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。

中医“肾系统”与命门之火

中医系统思维认为肾藏象应该是以肾为中心,包含膀胱、骨、髓、脑、齿、唾、发、耳、二阴、志、恐(惊)等若干脏、腑、形体、官窍在内的以经络联系的统一体,谓之肾系统。作为先天之本的肾系统具有主人体生长发育与生殖、主生髓化血、主抵御外邪、主水、主纳气等功能,是肾系统各部分协同作用的体现,在人体生命活动中发挥重要的功能。“命门之火”源自先天,根于肾中,是人体生命活动的原动力,周身阳气的源泉,可以增强人体各脏腑形体官窍的功能活动。“命门之火”可以加强肾系统与各部分之间的联系,肾系统各部分功能的发挥均离不开“命门之火”温煦和促进作用。当机体出现命门火衰时,肾系统各部分均会出现相应的病机变化,故从肾藏象系统与“命门之火”之间的关系加以阐释,以明晰其关系,更好地服务于临床实践。

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。

基于改进鲸鱼算法优化GRU的PEMFC老化预测

为提高质子交换膜燃料电池(protonexchange membranefuelcells,PEMFC)老化预测的可控性和预测精度,提出一种基于改进的鲸鱼优化算法(improvedwhale optimizationalgorithm, IWOA)优化门控循环单元(gated recurrent unit,GRU)神经网络的PEMFC电压预测方法。采用IWOA获得GRU的最优超参数组,再利用GRU准确预测PEMFC电压。采用静态、准动态和动态工况下3组老化实验数据集,将提出的方法与反向传播神经网络、极限学习机、循环神经网络、长短期记忆神经网络、GRU和鲸鱼算法优化门控循环单元这6种方法相比较,所提出方法具有最高的老化预测和剩余使用寿命(remainingusefullife,RUL)估计精度。在静态、准动态和动态工况下,训练集占比为50%时,相比于GRU,所提出方法的预测结果的均方根误差分别降低56.99%、35.12%和9.95%。因此,该方法能够实现高精度PEMFC老化趋势和RUL预测。

基于“命门学说”探析王素梅教授应用附桂益智汤辨治小儿自闭症经验

小儿自闭症是发病于婴幼儿时期的广泛发育障碍性疾病,本文梳理总结命门学说的历史演变,探讨命门作为原始动力对于心、脾、肾的推动作用,基于命门学说分析王素梅教授注重脾肾、固护心脑、采用附桂益智汤辨治小儿自闭症的经验,为临床辨治该病提供新的治疗思路。

基于CNN-GRU-AE的蓝莓货架期预测模型研究

为探究贮藏于不同温度条件下蓝莓的品质变化及货架期,以‘自由’蓝莓为研究对象,测定其在0、4、25℃条件下的颜色参数、质量损失率、腐败率、质地参数等共计21个品质指标。通过5种具有自带特征选择功能的机器学习算法,筛选出7个影响货架期的关键特征作为模型的输入变量,构建基于注意力(attention,AE)机制的卷积神经网络(convolutional neural network,CNN)和门控循环单元(gated recurrent unit,GRU)的蓝莓货架期预测模型。结果表明,与原始GRU相比,CNN-GRU-AE模型的平均绝对误差、均方误差和平均绝对百分比误差分别降低了75.83%、91.46%、61.58%,决定系数增加了2.25%。说明添加注意力机制并与CNN结合后的GRU模型显著提高了货架期的预测精度。本研究可为蓝莓在不同贮藏温度条件下的货架期制定提供理论支持,并为剩余货架期的预测提供技术帮助。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于SSA-GRU大功率多状态PEMFC寿命预测

提出了一种用于最大额定功率为110 kW的质子交换膜燃料电池(proton exchange membrane fuel cell, PEMFC)剩余使用寿命的麻雀搜索算法优化门控循环单元的方法,进行了超过600 h的动态循环耐久试验,以模拟不同路况下车载PEMFC的工作情况。为准确预测大功率PEMFC的剩余使用寿命,需考虑其在不同工作状态下输出电压,将输出电压根据不同功率点进行分类预测。将采样数组经过滤波处理,减少峰值,平滑降噪,然后基于数据驱动的方法以各工作状态下电压数据以及不同的训练集划分作为输入,并预测结果通过选取的评价指标与不同的常见时序回归算法证实此模型的准确性。以数据的60%作为训练集为例,麻雀搜索优化门控循环单元(sparrow search algorithm-gate recurrent unit, SSA-GRU)的预测结果对比时间卷积网络(temporal convolutional network, TCN)其平均绝对百分比误差(mean absolute percentage error, MAPE)在30、50、70、90、110 kW分别降低了0.110 5%、0.525 7%、0.308 4%、0.402 1%和0.831 9%。在规定的寿命截止时间点下,使用寿命预测误差最小仅为0.733%,且不同工作状态下的预测误差都优于其他预测算法。

基于贝叶斯优化的GRU网络轴承剩余使用寿命预测方法

传统的滚动轴承剩余使用寿命预测模型存在参数优化的困难。针对这一问题,笔者提出了一种基于贝叶斯优化的GRU网络滚动轴承剩余使用寿命预测方法,并进行了实验验证,即以PHM2012数据集为例,结合贝叶斯优化算法对基于Encoder-Decoder结构的门控循环单元(GRU)预测模型的多个超参数进行了优化。首先,对包含噪声的原始数据进行了小波包处理,从滚动轴承的振动机理和故障特征出发提取了时域特征,针对该时域特征进行了优化、筛选,并将其输入到模型中的编码器部分,进一步提取了更深层次的时序特征;其次,结合注意力机制与Encoder-Decoder结构,构造了双向GRU神经网络模型,在模型的高维超参数空间中采用贝叶斯优化方法搜索超参数,得到了最优的超参数组合,并在解码器中融入了线性变换,得到了滚动轴承的寿命预测值;最后,封装了全部模型构建、训练与使用过程,建立了基于贝叶斯优化的GRU网络滚动轴承寿命预测流程,并对方法的有效性进行了对比实验验证。研究结果表明:采用基于贝叶斯优化的GRU网络可以有效预测滚动轴承的剩余使用寿命,相比于其他3种方法的最优结果,基于贝叶斯优化的GRU网络的平均预测得分提高了8.01%;基于贝叶斯优化的GRU网络对于真实寿命较短的轴承预测结果较为准确,而对于真实寿命较长的轴承则没有出现预测值大于真实值的情况,可以作为轴承临近失效阶段剩余使用寿命估计的参考。

计及电热参数更新的高速列车牵引整流器IGBT模块寿命评估

绝缘栅双极晶体管(IGBT)作为列车变流器的关键部件,其寿命受老化过程中参数变化的影响,为此提出了一种计及电热参数更新的IGBT模块寿命预测方法。首先,利用实车采集到的外部电压、电流数据结合变流器调制策略推导IGBT的驱动信号,进而获得单个IGBT的电压电流;其次,基于数据手册建立Foster热网络模型获取IGBT的结温;之后考虑到实际中IGBT的老化过程,提出一种IGBT结温计算过程中热阻和导通压降的更新策略;最后通过寿命模型对IGBT进行损伤度估算,并通过蒙特卡洛(Monte-Carlo)模拟评估器件寿命计算过程中的不确定性,取得可靠性变化曲线。

多尺度分解下GRU-TCN集成的动力电池剩余使用寿命预测方法

精准预测动力电池的剩余使用寿命(remaining useful life,RUL)能够提前规避因电池过度使用带来的风险,为退役电池的二次利用提供决策依据,提升电池第二寿命的利用率。为了降低动力电池RUL预测任务中噪声和容量回升现象导致的非线性特征对RUL预测精度的影响,提出了一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)、门控循环单元网络(gated recurrent unit,GRU)和时序卷积网络(temporal convolutional networks,TCN)集成的动力电池RUL预测模型。首先,使用EEMD对原始数据进行分解,动力电池容量衰退过程中由噪声和容量回升现象导致的非线性特征被分解到高频分量,而原始容量数据的主要趋势被分解到低频分量。其次,再使用GRU和TCN网络分别对高频分量和低频分量进行预测。最后,使用Attention对预测结果进行集成。在NASA数据集上的实验结果表明,本工作提出的集成模型的预测精度和对非线性特征的拟合程度都优于其他单一模型和其他同类型模型,最大平均绝对误差和最大均方根误差分别在0.52%和0.74%内,绝对误差在1个循环周期内,证明本模型有较好的RUL预测能力。

基于DCNN网络及Self-Attention-BiGRU机制的轴承剩余寿命预测

深度神经网络在剩余寿命预测(RUL)领域得到了广泛的应用。传统的滚动轴承寿命预测模型存在预测精确度较低、鲁棒性较弱的问题。为了进一步提升预测模型的精确度以及鲁棒性,提出了一种融合深度卷积神经网络(DCNN)、双向门控循环单元(BiGRU)以及自注意力机制(Self-Attention)三种模块的滚动轴承剩余使用寿命预测模型。首先,利用DCNN网络对原始振动信号的时域特征、频域特征进行了提取;然后,使用不确定量化的方法对提取到的特征进行了评价和筛选,利用筛选过后的特征构建了新的替代特征集;最后,利用Self-Attention-BiGRU网络对轴承的剩余使用寿命进行了预测,并在IEEE PHM2012数据集上进行了验证。实验结果表明:相较于BiGRU、GRU和BiLSTM三种模型的预测结果,基于DCNN及Self-Attention-BiGRU方法的预测结果最优,两项误差值:平均绝对误差(MAE)、均方根误差(RMSE)最低,其中工况一的一号轴承RUL预测的MAE值相较于BiGRU、GRU以及BiLSTM网络分别下降了7.0%、7.4%和6.5%,RMSE值相较于其他三种模型分别下降了7.6%、8.4%和6.9%,预测的Score值最高,分值为0.985。通过不同数据集的划分,证明了该方法在轴承RUL预测时的强鲁棒性。实验结果验证了基于DCNN网络及Self-Attention-BiGRU模型在轴承剩余使用寿命预测中的有效性。

基于迁移学习的滚动轴承剩余使用寿命预测

为解决轴承剩余使用寿命预测模型预测泛化能力低,不能准确预测出未训练轴承剩余使用寿命的问题,本文提出了一种迁移轴承状态知识的剩余使用寿命的方法。利用计算时域、频域特征以及模糊熵作为预测特征,使用“3σ”准则将轴承全寿命过程划分为正常阶段、退化阶段,以实现对退化阶段轴承剩余使用寿命的预测。构建基于门控循环单元的轴承剩余使用寿命预测模型,并使用某一轴承的全寿命周期数据进行训练,使模型学习到新轴承的状态信息。研究表明:相较于未使用迁移学习的方法,其预测所有轴承的轴承剩余使用寿命平均均方根误差减小了52.53%,平均百分比误差减少了68.87%。本文提出的方法可以有效、准确地预测出轴承的轴承剩余使用寿命。

基于SAE和BiGRU的滚动轴承剩余寿命预测

为提高对滚动轴承剩余使用寿命的预测准确性,提出了一种基于稀疏自编码器(SAE)和双向门控循环单元(BiGRU)的剩余寿命预测方法。首先利用四个评价指标对从滚动轴承振动信号中提取出来的时域、频域以及时频域特征进行筛选,构建敏感退化特征集。然后为解决各个特征之间存在的信息冗余问题,利用SAE网络对敏感退化特征进行融合降维。最后将融合敏感退化特征输入BiGRU模型中完成对滚动轴承剩余寿命的预测。采用公开的滚动轴承全寿命数据集进行验证,结果表明,与长短期记忆网络(LSTM)以及门控循环单元(GRU)相比,该方法具有更高的剩余寿命预测准确性。

基于LSTM网络的IGBT寿命预测方法研究

针对IGBT工作时承受热应力与电应力循环冲击导致疲劳失效的问题,提出一种基于长短期记忆(LSTM)网络的寿命预测方法。利用NASA预测中心提供的加速老化数据集,分析并选取集电极-发射极的瞬态尖峰电压作为失效特征参数,通过Matlab构建LSTM网络,采用Adam优化算法来训练网络,实现对失效特征参数数据的预测,并选取三项性能评估指标与ARIMA模型及ELMAN神经网络模型的预测进行对比分析。结果显示,LSTM网络模型预测的均方根误差为0.0476,平均绝对误差为0.0322,平均绝对百分误差为0.4917%,LSTM网络模型的预测精度更高,能够更好地实现IGBT的寿命预测,也对其他电力电子器件的寿命预测有一定的参考价值。

变分资格迹元强化循环网络用于空间滚动轴承剩余寿命预测

针对经典时间循环神经网络(SRNNs)在预测时间序列中存在长时依赖的缺陷,同时由于遍历整个训练数据集进行现有监督式学习增加了时间复杂度,造成SRNNs在预测空间滚动轴承剩余寿命中存在预测精度和计算效率较低的问题,提出一种变分资格迹元强化循环网络(VETMRRN)。在VETMRRN中,构建新型时间循环网络结构以增大历史信息记忆量,并设计基于神谕门机制的元学习超参数自初始化网络来加速搜索VETMRRN的最优回顾序列长度;设计含有资格迹算子的变分自编码元策略梯度学习算法,以提高对VETMRRN参数的训练速度和全局优化效果。在此基础上提出基于VETMRRN的空间滚动轴承剩余寿命预测方法。首先采用Shapely值特征融合提取空间滚动轴承的性能退化特征;然后将性能退化特征输入VETMRRN中预测性能退化特征趋势;最后建立威布尔分布可靠度模型来预测空间滚动轴承的剩余寿命。该方法具有较高的预测精度、较好的泛化性能和较高的计算效率。最后通过空间滚动轴承剩余寿命预测实例证明了该方法的有效性。

高压加氢闸阀的失效模式分析及研究

在炼油行业的加氢裂化和加氢精制工艺中,高压加氢闸阀作为控制氢气流通的关键控制设备,其使用寿命和稳定性至关重要。在高温、高压、氢环境的复杂工况下,高压加氢闸阀面临着氢腐蚀和氢气介质的冲刷磨损、以及阀门本身的机械磨损等挑战,严重影响了阀门的稳定性和使用寿命。本文通过高压加氢闸阀在使用工况下氢腐蚀和冲刷磨损等形式的失效分析,从材料性能、氢脆效应、结构设计等方面提供改善方案,有效提高了其使用寿命,保证整个系统设备安全稳定的运行。

中国语境下纯电动微型车全生命周期碳排放

为回答中国语境下纯电动微型车能够减碳多少,建立了针对中国语境下的纯电动微型车的全生命周期碳排放的评估模型。基于一组1030车·天的纯电动微型车的典型出行数据,使用了与交通有关的温室气体、排放及能耗的全生命周期碳排放核算模型—GREET,该模型包括:制造环节(CTG)、能源周期(WTW)和回收环节(GTC)。结果表明:中国内地纯电动微型车的日均出行里程37.2 km,73.1%的日出行里程低于50.0 km;在2021年平均电网、采用新欧洲驾驶循环(NEDC)的条件下,纯电动微型车全生命周期CO_(2)当量碳排放为26.8 t,比同级别内燃机汽车低约33%。其中的72%的排放来自纯电动微型车WTW环节,其CO_(2)当量碳排放为19.3 t。电网清洁化程度的提升和动力电池回收比例的增加,将有助于进一步降低纯电动微型车的碳排放。

基于多维特征融合的转辙机剩余使用寿命预测模型研究

为实现转辙机的智能维修,剩余使用寿命预测是一个重要的技术手段。针对转辙机的退化过程预测精度不高和预测效果不稳定的问题,提出一种基于多维特征融合的转辙机剩余使用寿命预测模型。该模型采用并行架构同时提取多个维度的转辙机动作曲线退化特征,即特征指标通道、卷积神经网络通道、门控递归单元通道;将提取的多维特征向量合并成一个特征融合向量输入回归器中,实现转辙机的剩余使用寿命预测。以ZYJ7型转辙机的功率曲线作为数据集,使用均方根误差、平均绝对误差、评分函数作为评价指标,与单通道模型进行性能比较。仿真结果表明:多维特征融合模型的预测值均与实际退化数据最为接近,能够实现对转辙机剩余使用寿命的准确预测,有效支撑维护人员的预防性维修,并提供理论指导。

基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测

基于传统方法预测轴承剩余使用寿命(Residual Useful Life,RUL),步骤繁多,成本昂贵,且模型不具泛化性。现有的基于深度学习(Deep Learning,DL)的预测方法,由于数据量过大,经常导致模型出现过拟合现象,从而使模型精度不高。为了克服以上缺点,提出一种基于MRSDAE-SOM结合HGRU的滚动轴承RUL预测方法。首先,使用无监督式网络流形正则化堆栈去噪自编码器(Manifold Regularization Stack Denoising Auto Encoder,MRSDAE)结合自组织映射(Self-Or-ganizing Mapping,SOM)构建轴承健康因子(Health Indicator,HI)。然后,通过分层门控循环单元(Hierarchical Gated Re-current Unit,HGRU)网络建立预测模型,HGRU网络通过加入多尺度层和密集层,使其具有捕获时序特征且集成不同时间尺度注意力信息的能力。最后,通过实验验证表明,相比于其他基于数据驱动的方法,所提方法构建健康因子使用无监督方式,高效快捷且便于应用;预测模型泛化能力好,并有效防止了过拟合现象,实现了更高的预测精度。