基于概率稀疏自注意力的航空发动机剩余寿命预测

航空发动机剩余寿命预测对其健康管理具有重要意义,针对长序列、多维度的航空发动机监测参数,提出一种基于概率稀疏自注意力(ProbSparse Self-Attention)的Transformer模型以实现航空发动机剩余寿命的准确预测。用ProbSparse Self-Attention取代原始Transformer中的常规自注意力机制,使得模型更关注时间序列中重要的时间节点,大幅缩减时间维度,减小了时间和空间复杂度;通过注意力层整合后的信息,进一步通过前馈神经网络层和卷积层,提取传感器的空间特征,编码层之间通过扩张因果卷积相连接,扩大了感受野,提高了模型对长序列信息的捕获能力。在新公开的N-CMAPSS数据集上验证算法,实验结果表明,相比于实验中的对比模型,所提模型的RMSE和Score值均有提升,推理速度也优于其他模型。

基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

基于脉冲涡流监测与Wiener过程的再制造工作辊实时剩余寿命预测方法

再制造工作辊在热轧工作过程中熔覆层易发生复杂的退化行为,而其性能退化会影响轧制产品的质量。为实时监测轧辊退化情况并预测其剩余寿命,构建一套在线脉冲涡流监测方法和系统,采用变分模态分解-希尔伯特变换(VMD-Hilbert)方法提取0~5000 Hz频率边际谱能量和的增量作为轧辊退化特征。基于此,构造考虑个体差异的状态退化空间模型,结合最大期望(EM)算法和Kalman平滑滤波算法联合对模型中未知参数进行自适应参数估计,并利用层次分析法融合监测的历史数据与实时数据,以实现对再制造工作辊实时剩余寿命预测。实验结果表明,所提方法能够准确预测再制造工作辊剩余寿命,具有一定的应用前景。

考虑随机失效阈值的多源退化数据融合与剩余寿命预测

针对现有融合多源退化数据的剩余寿命预测方法忽略随机失效阈值影响的问题,提出一种考虑随机失效阈值的多源退化数据融合与剩余寿命预测方法。首先,建立考虑随机失效阈值的融合系数确定准则,将多源退化数据融合为单一健康指标;其次,采用带线性漂移的维纳过程建立所得健康指标的退化模型,利用极大似然估计法求解模型的未知参数,并基于贝叶斯原理对其进行更新;然后,基于全概率公式推导出随机失效阈值影响下剩余寿命概率分布的解析表达式;最后,以航空发动机退化数据为例进行分析,证明了所提方法能够有效提升剩余寿命预测的准确性与精度,具备工程应用价值。

复杂环境下隆盛庄古建青砖劣化机理与剩余寿命预测

隆盛庄古镇是我国首批传统村落及第六批中国历史文化名镇,位于内蒙古乌兰察布丰镇市东北部,是历史悠久的蒙汉文化交融的商贸关口.古镇内现存大量以青砖为主要建筑材料的古建筑,在当地自然环境影响下古建青砖产生了严重的劣化现象,影响古建筑的安全性和耐久性.针对隆盛庄古镇复杂环境开展青砖的耐久性研究工作,研究结果表明:隆盛庄严寒气候与盐渍土环境是造成古建青砖劣化的两个主要环境因素,古建青砖劣化原因以冻融循环作用为主,可溶盐的存在加快了青砖的劣化速度;0.5可靠度水平清水冻融、基准浓度盐溶液冻融、10倍基准浓度盐溶液冻融下青砖的耐久性寿命分别为96、90、75次循环;隆盛庄自然环境下,通过小样本预测古建青砖的剩余寿命在43年及以上的占比为77%,除部分损伤较为严重的古建青砖需要修复或替换,剩余大部分可以继续使用.

基于柔轮裂纹扩展的谐波减速器剩余寿命预测方法

针对单一时频域指标未能较好表征谐波减速器全寿命周期退化特性问题,并考虑柔轮裂纹在不同部位的扩展速率差异性对剩余寿命预测精度的影响,提出一种基于长短期记忆网络和几何平均优化的粒子滤波(LSTM-GMOPF)的谐波减速器剩余寿命预测方法。谐波减速器退化特性难以通过单一时频域指标表征,在基于局部均值分解的振动信号处理的基础上,利用LSTM获取多个时频域指标关系,实现信号特征与退化状态之间的映射;考虑裂纹扩展速率的差异性,基于Paris及Foreman模型构建了谐波减速器前中后3个退化模型状态方程;为缓解粒子权值退化问题,引入双适应度指标,提出了基于GMOPF的状态方程参数更新迭代方法。通过谐波减速器加速寿命试验验证了方法的有效性,对比目前流行方法预测准确性最大提高了16.2%,为谐波减速器可靠性设计提供依据。

基于多特征融合的水工闸门剩余寿命预测

剩余寿命预测对保证复杂结构运行安全具有重大意义,为了提高水工闸门剩余寿命预测精度,提出了一种多特征信息融合的闸门剩余寿命预测方法。首先,采用Gamma过程模拟闸门锈蚀演化过程,通过数值仿真获得闸门因锈蚀引起的应力、自振频率、干湿模态振型等特征参数的退化过程。其次,综合考虑单调性和离散性对特征参数进行筛选,并基于主成分分析法进行特征融合构建健康因子;进一步采用非线性维纳过程对闸门退化过程进行建模,利用粒子滤波方法预测其剩余寿命。最后,结合工程实例及有限元仿真验证了所提方法的可靠性和有效性。结果表明,融合多信息的方法能更加充分地反映闸门的退化状态,预测精度评价指标均方根RMSE为1.3955,平均绝对误差MAE为1.2628,方差绝对误差VAE为0.3528,说明预测达到了较高精度,可为闸门的健康管理和安全评估提供依据。

基于改进Transformer的滚动轴承剩余寿命预测方法

针对现有的滚动轴承剩余使用寿命预测方法存在预测准确度不足、训练效率不高等问题,提出一种时频分析结合改进Transformer的轴承剩余使用寿命预测方法。首先用短时傅里叶变换提取轴承的时频特征,为了改善Transformer的特征提取能力,研究了基于膨胀因果卷积的可变长度数据分析结构,并设计了自适应位置编码模块替代Transformer的传统编码方式,改进的模型增强了对时频数据的分析能力,实现了高效、准确的端到端的滚动轴承剩余寿命预测。在PHM2012轴承数据集上的实验结果表明提出的方法的效率比LSTM高20%,同时预测精度相比于多种现有传统方法均具有16%以上的提升。

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。

多尺度局部特征和Transformer全局学习融合的发动机剩余寿命预测

飞机发动机剩余寿命(Remaining useful life,RUL)的准确预测对确保其安全性和可靠性至关重要.在基于多传感器检测数据预测时,需解决局部特征提取问题以全面捕捉设备在不同时间尺度下的退化趋势,并需解决时间序列中各元素之间长期依赖性的全局学习问题.因此,提出了结合多尺度局部特征增强单元(Multi-sacle local feature enhancement unit,MSLFU_BLOCK)和Transformer编码器的预测模型,称之为MS_Transformer.MSLFU_BLOCK利用堆叠的因果卷积逐层从时间序列数据中提取多尺度局部信息,同时避免了传统卷积计算中固有的未来数据泄漏问题.随后,Transformer编码器通过其自注意机制进一步捕获时间序列数据中的短期和长期依赖关系.通过将多尺度局部特征增强单元与Transformer编码器相结合,提出的MS_Transformer全面捕捉了时间序列数据中的局部和全局模式.在广泛使用的CMAPSS基准数据集上进行的消融和预测实验验证了模型的合理性和有效性.与13个先进预测模型的比较分析表明,MS_Transformer模型在操作条件更复杂的FD002和FD004数据集上的RMSE和Score指标优于其他模型,同时在四个数据集上的平均性能最优.该研究为发动机剩余寿命预测提供了更为可靠的解决方案.

一种基于融合特征聚类和随机配置网络的轴承剩余寿命预测方法

针对轴承剩余寿命(remaining useful life,RUL)预测中故障始发时刻(first predicting time,FPT)基于人为主观选择以及预测滞后带来的维护风险的问题,提出了一种基于融合特征和随机配置网络(stochastic configuration networks,SCNs)的轴承剩余寿命预测方法。首先,采用互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)对原始轴承水平振动信号进行分解,再提取其时域、频域信号,构建融合特征。最后,使用小波聚类划分健康状态,找到合适的FPT,并结合能反应轴承退化的特征构建健康数据集,通过SCNs网络离线建模进行预测,并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析,所提方法的综合得分高达0.83,误差百分比的平均绝对误差(mean absolute deviation,MAD)和标准偏差(standard deviation,SD)分别为5.26和3.38;与其他预测方法相比,本文所提方法有较高的预测精度。

基于剩余寿命预测信息的风电场动态成组维护策略研究

现有的风电场成组维护优化研究中,较少考虑维护时间窗内的部件实时状态信息动态变化影响,针对此问题,提出了一种考虑剩余寿命预测信息动态更新的风电场成组维护策略。首先,利用实时状态信息获得各部件剩余寿命预测结果,基于实时剩余寿命预测结果优化最小平均维修成本,构建单部件最优维修时间窗。其次,考虑风电机组部件结构相关性及部件备件库存约束,以节省维修成本最大为目标,建立风电场成组维护模型,并采用遗传算法进行成组维护策略优化。最后,采用滚动时间窗模型实时更新机组部件的剩余寿命预测信息,动态调整原有维修方案。一个实际风电场案例的分析结果表明,所提策略能够实时更新风电场维修计划,实现维修计划的动态优化,有助于降低维修成本。

刀具剩余使用寿命多传感器融合预测及试验验证

为了提高刀具剩余使用寿命预测的预测能力,设计了一种面向多传感器融合的剩余使用寿命预测方法。借助多传感器数据实现模型的联合动态更新,融合多传感器数据,对剩余使用寿命作出准确预测,并铣床刀具磨损试验数据的实际案例分析。研究结果表明:以敏感测点数据为基础在线更新模型状态和参数信息,从而获取到机械装备剩余使用寿命实时预测结果。经过对六组刀具的寿命预测结果曲线进行分析后发现,与传感器融合预测方法的预测结果具有很高的优势,可见提出方法预测结果是准确度较高的。

基于二元相关退化的动车组车载变压器油纸绝缘剩余寿命预测

针对动车组车载变压器油纸绝缘剩余寿命预测中单性能退化指标难以全面反映油纸绝缘退化过程的问题,考虑车载变压器油纸绝缘退化的个体差异性及两性能指标间的相关关系,提出了基于Copula函数的两性能指标相关退化的油纸绝缘剩余寿命预测方法:采用具有随机效应的维纳过程建立油纸绝缘的两性能指标相关退化模型,基于赤池信息准则(Akaike Information Criterion, AIC)选择拟合效果更优的Copula函数来描述两性能指标间的相关关系,采用最大似然估计法估计初始时刻的模型参数,基于序列贝叶斯更新方法在线更新退化模型中的漂移系数,以实现油纸绝缘剩余寿命的在线预测。最后以加速热老化试验下油纸绝缘的聚合度和抗拉强度的退化数据进行实例验证。结果表明,两性能指标相关退化模型比单性能指标退化模型的剩余寿命预测值与实际值之间的平均绝对误差更小,预测的准确性更高,且随着模型参数不断更新,剩余寿命的预测值与实际值间的绝对误差在不断减小,预测结果的准确性在不断提升。

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.

基于多源域迁移学习的带式输送机剩余寿命预测方法

煤矿开采过程中,带式输送机运行环境恶劣、工况复杂,致使获得的传感监测数据量有限且存在大量噪声干扰,严重限制了其剩余寿命预测的准确度。针对该问题,提出了一种多源域迁移学习剩余寿命预测方法,充分利用煤矿运输过程中积累的带式输送机多工况数据,以达到准确预测其关键零部件托辊轴承剩余寿命的目的。首先构建集成多尺度卷积神经网络和双向门控循环单元(MCNN-BiGRU)的设备退化特征提取模型,对单工况数据进行特征提取挖掘,并使用PSO算法确定模型超参数。在此基础上,加入多源域迁移学习(MDT)方法,利用多个工况数据进行剩余寿命预测,通过最大均值差异(MMD)与相互关系对齐(CORAL)联合损失拉近各源域数据分布差异,解决因数据量少导致的模型训练精度不高的问题。最后以煤矿实际生产数据集为例进行实验,结果表明:MDT-MCNN-BiGRU模型的预测效果较好,Savitzky-Golay滤波去噪后模型性能得以进一步提升;使用IMS数据集与现有方法进行比较,发现所提方法预测准确度较高,对煤矿运输设备健康管理具有一定的指导意义。

融合Transformer的剩余使用寿命预测模型

剩余使用寿命(remaining useful life,RUL)预测对大型设备的故障预测与健康管理十分重要。然而,一些设备监测数据具有维度高、规模大、强耦合、参数时变等非线性特征,这些特征会导致RUL预测的准确性较低。为此引入Transformer解码器,并通过多头注意力机制综合全局信息,提出了一种基于多尺度双向长短期记忆网络和Transformer的神经网络模型,以提高模型预测精度。选取航空发动机作为研究对象,使用各个模型在NASA的C-MPASS数据集上进行对比实验,结果表明,在剩余使用寿命预测方面,该文提出的融合Transformer模型的多尺度双向长短期记忆网络模型在准确率和均方根误差指标上均优于其他对比模型。

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。

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.