D-S理论和Markov链组合的桥梁性能退化预测研究

为准确预测桥梁性能退化,考虑到数据随机性和微小扰动发生状态跳跃,提出了一种D-S(Dempster-Shafer)证据理论和Markov链组合的桥梁性能退化组合预测模型和性能退化率的概念.该模型基于指数平滑(exponential smoothing,ES)方法获得新的预测数据序列,并利用Markov链和D-S理论不断进行优化,从而实现桥梁性能退化的组合预测.实际工程的应用结果表明:性能退化率可以直观地表征在梁性能退化的速度.其次,该模型的平均相对误差为1.54%,较于回归、灰色和模糊加权Markov链模型,精度分别提高了1.11%,0.88%和2.8%,而后验差比值为0.242,小于0.35;模型的标准差为9.021,相比其他模型分别减小了3.978,3.405和7.500,而变异系数为0.109,均小于其他模型,验证了组合预测模型在精度和稳定性方面的优越性,可为在役桥梁结构性能退化预测与维护提供理论基础.

数据驱动的旋转设备性能退化趋势预测方法

为解决在役状态监测系统采用常规固定阈值报警方法难以追踪旋转机械性能退化发生和发展的问题,应用振动监测原始数据和实时监测原始数据构建了数据驱动的旋转设备性能退化趋势预测模型,提出一种基于谱距离指标运行可靠性曲线l_(1)趋势滤波的旋转设备性能退化趋势预测方法。应用美国辛辛那提智能维修信息系统(IMS)中心轴承实验数据和中国某石化公司离心压缩机转子不平衡故障案例数据验证了所构建的旋转设备性能退化预测模型。结果表明,数据驱动的旋转设备性能退化预测模型只需要运行正常状态振动原始数据,无需依赖外部专家先验知识,能够准确预测和追踪旋转设备性能退化趋势的发生和发展。

无限隐Markov模型在缺失数据轴承退化趋势预测中的应用

相比较于在完整数据下设备性能退化预测,缺失数据下的预测是更加困难的,也是更有意义的。然而,现有的轴承性能退化预测方法都未考虑缺失数据下的预测,基于此,提出了一种基于无限隐马尔可夫模型的缺失数据下轴承退化预测方法。在提出的方法中,通过建立无限隐马尔可夫预测模型,预测了滚动轴承样本数据在振荡阶段所缺失的数据点,形成新的完整数据。同时,再使用建立的预测模型对新的完整数据进行单步预测。实验结果表明,与真实值对比,得到的预测数据具有较小的平均误差值;对比真实值、完整数据下的预测值和新的完整数据下的预测值,验证了提出方法的有效性,能够反映滚动轴承退化的变化趋势。提出的方法可为数据缺失下滚动轴承的退化趋势预测提供一种思路,具有重要的理论价值和工程应用价值。

基于CSSA-LSTM的IGBT模块退化趋势预测

针对逆变器中绝缘栅双极型晶体管(Insulated Gate Bipolar Transistor,IGBT)模块失效率高且易损伤老化以及器件退化过程难以预测的问题,文中提出一种结合长短期神经网络(Long Short-Term Memory,LSTM)和混沌麻雀的神经网络预测模型。通过引入二维皮尔逊相关系数法获取组合退化特征,构建基于LSTM的电压退化预测模型。利用模型自适应提取退化特征内部相关性,实现对关键信息筛选,挖掘深层次退化特征。在麻雀搜索算法的可行域中引入高斯变异的正态分布随机数和Tent映射对应的混沌序列,提升预测的精度和稳定性。对模型的学习率、神经元个数、batch-size进行寻优,寻找最优值匹配网络拓扑。采用最优结构参数的LSTM对各原始数据分别预测,得到最终的退化预测值。以NANS实验中心的加速退化数据集进行算例分析,并与常规预测算法对比,验证所提算法的有效性和准确性。

高速动车接触器性能退化模型建立与寿命预测

高速动车电磁接触器的性能退化直接影响动车运行的安全可靠性,合理预测接触器剩余寿命可以优化接触器更换周期,从而保障动车运行的稳定性并降低检修成本。在分析接触器失效机理的基础上,推导触点开距的退化模型,建立接触器电磁与动力学模型进行仿真得到吸合时间与触点开距的函数关系,进而得到基于吸合时间的性能退化模型。设计高速动车接触器性能试验系统进行接触器性能退化试验,得到接触器全寿命周期性能退化数据。通过前期试验数据推导出性能退化模型的未知参数;利用后期试验数据对所提出性能退化模型的剩余寿命预测效果进行检验。结果表明,所提出的性能退化模型能够实现对高速动车接触器剩余寿命的准确预测,满足实际工程需要,为高速动车电磁接触器的运维检修提供了重要参考。

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。

滚动轴承性能退化趋势预测综述

滚动轴承作为旋转机械的重要零部件之一,其在工业中占有重要的地位,其可靠性直接影响设备能否安全、稳定运行。文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法,然后进行了有效的性能退化趋势预测模型分类。最后,对滚动轴承性能退化趋势预测内容进行了总结。

基于加速退化试验的发射电源关键参数趋势预测研究

雷达发射电源作为雷达最重要的组成部件,其稳定性与质量高低直接影响整个雷达设备运行的可靠性与性能指标的实现,同时电源需要连续运行,还要承受高、低温及高湿、冲击等考验,运行中不允许检修或者只能进行简单的维护,因此探究发射电源的性能退化规律,并对其进行有效的预测十分有必要;通过详细分析发射电源失效机理,并开展发射电源性能退化试验,并对各试验数据进行有效的分析,探究电源各监测参数相关关系,建立电源各关键参数退化模型,从而实现对发射电源的故障预测或者关键参数的趋势预测。

CHMM和AR模型在轴承性能退化评估与预测中的应用

经典的故障诊断技术可对系统运行状态进行实时评估,但在实际应用中更希望预知故障的发生以便对人身、经济安全做出保障。轴承作为机械设备的关键部件,其损坏会造成严重的工程事故,因此需对轴承进行故障诊断。文中引入连续隐马尔可夫模型以对数似然数作为评估指标来评估性能退化,即利用基于模型输出的对数似然率结合自回归模型对轴承进行性能退化预测。为了更好地验证方法有效性,文中使用了两组全寿命数据互为对比。结果显示,使用基于连续隐马尔可夫模型的轴承性能退化评估法对轴承性能的退化进行评估效果良好,自回归模型在寿命预测上得到了较为精准的结果。

SSA优化深度双向门控循环单元网络的轴承性能退化趋势预测

为在非经验指导下获取双向门控循环单元网络中最优隐藏层单元数,实现滚动轴承性能退化趋势预测,提出基于麻雀搜索算法优化深度双向门控循环单元的轴承性能退化趋势预测方法。首先,在正向门控循环单元网络基础上,增加反向门控循环单元网络,以构建深度双向门控循环单元预测网络;然后,将预测值与真实值的均方误差作为适应度值,根据麻雀发现者和捕食者进行参数更新,经优化后获得最优隐藏层单元参数下的深度双向门控循环单元网络预测模型;最后,通过全连接层实现性能退化趋势预测。在公共数据集与实测数据集上进行试验验证,验证了所提方法的有效性与可行性。

环境因素对公路路面性能的长期影响及预测模型构建

公路路面性能受多种因素影响,其中环境因素的作用尤为显著。本文旨在分析环境因素对公路路面性能的长期影响,并构建相应的预测模型。文章首先综述了环境因素,包括气温、降水、冻融循环等,对公路路面的影响机理。通过收集和分析长期路面性能数据,探讨了不同环境条件下路面退化的特点和规律。在此基础上,本文提出了一种基于数据驱动的预测模型,该模型结合机器学习算法,能够有效预测在特定环境条件下公路路面的性能变化和寿命预期。文章还通过实际案例验证了模型的准确性和实用性。最后,对公路路面维护和改进提出了针对性的建议。

基于组合预测模型的飞机刹车系统性能趋势预测分析

为了对飞机刹车系统进行性能趋势预测分析,提出一种灰色关联分析确定权重的组合预测方法。首先,利用BP神经网络(back propagation network,BP)对刹车片的累积磨损量进行预测,得到网络输出序列与向后预测序列。对于灰色预测(grey model,GM)模型利用粒子群(particle swarm optimization,PSO)对其优化;用粒子群优化灰色模型(particle swarm optimization-grey model,PSO-GM)进行预测得到拟合序列与向后预测序列。在此基础上对BP网络输出序列、PSO-GM(1,1)拟合序列与原始数据序列进行灰色关联分析,确定组合加权的权重。最后对各预测模型的向后预测序列用灰色关联分析法得到的权重进行组合加权,得到最终的刹车片累积磨损量趋势预测值。仿真结果表明,采用灰色关联分析确定权重的组合预测方法具有比单预测模型更好的趋势预测效果,具有对刹车系统性能趋势预测分析很好的实际应用价值。

基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。

某机械陀螺长贮性能演变规律及性能退化模型研究

目的 针对长期贮存后机械陀螺的性能退化会影响制导系统侧偏和射程的问题,提出一种性能退化预测模型的建立方法,用于掌握机械陀螺长贮性能退化规律。方法 首先,针对机械陀螺结构特性和贮存环境,确定敏感应力为温度,加速模型为阿仑尼乌斯模型,开展机械陀螺的加速贮存试验。其次,对加速贮存试验过程中的机械陀螺进行周期性的参数检测,分析各性能参数随试验时间的性能退化演变规律,确定垂直漂移为其退化敏感参数。最后,拟合垂直漂移参数在各温度应力下的性能退化曲线,建立性能退化轨迹模型。结果 采用实际自然环境贮存6、7、8、10 a的性能数据对模型进行验证,模型预测准确度分别为86.70%、96.28%、91.53%、85.92%。结论 建立的性能退化模型评估准确度在85%以上,该模型可应用于指定贮存时间下机械陀螺仪的性能退化行为预测。

多退化变量灰色预测模型的滚动轴承剩余寿命预测

针对单一退化变量预测滚动轴承性能退化趋势时可靠性和误差精度较低的问题,提出了基于多退化变量灰色预测模型的滚动轴承剩余寿命预测方法.该方法通过提取滚动轴承全寿命周期振动信号的退化趋势特征参数集,结合退化趋势特征参数集及故障早期突变点,实现滚动轴承的早期故障识别;并根据轴承寿命与特征参数之间的映射关系建立多退化变量灰色预测模型对轴承的剩余寿命进行预测.仿真实验结果表明,多退化变量灰色预测模型具有更高的误差精度和可靠性,其预测效果优于BP神经网络、单一退化变量灰色预测以及SVR(支持向量回归)预测模型,能够更好对滚动轴承寿命的变化趋势进行表征.

基于动态长短期记忆网络的设备性能退化预测方法

针对目前基于数据驱动的旋转机械退化状态预测中时序列信息考虑不充分、寿命标签制定不合理、退化模型累计误差大等问题,提出一种融合趋势滤波、模糊信息粒化、动态长短期记忆网络(LSTM)的旋转机械退化趋势与退化区间预测方法。以振动信号为例,首先提取表达设备退化信息的特征指标,然后通过趋势滤波与模糊信息粒化提取主要退化趋势与模糊退化边界,其次利用动态LSTM进行综合性能退化预测;最后,利用网络公开的轴承训练数据集验证了本文方法的可行性与有效性。

基于ARIMA⁃LSTM的飞机液压泵性能趋势预测方法

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均⁃长短期记忆(autoregressive integrated moving average⁃long short⁃term memory,简称ARIMA⁃LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA⁃LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液压泵性能变化趋势预测的工程应用提供了一种新方法。

基于自适应马氏空间与深度学习的滚动轴承退化趋势预测

滚动轴承退化趋势预测中,传统特征选择主要依赖人工经验和单一评价算法,容易造成特征的少选或错选,且单一深度学习网络无法充分挖掘数据中包含的性能退化信息,导致模型预测精度较低。针对上述问题,提出一种基于自适应马氏空间(adaptive Mahalanobis space,AMS)与融合深度学习网络的滚动轴承退化趋势预测方法。首先,分解原始信号并利用相关峭度系数准则筛选固有模态函数(intrinsic mode function,IMF)分量重构新信号,从多域视角提取特征;然后,构建基于AMS的多目标特征选择算法自动优选特征,减少人工依赖,加强自适应性和泛化性,并将马氏距离(Mahalanobis distance,MD)与指数加权移动平均(exponential weighted moving average,EWMA)方法进行结合,对轴承性能退化趋势进行良好表征;最后,利用稀疏自动编码器和门控循环单元(sparse auto encoder-gated recurrent unit,SAE-GRU)融合模型进行预测。实验结果表明,所提方法能够有效筛选最优特征,显著提高预测精度。

应用加权马氏距离与退化模型预测丝杠副寿命

为了提高数控机床的可靠性、安全性并减少维修费用,提出一种基于模型的滚珠丝杠副剩余寿命预测方法,主要包括健康指标构建与剩余寿命预测。在健康指标构建部分,为了更好地表征滚珠丝杠副的退化状态,通过对多信息域特征进行选择与加权融合,提出一种新的健康指标———加权马氏距离(WTMD)。在寿命预测部分,利用指数模型描述滚珠丝杠副的退化过程,通过粒子滤波(PF)算法结合状态监测信息与模型,更新模型参数,完成剩余寿命预测。采用滚珠丝杠副加速性能退化实验中获取的数据对提出方法进行验证。实际结果表明,相对于传统马氏距离而言,WTMD对滚珠丝杠副的损伤发展更为敏感,能够更好地表征其健康状态。同时,基于指数模型的剩余寿命预测方法能够有效地预测滚珠丝杠副的寿命,其预测误差小于基于线性模型和非线性模型的方法。