共查询到20条相似文献,搜索用时 279 毫秒
1.
服役零件疲劳寿命的预测与评估是装备高质量运行的前提。为准确预测服役零件的剩余寿命,基于磁记忆检测方法探索影响零件剩余寿命的参数,建立剩余寿命预测的新方法。以汽车车桥桥壳为对象,通过ABAQUS对服役零件进行疲劳寿命模拟分析,识别零件的疲劳危险区域;借助金属磁记忆检测技术和断裂力学理论,提取零件疲劳危险区中表征疲劳损伤程度的裂纹长度、应力强度因子、磁记忆信号法向分量梯度最大值、应力集中度等作为参数;引入支持向量机(SVM)理论,建立零件的剩余寿命预测模型。结果表明:SVM模型具有较高的预测精度,预测值与疲劳试验实测剩余寿命值相比误差不超过10%;预测精度同时受到零件损伤程度、训练样本数量、载荷大小和输入特征参数等的影响;建立的方法能够有效应用于低载荷高周疲劳下的桥壳等服役零件的剩余寿命预测。 相似文献
2.
滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。 相似文献
3.
针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。 相似文献
4.
现有的许多设备由于自身故障样本数据不足、少有同类故障样本数据等,寿命预测研究时往往需要进行模型结构假设及参数估计。针对这类研究方法估计不够准确的问题,提出一种基于核密度估计的非参数实时剩余寿命预测方法。该方法利用能表征部件连续退化的特征量构建退化分布的核密度估计模型,进而得到剩余寿命的概率分布函数。在实时监测不断获得新的退化特征数据后,利用已知样本的核密度估计不断递推更新得到新增样本后的核密度估计,从而进一步实现对预测剩余寿命分布的更新。通过实例分析,验证了该方法在剩余寿命预测中的有效性。 相似文献
5.
针对处于恶劣工作环境的采煤机状态预测与维护困难的问题,结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力,提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体,通过在虚拟空间的可视化展示与分析实现健康状态预判;建立基于深度学习的采煤机关键零件剩余寿命预测模型,实现实时监测数据驱动下的零件剩余寿命的在线预测;综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性,为采煤机健康状态预测与管理提供新思路。 相似文献
6.
7.
8.
9.
10.
介绍了基于设备运行状态的故障预测方法,将基于设备运行状态的故障预测与维护过程归纳为数据获取、数据处理和设备剩余寿命预测三个步骤。从传感器检测的时间间隔和传感器的使用数量等方面阐述了数据的获取方法。归纳介绍了目前国内外常见的数据处理和分析技术。介绍了设备故障诊断、预测和有效寿命预测技术中常见的统计方法、人工智能方法和基于模型的预测方法。 相似文献
11.
通过研究产品故障发生的机理,建立了基于Gamma退化过程的状态空间模型,运用EM-PF参数估计方法对模型中的参数进行求解,确定模型的具体形式,进而得出产品剩余寿命的分布函数和概率密度函数。该剩余寿命预测方法将退化状态与故障阈值联系起来,从而降低了剩余寿命预测的误差,以轴承磨损量特征进行建模,完善了状态信息与剩余寿命之间的相互关系。利用剩余寿命的概率密度函数建立了以费用最小为目标的维修决策模型,确定最优的维修更换时间并实现维修决策的优化。最后用轴承寿命试验所得到的数据对模型进行了验证,实例结果证明该模型是可行有效的。 相似文献
12.
13.
14.
为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM_AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析(PCA)进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM_AdaBoost预测模型中,训练ELM_AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM_AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。 相似文献
15.
基于竞争失效的航空发动机剩余寿命预测 总被引:3,自引:0,他引:3
航空发动机作为典型的复杂机电系统,具有失效模式多样性的特点。多失效模式相互作用,实质上是竞争失效的关系,导致航空发动机剩余寿命预测的复杂性。针对航空发动机失效模式及失效规律特点,提出基于竞争失效的航空发动机剩余寿命预测方法,解决航空发动机健康管理的核心和关键问题。分析航空发动机两类失效模式——性能退化失效和突发失效的作用机制及相关性,构建基于竞争失效的航空发动机剩余寿命预测体系。结合航空发动机不同失效模式及数据特点,分别针对性能退化失效和突发失效建立剩余寿命预测模型。利用贝叶斯线性模型融合状态监测信息,建立航空发动机性能退化轨迹模型,实现针对不同性能退化情况下的航空发动机剩余寿命预测。以分析性能退化规律为基础,利用航空发动机故障信息,建立混合Weibull可靠性模型,量化性能退化失效对突发失效的影响,实现航空发动机突发失效剩余寿命预测。通过算例,验证提出方法的有效性。结果表明,考虑竞争失效的多模型剩余寿命预测技术能客观、准确描述航空发动机寿命变化规律。 相似文献
16.
《仪表技术与传感器》2016,(8)
文中提出了基于余弦距离和超限学习机的预测方法。通过提取被测电路电压信号,计算余弦距离,从而表征了电路元件的退化情况。同时,将超限学习机用于故障预测,预测各个时间点的元件退化情况并估计电路元件的剩余寿命。仿真实验表明,该方法能够有效、准确预测电路元件的剩余寿命。 相似文献
17.
为实现在故障发生之前进行预测和预防.从实现智能预诊的系统功能角度出发,提出了智能预诊方法框架,建立了基于误差反传神经网络的性能衰退过程智能评估及剩余寿命动态预测模型,并对模型的有效性与预测误差等问题进行了深入分析.从实际应用的角度出发,针对信息不完备问题,实现了模型更新与动态预测.随着采集数据的不断增多,对预测模型进行适当调整,用调整后的网络模型给出剩余寿命的动态估值.提出的智能预诊方法已应用于哈尔滨汽轮机厂叶片材料疲劳测试分析系统,对叶片材料性能的分析与剩余寿命的预测证明了该方法的实用性和有效性. 相似文献
18.
19.