基于注意力的工业物联网设备剩余寿命预测方法

设备剩余使用寿命预测作为工业物联网实现工业智能的重要功能之一,可基于设备的健康监测数据对其未来退化状态进行预测,以获得设备丧失运行能力前的剩余使用时间,从而制定相应的预测性维修策略,提升工业物联网设备的可靠性、可用性和安全性。提出一种基于注意力机制的设备剩余使用寿命预测方法（Attention-based Remaining Useful Lifetime Prediction,ARULP）。首先在模型训练阶段设计了一种局部注意力计算算法,构建数据驱动的局部注意力计算模型,采用训练数据来计算局部注意力度量,从而获取预测模型关注大量数据中关键信息的能力;然后设计了一种基于局部注意力的相关向量机,通过在其隐变量学习过程中引入局部注意力机制,动态更新注意力权重,从而自适应地调整设备的状态预测模型,提升设备的剩余使用寿命预测精度;最后在模型预测阶段,利用所构建的预测模型进行设备工作状态预测,并计算设备的剩余使用寿命。基于西安交通大学滚动轴承加速寿命试验数据集,与RVM、AR、ARIMA和LSTM四个基准方法进行性能比较。实验结果表明ARULP方法在不同工况下针对轴承外圈故障、内圈故障和保持架故障进行预测时均与轴承实际退化数据最为接近,能够较好地反映故障轴承的退化状态,最终实现对工业物联网设备剩余使用寿命进行高精度地预测。     

平均剩余寿命置信下限的评估

设备的延寿使用及维修计划的合理制定,依赖于其组成单元平均剩余寿命的客观评估.通过对不可修复产品平均剩余寿命的研究,基于产品平均剩余寿命的数学描述,利用可靠性及数理统计的基础知识,逐级推演,提出了适用于各种寿命分布类型的产品平均剩余寿命置信下限的一种评估方法,并结合工程实例进行了分析.使用该方法,利用产品的使用及寿命试验数据,即可对产品在给定概率下和正常工作一定时间后的平均剩余寿命置信下限进行评估,为延寿使用及维修计划的制定提供依据.     

闭环Boost电路电解电容的故障预测方法研究

为了实现闭环Boost电路中电解电容的故障预测,本文采用基于特征参数退化的方法,利用LS-SVM及LS算法对电解电容的特征参数序列进行预测,实现了电解电容的故障预测与剩余寿命估计.仿真及物理实验均证明了本文方法的有效性及准确性.     

基于隐马尔科夫模型的变压器剩余寿命分析

针对电力变压器故障引起的被迫停机状况,推进符合运维需求的视情维修机制,利用隐马尔科夫模型对变压器剩余寿命进行了研究.收集系统相关运行状态和工况数据,利用退化信息及历史寿命数据基于隐马尔科夫模型对系统进行退化状态评价,得出状态转移矩阵以及观测概率矩阵.利用故障比率模型进行可靠度分析,得出变压器剩余寿命概率分布.结果表明,本文方法能大概率准确预测变压器剩余寿命.     

多元随机过程的剩余寿命预测

为了探究复杂系统的实际退化过程和剩余寿命,将采用一种新的权重计算方法融合多维性能指标退化过程,并利用马尔科夫蒙特卡洛方法在线更新模型参数,进而得出系统剩余寿命概率密度函数。通过裂纹增长实验的验证分析,结果表明所提方法能够有效地预测系统剩余寿命,并相较于一元随机过程预测模型,所提方法具有更好的预测精度且随着退化数据的增加,系统剩余寿命预测结果更加精确。     

基于隐马尔科夫模型的变压器剩余寿命分析

针对电力变压器故障引起的被迫停机状况,推进符合运维需求的视情维修机制,利用隐马尔科夫模型对变压器剩余寿命进行了研究.收集系统相关运行状态和工况数据,利用退化信息及历史寿命数据基于隐马尔科夫模型对系统进行退化状态评价,得出状态转移矩阵以及观测概率矩阵.利用故障比率模型进行可靠度分析,得出变压器剩余寿命概率分布.结果表明,本文方法能大概率准确预测变压器剩余寿命.     

考虑不确定测量的惯性平台剩余寿命自适应预测

针对现有剩余寿命预测方法未考虑测量误差引起的不确定性,且存在预测不确定性大的问题,提出了一种基于Wiener过程的退化过程建模方法,并将测量的不确定性考虑到剩余寿命预测中,推导出了剩余寿命的概率分布。为了实时更新模型参数,利用Kalman滤波算法实时估计Wiener过程中的漂移系数,并利用期望最大化算法实时估计其它相关参数。以某型号惯性平台的退化测量数据为例,进行了实验验证,结果表明,相比其它算法,文中算法能够降低剩余寿命预测的不确定性,提高预测精度。     

退化过程建模及药品货架寿命预测

药品货架寿命的有效预测是药品安全管理的关键问题。针对传统的退化过程建模不能考虑同批产品中个体差异的问题,提出一种有效融合先验退化数据和现场退化数据的方法,可对单片药品及新药品进行货架寿命预测。依据先验信息确定模型的参数,引入Bayes融合现场退化数据进行参数更新,在此基础上对单片药品进行货架寿命预测。结果表明,瓶装和片装的五号药片的货架寿命预测值分别为43.95周和47.47周,与试验值的相对误差分别为0.043和0.051。验证了利用融合现场退化数据对单片药品及新药品货架寿命预测方法的可行性。     

一种基于MSDCNN-LSTM的设备RUL预测方法

针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory, MSDCNN-LSTM)的设备剩余寿命预测方法。对传感器数据进行标准化和滑动时间窗口处理得到输入样本;采用基于多尺度深度卷积神经网络(MSDCNN)提取空间详细特征,采用长短时记忆网络(LSTM)提取时间相关性特征以进行有效的预测。基于商用模块化航空推进系统仿真数据集的实验表明,相较于其他最新方法,文中提出的方法取得了较好的预测结果,尤其是对于故障模式和运行条件复杂的设备寿命预测需求,该方法效果明显。     

多传感器和故障率隐半马尔可夫模型的剩余寿命预测方法

为解决复杂设备剩余寿命预测精度不高的问题,提出了一种基于多传感器和故障率隐半马尔可夫模型的剩余寿命预测方法。使用极大似然线性回归变换方法表示多传感器之间的差异,通过故障率与健康状态转换矩阵相结合的方法,建立多传感器和故障率隐半马尔可夫模型预测有效剩余寿命。实验结果表明,通过提出的故障率方程,利用某火炮炮管的多传感器历史监测数据,炮管的实际剩余寿命与预测剩余寿命的平均相对误差可以降低至6.685 2%,提高炮管剩余寿命预测精度1.3%左右。     

考虑奇点扰动问题的时间序列预测方法

目前，对于各种工业产品可靠性或者剩余寿命的预测方法通常都基于历史退化数据，这些历史数据的趋势变化可以为产品最终的维修和保障决策提供理论依据。然而，退化数据中出现的奇点扰动问题经常导致预测的准确性严重下降，这是可靠性预测领域的一个巨大挑战。为解决这个问题，该文采用样条函数方法作为数据趋势逼近模型，针对退化趋势中存在的各种奇点扰动情况，三次非多项式样条模型的二阶导数可以形成观测状态序列。引入了一种改进的结合粒子群优化算法的加权隐马尔科夫方法来外推样条函数所生成的观测序列，计算所产生的参数将更新样条函数的参数，组成一套综合完整的优化预测器。仿真和实例实验均证明了该方法的有效性。     

基于多尺度分解和深度学习的锂电池寿命预测

针对目前的剩余寿命预测（RUL）方法存在模型适应性差及预测不准确等问题,提出多尺度深度神经网络的锂电池健康退化预测模型. 通过经验模态分解（EEMD）方法和相关性分析（CA）,将采集到的锂电池能量数据分解为主趋势数据和波动数据;采用深度置信网络（DBN）和长短期记忆网络（LSTM）,分别对主趋势与波动数据进行建模;将DBN与LSTM预测结果进行有效集成,得到锂电池的健康预测结果. 实验结果表明,利用该方法能够有效地对锂电池的健康趋势进行拟合,得到准确的RUL预测结果,性能优于其他典型的预测方法.     

设备操作控制过程模型及其仿真环境的规范化研究

为实现面向设备操作训练和设备控制优化虚拟仿真系统的数据和应用分离,从而实现此类虚拟系统的快速重建和数据共享,提出了采用形式化工具Z语言进行数据特征和属性描述的规范化研究方法.重点对设备控制相关要素,如设备几何、控制过程进行了规范.提出了一种基于元模型的控制过程建模方法,以受控运动为核心,关联控制过程中的驱动部件、从动部件、运动模式及相关数据,设计的逻辑节点实现了过程并行.选取某立体车库进行建模,验证了元模型的有效性.采用Z语言描述规范,保证了数据语义的准确、无二义性.     

基于RVM和WPHM的滚动轴承剩余寿命预测

针对在直接预测传统滚动轴承剩余寿命中呈现出精度不高及预测结果无法体现个体差异性的问题,提出一种基于相关向量机(RVM)和威布尔比例故障率模型(WPHM)的滚动轴承剩余寿命预测方法,采用Cincinnati大学滚动轴承全寿命实验数据进行仿真实验,计算结果表明提出的预测方法能实现对滚动轴承剩余寿命的预测,预测趋势与实际情况相符程度高,有较好的预测结果,具有一定的应用价值.     

基于多时间尺度相似性的涡扇发动机寿命预测

针对传统相似性方法在提取健康指标和相似性匹配上存在的不足,提出结合自编码器神经网络的基于多时间尺度健康指标相似性的预测方法（AE MTS-HI）. 采用自编码器从状态监测数据中提取表征发动机退化状态的健康指标,降低提取过程非线性信息的损失. 将测试退化轨迹长度的波动纳入考量,针对性地设计多时间尺度的健康指标进行相似性匹配. 这不仅可以克服单一时间尺度匹配导致的精度限制,而且可以提高预测的鲁棒性. 在涡扇发动机的公开数据集上验证所提方法的性能. 结果表明,利用该方法能够显著提升剩余使用寿命（RUL）的预测精度,为预知维护提供有力支撑.     

基于随机参数Gamma过程的剩余寿命预测方法

为了提高剩余寿命预测的可信度,针对进行过加速老化试验的产品,提出利用Gamma过程参数的非共轭先验分布进行Bayesian统计推断的剩余寿命预测方法.将加速老化数据作为先验信息,利用Gamma过程进行老化建模,通过加速因子获得形状参数在工作应力下的折算值,使用Anderson-Darling统计量确定随机参数的先验分布.将产品工作中的少量实测数据作为现场信息,利用基于Gibbs抽样的Markov Chain Monte Carlo(MCMC)仿真得到参数的后验均值.以某型导弹电连接器为例说明了该方法的研究意义和工程应用价值.     

基于西门子S120的矫直机控制系统设计

系统介绍了一种基于西门子S120伺服驱动的矫直机电气拖动系统的设计方法。矫直机对辊采用西门子S120伺服驱动装置组成拖动系统,控制器采用西门子S7315CPU PLC控制,辊缝位置及矫直辊角度检测采用绝对值编码器检测角度及位置,速度反馈编码器与S120伺服系统以及PLC组成速度闭环控制系统,扭矩传感器与S120伺服系统以及PLC组成力矩闭环控制系统,通过PROFIBUS-DP总线完成CPU控制单元与S120伺服系统的通信数据传递。该控制系统实现了上下两矫直辊旋转加工时的速度同步、力矩同步控制,保证了被矫直棒料精度为0.3%的高精度技术指标。     

应用高斯粒子滤波器的桥梁可靠性在线预测

为采用实时监测信息对桥梁结构构件的可靠性进行动态预测分析,应用健康监测系统的长期大量监测数据,建立了基于监测数据的动态模型(监测方程与状态方程),引入混合高斯粒子滤波器(MGPF),基于粒子滤波方法、贝叶斯方法以及动态模型,对监测信息状态变量的后验分布参数和监测值的一步向前预测分布参数进行预测分析.混合高斯粒子滤波方法通过重抽样技术,提高了动态模型的预测精度.基于实时监测信息可以不断修正抽样粒子的权重,进而解决粒子退化问题.最后基于实时预测的分布参数,结合一次二阶矩(FOSM)方法,对桥梁结构构件的可靠性进行在线动态预测分析.     

大气腐蚀下网架结构症状可靠度及寿命预测

为了确定网架结构因钢材遭受大气腐蚀而引起的结构性能退化,用钢材长期暴露腐蚀试验所得的模型代替实际腐蚀过程,建立以杆件应力为主要症状的结构可靠度方法.在杆件壁厚随时间不断改变的条件下,将控制杆件的应力随时间变化曲线用于拟合Weibull模型曲线,以此生命症状模型对网架结构进行基于症状的可靠度分析和结构剩余寿命预测.考虑实际健康监测所得症状值与理论预测值的差异,对可靠度分析结果进行修正.算例结果表明,在单一损伤所致性能退化条件下,结构可靠度和结构剩余寿命以设计年限为基准,逐年递减.该结论与相关文献的结果一致.     

一种改进的航空发动机剩余寿命预测方法

针对传统的发动机剩余寿命预测方法因为假定机队中所有发动机有相同的性能衰退模式,导致预测精度不高的问题,在分析发动机排气温度裕度数据的基础上,提出基于性能衰退模式的发动机剩余寿命预测方法．对发动机排气温度裕度粗大误差的处理进行了研究,定义了排气温度裕度时序数据的距离,给出了性能衰退模式挖掘步骤,采用CFM56-5B发动机的排气温度裕度时序数据对提出的方法进行了验证．结果表明,提出的方法与基于机队EGTM平均衰退率的预测方法相比,平均相对误差减少了2.5%。基于性能衰退模式的发动机剩余寿命预测方法可以为发动机拆发期限预测和维修计划制定提供可靠的支持．