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.

质子交换膜燃料电池退化预测方法

耐久度是制约质子交换膜燃料电池大规模应用的主要障碍之一,性能退化预测技术可以有效提高质子交换膜燃料电池的耐久度。该文提出一种结合小波阈值去噪方法的正则化堆叠长短期记忆网络的性能退化预测方法。通过小波阈值去噪法,获得消除噪声和尖峰后的平滑数据。针对退化数据不确定性和高度非线性导致的特征难以提取问题,引入了正则化堆叠长短期记忆网络模型,该模型通过引入参数优化算法有效地避免了过拟合风险,提高了预测精度和可靠性。为验证该方法的有效性,采用两种不同工况下的质子交换膜燃料电池老化数据进行验证。结果表明,所提方法在稳态工况下的最大误差为0.0163V,误差区间在0.5%以内;动态工况下的最大误差为0.0064 V,误差区间在0.2%以内。

动态工况下基于WOA-BiGRU的PEMFC性能退化预测

质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)是重要的现代可持续能源发电装置,准确估计其性能退化对实际应用至关重要。传统的数据驱动方法缺少对老化机制的考虑,因此对性能退化过程中的电压恢复现象的处理欠佳。通过分析PEMFC运行数据中的多种特征信息,提出一种动态工况下的PEMFC性能退化预测方法,更好地处理电压恢复现象。首先使用随机森林算法进行数据特征分析,确定模型训练使用的特征量。然后建立双向门控循环单元模型(bidirectional gated recurrent units, BiGRU),并使用鲸鱼优化算法(whale optimization algorithm, WOA)进行参数优化。最后,使用经过优化的BiGRU模型进行PEMFC性能退化预测,并进行预测效果评估。在PEMFC动态数据集上的实验结果表明,预测效果较GRU提高了28.1%~33.7%,较BiGRU提高了25.5%~31.2%。

基于ACNN—LSTM网络的轴承状态退化预测

为了便于大型机组的维护和检修,确定机组齿轮箱轴承的更换时间,需要预知轴承的工作状态。根据轴承数据特点,提出卷积神经网络(CNN)的改进算法ACNN-LSTM网络。ACNN-LSTM是结合融入注意力机制的卷积神经网络与长短期记忆网络(LSTM),实现对轴承的退化预测。选取轴承退化敏感特征,利用主成分法建立退化指标。ACNN的注意力模块(CBAM)能够准确提取退化特征,经五点三次平滑法处理突出退化状态。为验证ACNN-LSTM网络的有效性,搭建风机齿轮箱平台。实验结果显示,预测退化曲线和实际退化曲线基本重合,到达失效阈值的时间接近,表明该改进算法能够准确预测轴承状态退化趋势,为评估轴承的运行状态提供依据。

基于MDS-GA-SVR的电动汽车减速器性能退化预测方法研究

针对电动汽车减速器性能退化预测方法难以充分挖掘退化信息,导致预测精度低的问题,提出了一种联合多维尺度(Multiple Dimensional Scale,MDS)变换和遗传算法优化支持向量回归(Genetic Algorithm opitimized Support Vector Regression,GA-SVR)进行性能退化预测建模方法。通过时域、频域、时频域特征提取方法对减速器的振动信号进行处理,利用MDS算法建立了综合退化特征指标;以信号特征指标与综合性能退化指标作为训练与预测数据集,利用遗传算法确定最优惩罚参数C和核参数g并构建SVR模型;通过试验获得了减速器的寿命数据,并利用所提方法建立了高精度的性能退化模型。结果表明,本文所提模型的预测精度均高于PSO-SVR、GS-SVR以及反向传播(Back Propagation,BP)神经网络预测模型,均方根误差值分别降低了50.63%、75.35%、84.73%,确定系数R2分别提高了3.93%、6.51%、9.51%,证明了所提方法的优越性。

基于时域特征与LSTM-Attention的IGBT退化预测方法

绝缘栅双极晶体管(IGBT)在可靠性分析任务中时间信息难以充分利用,导致预测精度不高。文中提出一种基于多维时域特征和注意力机制的深度学习方法,该方法结合主成分分析(PCA)技术、长短时记忆网络(LSTM)和注意力(Attention)机制。首先,采用时域分析来手动提取原始数据中的多维时间特征,并利用PCA技术对其进行特征融合处理;然后,利用LSTM网络从样本数据中自动学习序列特征,引入的Attention机制能够对更重要的特征和时间步长赋予更大的权值。最后,使用NASA Ames实验室加速老化数据库进行实验,结果表明所提方法优于最新方法。手动提取的时间特征在经过特征融合后,可以作为序列数据预测任务中的有效退化特征,并结合Attention机制大大提高预测精度。

融合同类产品数据的Wiener过程性能退化预测方法

针对单个产品前期退化过快、无法直接利用前期退化数据有效预测性能退化量的问题,基于Wiener过程,提出了一种融合同类产品数据的性能退化预测方法。首先,构建Wiener过程退化模型并介绍其性质,推导该性能退化模型下的产品寿命分布;然后,基于是否符合整体退化趋势进行数据预处理,截取产品后期的性能退化数据;最后,融合待测产品与同类型产品的性能退化数据,并基于极大似然估计方法开展性能退化预测。此外,通过某型收口螺母应用案例,证明了所提出的融合同类产品数据的性能退化预测方法的有效性。

演化算法下混凝土构件承载力退化预测仿真

在混凝土构件承载力退化预测时,若不能及时确定构件承载力退化规律,会导致结构的安全性下降,严重威胁施工人员的生命安全。为此提出基于演化算法的混凝土构件承载力退化预测方法。针对构件疲劳荷载影响,计算其平均疲劳裂缝值以及疲劳刚度值;根据确定的刚度值建立刚度退化函数,获取构件刚度与承载力之间关系,建立构件承载力退化函数,确定构件承载力退化规律;基于此,构建混凝土构件承载力退化预测模型,通过演化算法对模型预测结果优化处理,找出最佳预测解,实现混凝土构件的承载力退化程度精准预测。实验结果表明,所提方法的构件受拉应力值与承载力值与实际基本一致,且预测时间短。

基于非线性Wiener过程航空发动机性能退化预测

针对基于线性随机过程航空发动机性能退化预测精度不高的问题,提出了一种漂移系数为指数形式的非线性Wiener过程发动机性能退化建模的方法,可以预测航空发动机的性能退化。基于直接监测发动机性能退化数据,构建发动机性能退化模型,根据Wiener过程首达阈值时间的数学性质,推导出性能退化的概率分布。通过极大似然估计构建退化模型中未知参数的似然函数,利用遗传算法得到发动机总体模型参数的离线估计值。考虑到不同发动机个体间的差异性,采用贝叶斯公式,结合发动机的实时监测数据与总体模型参数的先验分布对模型中随机参数进行实时更新,从而达到对个体发动机性能退化的实时预测。最后,选择商用航空发动机仿真数据集(C-MAPSS)进行实验,结果表明:针对个体发动机基于非线性随机过程方法,实时更新非线性Wiener方法能够提高航空发动机运行后期性能退化预测的准确性,提供更加可靠的预防性维修决策。

基于支持向量回归机的控制力矩陀螺高速转子轴系性能退化预测

高速转子轴系是控制力矩陀螺的关键部件,其在轨故障率较高且在早期难以被检测。传统的故障诊断技术和性能评估技术均无法对系统的性能退化趋势实施预测跟踪,缺乏对故障趋势的进一步了解。支持向量回归机是一种重要的机器学习模型,能够以任意精度逼近各种复杂的非线性连续函数,适合于对复杂非线性系统进行辨识。本文基于支持向量回归机提出了一种控制力矩陀螺高速转子轴系的性能退化预测方法,实验结果表明该方法具有较好的预测效果。

基于CNN-BLSTM网络的轴承性能退化预测

轴承作为旋转机械设备的重要部件之一,利用监测数据对其开展性能退化评估及剩余寿命预测,对于提高设备可靠性、降低维修成本至关重要。针对传统数据驱动方法在特征提取中过度依赖先验知识和专家经验,未能有效利用时间序列数据中的中长期依赖关系进行建模等问题,提出了一种基于卷积神经网络(CNN)和双向长短期记忆(BLSTM)网络的端到端深度模型进行轴承性能退化预测。该模型采用3层结构,首先,采用CNN直接从原始数据中提取特征向量;然后,将特征向量以时间序列方式重新构造,引入BLSTM网络捕获数据的时序特征;最后,利用一个全连接层和线性回归层来输出模型的最终预测结果。轴承加速寿命实验结果显示所提方法的RMSE和MAPE相比传统方法分别降低了12.7%和17.1%,说明该方法能够有效提高轴承性能退化的预测精度。

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.

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。

基于退化因素机理的桥梁技术状况退化预测模型研究

桥梁结构在长期荷载作用下造成的结构老化、损伤等耐久性问题会使桥梁结构性能严重退化。提前掌握桥梁的结构性能退化趋势,并及时采取有效的养护措施对桥梁结构的安全运营具有重大意义。从桥梁技术状况退化机理和影响因素出发,对基于退化因素机理的桥梁技术状况退化预测模型研究现状进行了总结分析,指出了现阶段桥梁技术状况退化预测模型中存在的不足,认为应根据不同桥梁结构形式采用相适应的技术状况退化预测模型进行预测优化,结合不同种类的预测模型进行比较修正,能够弥补单一预测模型的局限性,使预测结果更加接近桥梁真实的退化状态。

基于1-DCNN的滚动轴承退化预测研究

传统的滚动轴承退化特征提取方法高度依赖于预先研究和专业知识,对于学习退化特征与大量测量数据之间的复杂关系的能力有限,很难构建一个单一的指标预测轴承的退化状态。针对这一问题,提出了基于一维卷积神经网络(1-DCNN)的轴承退化预测模型,以原始振动信号作为输入,构建健康指标。以PHM 2012轴承全寿命数据对原始振动信号、频谱信号、3种模态分解预处理后的信号等5种处理方法进行测试。实验结果表明,相对于其他几种处理方法,以原始振动信号直接作为所提模型的输入,提取出的健康指标能更好地反映轴承的退化状态。

基于GA-FSVR的极端温度应力下智能电能表退化预测模型

针对极端温度应力下智能电能表退化情况难以准确预测的问题,以计量误差作为退化指标,提出一种基于融合核支持向量回归(FSVR)与遗传算法(GA)的智能电能表退化预测模型。为了兼顾预测模型的学习与泛化能力,在传统单核支持向量回归模型的基础上,提出一种基于RBF核与Sigmoid核的新的融合核函数,并进一步建立基于融合核函数的FSVR模型,预测极端温度应力作用下智能电能表的退化过程;在FSVR模型参数调节阶段,通过GA对核参数进行优化,提高模型预测精度。采用某批次智能电能表分别在高温(50℃)、低温(-40℃)两组极端温度应力下连续14个月的实际退化测试数据展开比较实验,结果表明提出的预测模型能准确追踪不同极端温度下智能电能表的退化趋势,可为我国典型地区的智能电能表可靠性分析提供指导。

公路混凝土桥梁性能退化预测方法综述

科学、合理、有效地预测公路混凝土桥梁性能退化趋势,是科学制定公路桥梁养护维修计划与养护资金分配方案的重要基础。为此,对公路混凝土桥梁性能退化预测方法的现状和发展进行综述,系统阐述了公路混凝土桥梁性能退化预测方法的研究和应用现状、关键技术以及未来发展的趋势,讨论了各类预测模型的优缺点及适用情况,并对未来的研究发展趋势进行了展望。

基于特征融合技术的滚动轴承退化预测方法研究

提出了一种结合多维特征融合及最小二乘支持向量回归机的滚动轴承退化趋势预测方法。首先提取了滚动轴承全寿命周期振动数据的各域特征,并利用主成分分析法将各域多维特征融合为表征轴承退化性能趋势的退化性能指标。将最小二乘支持向量回归机作为预测模型,同时利用粒子群算法优化模型参数。其次,利用误差累积和方法对预测模型的累积预测误差进行有效地跟踪和控制,进一步提高预测模型的准确性和稳定性。最后,利用实测的滚动轴承全寿命实验数据对所提方法开展验证,并将所得结果与几种现有方法结果进行对比,结果表明该方法能获得较好的滚动轴承退化趋势预测结果。

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。

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。