多元特征融合的涡扇发动机剩余寿命预测

提出一种融合多种特征提取方式的涡扇发动机剩余寿命预测方法,该方法包括多元特征的提取、复合健康指标的构建与融合系数的确定。然后结合线性Wiener过程,利用贝叶斯更新公式实现涡扇发动机的剩余寿命在线预测。实验结果表明:相较于融合前的单一特征提取方式,笔者所提方法能够有效提高涡扇发动机的剩余寿命预测精度。

多源数据融合建模的寿命预测方法

针对单一传感器在设备状态监测期间不能很好地进行退化建模和剩余使用寿命预测的问题,提出了一种多源数据融合建模的寿命预测方法。首先,根据设备的退化性能,构造了复合健康指标;其次,使用非线性漂移维纳过程对设备进行退化建模,通过使用极大似然法估计模型参数后,推导出设备剩余寿命概率密度函数;最后,对所提出的方法进行了验证,并与单一传感器预测结果进行了对比,结果表明此方法具有较高的准确性。

融合多源数据的非线性退化建模与剩余寿命预测

针对目前基于单个传感器剩余寿命预测方法存在预测精度不高的问题,该文提出一种融合多源传感器数据的非线性退化建模与剩余寿命预测方法。该方法包括复合健康指标的构建、模型参数的估计和传感器融合系数的确定,在确定融合系数后,结合设备历史寿命数据与实时监测数据,利用Bayesian参数更新公式推导出设备的剩余寿命概率分布,实现设备的剩余寿命在线预测。最后通过由商用模块化航空推进系统仿真生成的发动机退化数据集进行仿真实验,结果表明该文所提方法能够有效提高设备剩余寿命预测的准确性。

融合多传感器数据的发动机剩余寿命预测方法

针对基于单一传感器数据的剩余寿命预测方法存在数据利用率低和预测精度不高的问题,论文提出了一种融合多传感器数据的发动机剩余寿命预测方法。首先将多个传感器数据融合成一个复合健康指标来表征发动机的退化性能,采用线性维纳过程对复合健康指标进行退化建模,通过极大似然估计方法确定模型参数,进而得到发动机的预测寿命。为了确定融合系数,提出了一种利用真实寿命与预测寿命的预测均方误差最小化的方法。融合系数确定后,基于训练发动机历史寿命数据,确定出模型参数的离线估计值;然后利用Bayesian公式,同时结合发动机的实时监测数据与参数的先验分布对模型参数进行实时更新,接着在首达时间的意义下推导出剩余寿命的概率分布,进而实现了发动机的剩余寿命在线预测。最后,选择商用模块化航空推进系统仿真数据集进行数值仿真实验,结果表明:相较于基于单一传感器的方法,论文所提方法能够提高剩余寿命预测的准确性,其剩余寿命预测的相对均方误差降低了2%左右。