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...     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

融合Mar-G LSTM的流程生产工艺质量预测算法

针对流程生产连续性强、时序耦合复杂等特点,传统神经网络不具备长期记忆能力,且在深层次网络训练时易出现训练参数灾难、梯度爆炸等问题,提出基于马尔可夫优化的融合门控循环单元(GRU)与长短期记忆网络(LSTM)的组合预测模型(Mar-G LSTM)。首先在循环神经网络结构中融入门控机制构建深度LSTM神经网络模型,对流程生产时序数据信息进行选择性记忆,学习时序数据序列的信息依赖,进而解决训练过程中的梯度爆炸问题;同时结合马尔可夫链对GRU-LSTM模型的预测结果进行修正优化,在降低模型的复杂度的情况下进一步提高了模型的预测精度。最后,结合某流程生产线的工艺数据进行分析验证,结果表明,Mar-G LSTM算法在预测精度上较随机森林模型、门控循环单元神经网络模型(GRU)、长短期记忆神经网络模型(LSTM)和卷积神经网络与门控循环单元网络组合模型(CNN-GRU)分别提高了37.42%、21.32%、17.91%和12.56%,所提Mar-G LSTM算法可实现流程生产质量的准确预测,为降低工艺参数调控任务的完成时间提供了思路和实现途径。     

基于PSO-RBF神经网络的锂离子电池健康状态预测

针对传统方法估计锂离子电池健康状态(SOH)时内部参数测量困难等问题,提出一种基于粒子群优化径向基函数神经网络的锂离子电池SOH预测方法。通过对锂离子等效模型的研究,结合充放电过程的实验数据,确定了影响锂离子电池SOH特性的几个关键参数。将试验数据输入仿真模型进行网络训练和校验。仿真证明,相比BP神经网络和普通RBF神经网络,该算法的预测精度可提高20%,节省66.7%以上的优化时间。     

基于GEO-GRU的电梯滑移量预测方法

电梯曳引性能是影响电梯运行安全的重要指标,而滑移量是其重要的评判标准。为实现高精度的电梯滑移量预测,文中提出了基于金鹰算法优化的门控循环单元神经网络(GEO-GRU)模型,GRU通过门控单元实现数据信息选择,利用神经元传递时序特征,实现时序预测;采用金鹰优化算法（Golden Eagle Optimizer,GEO）对GRU的初始参数进行优化,以提升模型可靠性和泛化性。实验结果表明,相比LSTM、ESN等经典预测方法,GEO-GRU方法提高了预测精度,缩小了预测误差,对于电梯滑移量的预测具有更高的可行性和有效性。     

基于VMD-NARX的MOSFET剩余使用寿命预测方法

金属氧化物半导体场效应晶体管(MOSFET)剩余使用寿命预测能够防止因器件长时间导通出现性能逐渐退化或失效,但传统预测模型易忽略MOSFET退化参数的非线性细节特征而导致预测精度较差。本文提出一种基于变分模态分解与带外源输入的非线性自回归神经网络的MOSFET剩余使用寿命预测方法。首先采用变分模态分解将退化参数序列分解为多组含有非线性变化信息的特征分量。然后分别利用贝叶斯正则和Levenberg-Marquardt算法对预测网络进行优化。最终集成多组预测分量值获得MOSFET剩余使用寿命预测结果。实验结果表明,本文所提方法的均方根误差小于0.003,平均绝对百分比误差小于5%,均优于对比方法,剩余使用寿命预测平均偏差小于5 min,验证了该方法的有效性.     

遗传算法优化BP网络的锂电池剩余容量预测

为了有效地对锂电池剩余容量进行预测,在分析了BP神经网络对剩余容量模型非线性回归基础上,针对BP算法预测迭代速度慢且易出现局部最优的问题,提出了一种基于遗传算法(GA)优化BP神经网络的算法。遗传算法具有较强劲的全局搜索能力,将其应用到BP神经网络的参数寻优当中,可以寻找到BP网络的最优参数。将该模型应用于锂离子电池剩余容量的预测,并将生成的模型与单独使用BP神经网络的预测模型比较。仿真结果表明,基于遗传算法优化的BP神经网络剩余容量预测的精准度高于单独使用BP网络剩余容量预测的精准度,为锂离子电池容量预测提供了一种新方法。     

基于改进最小二乘支持向量机与Box-Cox变换的锂离子电池容量预测

精确、可靠的电池容量预测可以避免电池滥用,提升电池使用安全;同时在此基础上开展的剩余寿命估测能够为电池系统维护及更换提供参考.基于改进双最小二乘支持向量机方法和Box-Cox变换,提出一种锂离子电池容量及剩余循环寿命的协同估算方法.首先提取老化电池部分容量增量曲线包络面积作为特征量,通过Box-Cox变换进一步提高特征量与目标估计量之间的相关性.然后基于瑞利熵理论改进传统最小二乘支持向量机算法的稀疏性,建立电池容量和剩余使用寿命协同估算模型,结合层次分析法和熵权法对估算结果进行充分地评估.最后,采用粒子群优化算法搜索改进最小二乘支持向量机算法中的最优超参数组合.估算结果显示所研究的方法能够显著提高特征参数与估计量之间的线性相关性,容量估计误差小于1.44％,剩余使用寿命预测误差小于47次循环,验证了算法的有效性.     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于传荷电阻的锂离子电池剩余寿命预测研究

锂离子电池的剩余寿命预测对实现高效、精准的电池管理和维护具有重要意义.电化学阻抗能够反映锂离子电池内部物理化学过程特性,在电池寿命问题研究中被广泛应用.特别地,传荷电阻描述电极界面过程进行的难易程度,可用来表征电池的寿命状态.通过开展四种工况的锂离子电池老化试验,获取传荷电阻随寿命衰减的演变规律.采用贝叶斯信息准则,对多种寿命衰减经验模型进行评价,选择并确立一阶多项式形式的经验模型.在此基础上,提出基于粒子滤波算法的剩余寿命预测方法.结果 表明该方法可准确实现锂离子电池的剩余寿命预测,从而能够为电池管理和维护提供必要的电池寿命信息.     

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。     

锂离子电池循环寿命的融合预测方法

针对传统基于粒子滤波的锂离子电池剩余使用寿命预测方法的不足:过度依赖电池经验退化模型和模型输入变量单一的问题,提出了一种相关向量机、粒子滤波和自回归模型融合的锂离子电池剩余寿命预测的方法。通过相关向量机提取电池历史数据的退化趋势,构建趋势方程替换以往的电池经验退化模型,作为粒子滤波算法的状态转换方程。引入自回归模型的长期趋势预测值,替换观测值构建粒子滤波算法的观测方程。将3种方法相融合估计电池剩余寿命。实验结果表明:融合方法不仅预测精度高而且采用数据驱动的方法避免了构建复杂的电池机理退化模型,通用性强。     

基于Autoencoder-BLSTM的涡扇发动机剩余寿命预测

准确预测涡扇发动机的剩余使用寿命,对于合理制定维护策略,降低维护成本具有重要意义。针对发动机状态监测数据样本量大、维度高的特点,提出一种整合自编码神经网络(Autoencoder)和双向长短期记忆(BLSTM)神经网络优势的混合健康状态预测模型,优化涡扇发动机的剩余使用寿命预测。首先利用Autoencoder方法作为特征提取工具,对状态监测数据进行压缩,然后利用BLSTM方法捕捉特征双向长程依赖的特性,构建剩余使用寿命的混合深度学习预测模型。基于通用数据集开展测试比较,结果表明Autoencoder-BLSTM混合模型的预测精度优于现有多层感知机、支持向量回归、卷积神经网络和长短期记忆神经网络等方法,可有力支撑涡扇发动机的健康管理与运维决策。     

基于注意力机制—门控循环单元—BP神经网络的智能多工序工艺参数关联预测

鉴于流程制造工序间能质流耦合严重，性能指标影响因素众多，工艺参数时序特征显著，现有制造模式下难以精准预测产品质量，在分析流程制造工艺性能指标多维、强时序、关联耦合特征的基础上，提出一种基于注意力机制—门控循环单元-BP神经网络(Attention AM-GRU-BPNN)的多工序耦合参数关联预测方法。首先采用互信息方法筛选多态异构生产数据作为输入，建立ConvGRU自编码器，通过无监督学习对过程数据、工艺参数、操作参数等进行时序特征提取，同时引入时序注意力机制提取不同工序的耦合关联特征并进行向量嵌入，为不同工序的工艺参数分配注意力权重。在此基础上，设计Attention网络自学习不同时刻下工艺关联特征对质量性能指标的影响差异，再通过门控循环单元网络对重要的关联特征进行增强，并按照时序特征对单工序预测模型进行聚合，实现多工序时序特征融合，最后通过输出层BPNN神经网络精准预测产品工艺质量。实验表明，AM-GRU-BPNN有效提高了预测精度，从多工序角度为生产线工序的加工过程控制提供了依据。     

小样本条件下元学习门控神经网络的齿轮退化趋势预测研究

针对齿轮小样本条件下深度神经网络训练容易过拟合导致齿轮退化趋势预测不精准的难题,提出了元学习门控神经网络网络齿轮退化趋势预测模型(Meta-learning gated recurrent neural networks, MLGRU)。将齿轮原始振动信号经过征提取、特征筛选以及特征融合后的指标作为门控神经网络的输入;在元学习网络框架下搭建门控神经网络,在防止齿轮预测模型过拟合的同时通过多任务的训练方式优化元学习门控神经网络,使其在小样本条件下快速收敛;通过门控神经单元深度学习齿轮演化规律并进行退化趋势预测。试验结果表明所提元学习门控神经网络能够充分学习齿轮演化机理,实现齿轮退化趋势预测。     

基于机器学习的新能源汽车电池剩余寿命预测

利用一种改进的RVM模型(RVR-NDM)进行锂电池的剩余寿命预测,通过重构模型参数,提高了模型的预测性能,并将该方法应用于预测锂离子电池的剩余寿命。以充放电循环次数200,400和600为预测时间,分别进行了LR,RVR和RVR-NDM等3种不同方法对CALCE的数据集的验证。实验结果表明,当充放电循环次数为400或600时,RVR-NDM和RVR模型都展现出了良好的预测性能,且RVR-NDM的预测精度要高于RVR。     

基于VMD-EEMD-LSTM的涂层型关节轴承剩余使用寿命预测方法

涂层型关节轴承由于其结构紧凑且具有较好的摩擦性能，在航天航空设备领域有广泛的应用前景，对其剩余使用寿命(Remaining useful life,RUL)进行有效预测，能够为设备的维护提供一定的理论依据。因此，提出了一种基于变分模态分解(Variational mode decomposition,VMD)、集成经验模态分解(Ensemble empirical mode decomposition,EEMD)以及长短期记忆神经网络(Long Short-term memory neural network,LSTM)模型的剩余使用寿命预测方法。首先，利用VMD以及EEMD对轴承摩擦扭矩信号进行特征提取，并根据时间相关性进行特征筛选，得到相关性较高的3组特征序列，对筛选出的特征进行相对归一化处理作为模型输入，减小不同工况下摩擦扭矩幅值变化带来的影响；最后，选择超参数优化区间对LSTM进行贝叶斯优化，得到贝叶斯优化-LSTM模型，对涂层型关节轴承的RUL进行预测。研究结果表明，该预测模型融入了能够表征涂层型关节轴承退化信息和寿命衰减的多个信号特征，对不同工作载荷下的轴承均有较高的RUL...     

锂离子电池剩余寿命在线预测

针对现有研究中的不足,提出一种改进的相关向量机模型对锂离子电池的剩余寿命进行实时预测。首先,利用锂离子电池容量数据和相空间重构技术,构造模型的训练集。其次,在传统的单核相关向量机模型上做出改进,采用多核核函数,从而提高相关向量机模型的泛化能力和剩余寿命预测的精度。此外,利用粒子群优化算法,自适应的确定多核相关向量机模型的最优参数组合。实验结果表明,相比单核相关向量机模型,本文提出的多核相关向量机模型能够更为准确的对锂离子电池的剩余寿命进行预测。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

考虑转动周期的轴承剩余使用寿命预测EI北大核心

滚动轴承广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行。目前,基于深度学习的轴承RUL预测方法均致力于对整体趋势特征的把控,而忽略了对各转动周期间相互依赖特征的挖掘。针对这一问题,提出一种考虑转动周期的轴承RUL预测网络——双通道网络模型。该预测网络使用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)来提取轴承振动数据的整体趋势特征,并引入注意力机制来增强模型的特征提取能力。利用基于转动周期的跳越循环神经网络组件来捕捉各转动周期之间的相互依赖模式。通过滚动轴承加速退化实验的数据,验证了所提网络的有效性,并与一些智能算法进行了对比实验,预测精度表现优异。