循环寿命测试方案。

基于局部均值分解和极限学习机的锂电池剩余寿命预测

锂离子电池的剩余使用寿命存在难以准确预测、容量数据不能在线实时测量的问题,提出一种基于间接健康因子预测锂电池剩余寿命的方法。首先提取放电电压速率作为间接健康因子,通过局部均值分解(LMD)对放电电压速率数据进行分解;然后采用灰色关联度验证经解耦后的放电电压速率与电池容量之间具有高关联度,应用极限学习机(ELM)训练模型,以预测锂离子电池的剩余使用寿命;最后,将间接健康因子输入LMD-ELM关系模型中,获得电池容量的准确预测值。采用NASA数据集验证了本文所提LMD-ELM方法预测的锂电池剩余寿命方均误差小于0.002 2,平均绝对百分比误差小于3.12%。

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明:相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。

基于SVD-SAE-GPR的锂离子电池RUL预测

锂离子电池是重要的储能手段之一,对其剩余使用寿命(RUL)进行预测具有非常重要的实际意义。本工作首先针对传统特征提取方法依赖参数设置且对于不同锂离子电池数据集适应性差的缺陷,将电池数据视作矩阵,并引入奇异值分解(SVD)从测量数据和包含更多退化信息的特征提取对象中提取潜在健康因子(HIs)。其次,潜在HIs的冗余和不足会影响RUL的预测,同时考虑到主成分分析(PCA)的缺点,使用Spearman相关分析和堆叠自编码器(SAE)处理HIs得到一个融合HI。在此基础上,利用高斯过程回归(GPR)算法构建了融合HI与容量之间的模型,得到了带有不确定性表达的最终预测结果。最后,通过NASA提供的四个老化电池数据验证了所提预测模型的可行性和有效性。并额外选取MIT电池数据集验证特征提取方法的适应性。实验结果表明,所提出的RUL预测框架具有较好的预测性能,SVD特征提取方法在避免参数设置的前提下具有较好的适应性。本工作提取的HI与经过PCA融合的HI、其他HI相比,预测精度有显著提高。

基于LSTM网络参数优化的航空发动机寿命预测

作为飞机正常运行的关键部件,航空发动机在保证飞机整体可靠性方面起着至关重要的作用。为了精确预测航空发动机剩余使用寿命(Remain Useful Life,RUL),提出了一种基于混沌博弈(Chaos Game Optimization,CGO)算法优化长短时记忆(Long Short-Term Memory,LSTM)网络的预测方法。首先,基于航空发动机历史运行数据构建CGO算法的适应度函数;其次,利用CGO算法对LSTM网络内的神经元个数、学习率、迭代次数等参数进行调整;最后,利用训练好的LSTM网络预测在役航空发动机的RUL。基于NASA提供的航空发动机退化仿真数据集,实验结果表明,该方法的预测精度优于单一LSTM网络预测方法。

基于多时间尺度相似性的涡扇发动机寿命预测

针对传统相似性方法在提取健康指标和相似性匹配上存在的不足,提出结合自编码器神经网络的基于多时间尺度健康指标相似性的预测方法(AE MTS-HI).采用自编码器从状态监测数据中提取表征发动机退化状态的健康指标,降低提取过程非线性信息的损失.将测试退化轨迹长度的波动纳入考量,针对性地设计多时间尺度的健康指标进行相似性匹配.这不仅可以克服单一时间尺度匹配导致的精度限制,而且可以提高预测的鲁棒性.在涡扇发动机的公开数据集上验证所提方法的性能.结果表明,利用该方法能够显著提升剩余使用寿命(RUL)的预测精度,为预知维护提供有力支撑.

基于改进ELM的锂离子电池RUL预测

针对传统的极限学习机(ELM)算法对锂离子电池剩余使用寿命(RUL)预测效果不佳,以及已有改进ELM算法中鲜有关注输入层与隐藏层的“局部”连接等问题,提出改进算法A,即把ELM输入层与隐藏层之间的全连接改为卷积、池化;由于改进算法A的预测结果存在不确定性,向改进算法B引入全局平均池化的思想,直接把ELM输入层与隐藏层之间的全连接改为池化。将马里兰大学高级生命周期工程研究中心(CALCE)和美国国家航空航天局(NASA)的两组数据用于仿真实验,发现两种改进算法的预测精度均比常见的几种改进ELM算法更好。以B7电池为例,当预测起始点T=100时,改进算法A和改进算法B的均方根误差分别可达到0.0232和0.0090。