基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

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。     

基于数据驱动的零部件疲劳寿命预测研究现状与发展趋势

随着风电、高铁、航空等重大装备向着高可靠性、长寿命、智能化的方向发展,对齿轮、轴承等基础零部件的寿命提出更高的要求,也迫切需要更为科学、高效的疲劳寿命预测方法.机械零部件的寿命预测方法可分为基于物理失效模型、基于数据驱动模型和基于融合模型3种.随着零部件寿命预测研究向高精度、高效率发展,基于物理模型的寿命预测方法由于其模型复杂、耗时、不具有普适性等缺陷难以满足现代需求.基于数据驱动技术由于其具有无需知道其具体失效机理、预测结果准确等优点,且伴随机器学习、深度学习等技术的迅速发展,使得其成为零部件疲劳寿命预测研究的热点.鉴于此,详细阐述了基于数据驱动的机械零部件疲劳寿命预测方法,并详细介绍了神经网络、支持向量机、随机森林、深度学习等数据驱动方法在零部件寿命预测中的应用,总结了每种方法的特点,探讨了基于数据驱动的零部件寿命预测方法的发展趋势,并给出了基于GA-BP神经网络齿轮接触疲劳寿命预测研究的案例.     

基于BP神经网络的1550冷轧机寿命预测研究

1550冷轧机作为钢铁企业的重要设备,其工况要求24h不间断运行,对此类设备进行寿命预测研究,实施适时的停机检修和工作任务安排,对钢铁企业具有重大意义。首先建立了基于神经网络的设备剩余寿命预测过程模型;其次分析了神经网络在设备剩余寿命预测领域的应用,分别构建了基于BP神经网络的设备状态识别与剩余寿命预测模型;最后以某钢铁企业1550连轧机齿轮箱的寿命预测为例,验证了该方法的有效性。     

动态贝叶斯网络在设备剩余寿命预测中的应用研究

采用动态贝叶斯网络对设备剩余寿命进行预测,建立了基于动态贝叶斯网络模型的设备剩余寿命预测框架模型,运用动态贝叶斯网络的粒子滤波近似推理算法对加工过程中钻头寿命预测进行实例研究,结果表明了该方法的有效性.     

航空难加工材料切削刀具磨损与剩余寿命预测研究进展

航空制造领域因轻量化、强度等特殊的应用需求,大量使用钛合金、镍基合金等难切削材料,刀具磨损速率快,刀具过度磨损会影响产品质量,在保证产品质量的前提下,为了充分发挥刀具使用价值,亟需监测刀具磨损状态和预测刀具剩余寿命。针对刀具剩余寿命预测的定义、分类和主要预测方法进行了阐述,同时,刀具磨损监测作为刀具寿命预测的基础和先决条件,简述了其重要的流程和常见模型。刀具剩余寿命预测模型主要包括基于物理模型的预测、基于数据驱动的预测和混合预测三大类,对不同预测方法的优缺点和适用场景进行总结,并讨论了刀具剩余寿命预测的未来研究方向。     

基于复合非齐次泊松过程的不完美维修设备剩余寿命预测

针对现有不完美维修设备剩余寿命预测方法难以准确反映设备真实维修规律的问题，提出一种基于复合非齐次泊松过程的不完美维修设备剩余寿命预测方法。基于非线性Wiener过程构建设备随机退化模型；假设不完美维修次数存在上限值，并据此建立基于复合非齐次泊松过程的不完美维修模型；然后，基于设备的随机退化模型与不完美维修模型构建综合退化模型，并采用极大似然方法估计模型参数；基于首达时间的概念，推导出不完美维修设备剩余寿命的概率密度函数。实例分析表明，所提方法能够有效提升不完美维修设备剩余寿命预测的准确性，具备工程应用前景。     

可重构卫星锂离子电池剩余寿命预测系统研究

针对卫星锂离子电池剩余寿命预测问题,提出一种基于FPGA的可重构卫星锂离子电池剩余寿命预测系统设计方法.首先利用具备不确定性表达能力的相关向量机实现锂离子电池的RUL预测,进而采用FPGA动态重构技术,实现了基于相关向量机的预测算法的嵌入式计算,解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题,为解决硬件计算资源有限条件下的机器学习算法计算问题提供了一种新颖的思路.实验结果表明,在与PC平台保持相近计算精度的条件下,利用FPGA实现的剩余寿命预测计算效率提升了4倍,同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的前景.     

考虑不完美维修的随机退化设备剩余寿命自适应预测方法

在现有考虑不完美维修的随机退化设备剩余寿命预测研究中,通常仅考虑维修活动对退化状态或退化速率的单一影响,仅有考虑二者双重影响的研究,忽略了退化设备的个体差异性。鉴于此,提出一种基于多阶段扩散过程的自适应剩余寿命预测方法,同时考虑不完美维修活动对设备退化状态和退化速率的影响,并利用随机游走模型描述退化速率随观测数据的更新过程以表征设备的个体差异性。基于历史退化数据,利用极大似然估计法得到退化模型参数的初值;基于状态观测数据,利用卡尔曼滤波算法和期望最大化算法自适应的更新模型参数。利用卷积算子和蒙特卡洛方法推导得到了首达时间意义下设备剩余寿命的概率密度函数。最后,通过仿真算例和陀螺仪的实例研究验证了所提方法的有效性和优越性。     

基于无迹卡尔曼滤波的直升机主减速器剩余安全寿命预测

剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。     

基于深度学习的航空发动机剩余使用寿命预测研究

随着深度学习不断的发展,航空发动机成为近年来的研究热点,其寿命预测的研究也受到了研究学者的关注。本文主要介绍航空发动机的剩余使用寿命预测背景,数据获取过程及基于深度学习的剩余使用寿命的预测方法,以及深度学习在航空发动方面预测的难点和发展趋势。     

机械设备运行故障预测方法综述

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。     

基于核密度估计的实时剩余寿命预测

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。     

基于状态监测的民机机载设备寿命预测方法现状研究

准确地预测机栽设备的剩余寿命,是实现高效的基于状态维修（CBM）、降低民用飞机生命周期成本的关键.对近年来基于状态监测的机载设备寿命预测的代表性方法进行了分类和概括,对比分析了各种方法的区别及优缺点,展望了几个具有前景的研究方向.     

复合材料的疲劳寿命预测

较详细地介绍了疲劳寿命预测的剩余刚度，强度和疲劳模量模型，并且指出了这些方法的主要不足。在此基础上提出了一种基于疲劳损伤过程能量衰减的剩余能量模型，以及进行复合材料结构疲劳寿命预测的二元方法的构想。     

基于性能退化的数控机床剩余寿命预测

数控机床寿命预测技术是数控机床健康管理和维修维护的关键技术,面向数控机床研究基于性能退化的剩余寿命预测方法。在分析了剩余寿命与性能退化规律和性能阈值分布有关的基础上,建立单性能退化的维纳过程模型和融合多性能退化的维纳过程模型,从而得到数控机床的多性能退化量分布模型。依据失效原则,得到数控机床的性能阈值分布模型。由此,建立基于阈值分布的剩余寿命预测模型得到剩余寿命概率密度函数。在数控机床进给系统试验平台上进行试验,验证了融合多性能退化的维纳过程模型和剩余寿命预测方法的正确性和有效性。     

退化数据驱动的气缸剩余寿命在线预测

针对气缸可靠性研究中剩余寿命预测方面的问题,提出了一种基于退化路径的气缸剩余寿命在线预测方法。在建立了基于维纳过程的气缸退化模型基础上,推导了退化路径决定下的气缸剩余寿命的概率密度函数解析表达式,提出了一种融合Bayes估计和期望最大化算法的参数在线估计方法,实现了气缸剩余寿命在线预测,并通过气缸性能退化实验数据验证了方法的有效性。通过与同类方法对比结果表明,在小样本情况下,所提方法能更准确地预测气缸剩余寿命且预测的不确定性更低。     

基于二元维纳过程的轴承剩余寿命预测

提出了一种基于二元维纳过程的轴承剩余寿命预测方法。首先,分析轴承两个相互垂直方向上的振动信号,分别构建表征轴承健康状态的性能指标;其次,针对轴承性能退化过程的特点,建立基于维纳过程的二元退化模型;然后,利用AIC(akaike information criterion)信息准则选择合适的Copula函数分析两个性能指标间的相关特性,并计算轴承剩余寿命的联合概率密度函数;采用极大似然估计法在线更新模型参数,预测轴承未来时刻健康状态的变化情况并得到其剩余寿命;最后,通过轴承数据对所提方法进行了验证分析,结果表明,所提方法能够有效的预测轴承的剩余寿命,与基于一元维纳过程的剩余寿命预测方法相比,具有更好的预测精度。     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如：特征指标选取、健康指标构建、失效阈值选定等等。预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算。首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

基于自适应时间窗的设备剩余寿命实时预测研究

为适应智能工厂设备剩余寿命预测和维护决策的实时性与准确性要求,针对设备的多样化健康状态与独立退化特性,综合考虑设备在不同作业环境中的个体差异与同类设备在重要指标上的共同依赖,设计了智能工厂MES中基于数据驱动的剩余寿命预测流程,该流程旨在实现独立退化特性设备的实时性剩余寿命预测;随后结合广义回归神经网络,提出一种基于实时状态的剩余寿命预测方法,该方法不仅采用自适应时间窗,提高了预测的精度,还进一步采用动态步长策略与相空间重构技术,降低了时序特征波动与训练样本较少带来的误差风险;最后利用轴承全生命周期数据,运用仿真验证了该方法的有效性。