改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于UKF的轴承剩余寿命预测方法研究

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。     

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。     

基于核密度估计和随机滤波理论的齿轮箱剩余寿命预测方法

针对风电机组齿轮箱的剩余寿命预测过程中需要进行状态退化模型结构假设的问题,提出一种由核密度估计和随机滤波理论结合的实时剩余寿命预测方法。该方法利用从数据本身出发的核密度估计方法对齿轮箱连续退化状态的概率密度函数进行非参数估计,得到齿轮箱实时状态监测数据的退化状态概率密度函数;利用实时状态监测数据来更新随机滤波递推模型参数,从而预测齿轮箱的实时剩余寿命。通过齿轮箱的试验验证了该方法的有效性。     

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。     

基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法

提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。     

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。     

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。     

KPCA和改进SVM在滚动轴承剩余 寿命预测中的应用研究

为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。     

直升机主减半主动反共振隔振技术研究

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播（affinity propagation ,简称AP）聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络（self-organizing feature map ,简称SOM）构建轴承健康指数。最后,利用自适应混沌粒子群算法（adaptive chaos particle swarm optimization, 简称ACPSO）优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。     

基于EKF-SSM的齿轮箱剩余寿命预测

齿轮箱的剩余寿命预测为维修人员做出维修更新决策提供重要信息。为解决在缺少历史数据和非线性非平稳运行状态下的齿轮箱剩余寿命预测难题,提出一种基于数据驱动的齿轮箱的剩余寿命方法。该方法首先根据齿轮箱振动信号特征值,通过状态空间模型(State Space Model,SSM)建立齿轮箱退化状态与特征值之间的关系,来描述齿轮箱的非线性动态变化。其次,当获取到新的信号时,通过扩展卡尔曼滤波(Extend Kalman Filter,EKF)估计准确的模型状态,EM算法(Experience Maximization,EM)估计状态空间模型的参数,根据更新的状态和模型递推预测未来特征值到达故障阈值的时间,从而估计出齿轮箱的剩余寿命。最后,运用齿轮箱全寿命试验数据对预测模型进行检验,实验结果表明该方法能利用实时监测的状态数据准确的预测齿轮箱的剩余寿命,具有较强的工程使用价值和通用性。     

面向轴承寿命预测的特征评估与模型优化

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播(affinity propagation,简称AP)聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络(self-organizing feature map,简称SOM)构建轴承健康指数。最后,利用自适应混沌粒子群算法(adaptive chaos particle swarm optimization,简称ACPSO)优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比（envelope harmonic?to?noise ratio,简称EHNR）和无迹粒子滤波（unscented particle filter,简称UPF）相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型（support vector regression,简称SVR）、反向传播神经网络（back propagation neural network,简称BPNN）的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

基于PCA和多变量极限学习机的轴承剩余寿命预测

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。     

基于性能退化预测的数控机床预防维修方法

为解决数控机床传统维修方法存在的"欠维护"或"过维护"弊端,提出了一种基于系统性能退化预测的预防维修方法,利用统计过程控制技术分析产品质量数据,实现机床工作状态的预测。建立了关键零部件的Wiener退化模型来预测寿命分布,从而可结合剩余寿命和收益确定最优预防维修策略。以某汽车活塞生产线上的数控机床异常数据为例,验证了所提方法的有效性。     

基于神经网络和维修窗的轴承维修建模

运用前馈神经网络对轴承寿命分布进行预测,并提出了基于维修窗的维修决策模型。首先运用神经网络对轴承寿命分布的均值和方差进行预测,从而得到轴承的寿命分布,提出基于维修窗的维修决策模型,并与基于阈值限维修模型进行对比。并对不同的维修窗位置与最优维修点的关系进行分析。通过运用轴承全寿命退化数据对模型进行验证,计算出两种模型的维修费用率,得出在一定的时间区间采用基于维修窗的维修决策模型优于阈值限维修模型的结论。     

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。     

新型非线性退化建模与剩余寿命预测

鉴于数据驱动的寿命预测方法多采用线性退化模型建模,而实际退化数据多呈现为非线性形式,为此,提出一种新型非线性退化模型,利用首达时间原理推导出模型剩余寿命概率密度函数的解析表达式,采用极大似然法估计模型中的未知参数,并用AIC准则检验了模型的准确性。通过仿真数据与激光发生器的性能退化数据对模型进行了验证分析,结果表明了新型非线性退化模型的准确性和实用性。     

基于性能退化模型的万能式断路器操作附件实时剩余寿命预测

针对万能式断路器操作附件的个体差异性以及在实际使用过程中动作不频繁的特性,提出一种基于性能退化模型的万能式断路器操作附件实时机械剩余寿命(RUL)预测方法。不同于传统的RUL预测方法,该方法融合了操作附件的历史退化数据与实时更新的状态监测(CM)数据。首先,考虑到操作附件性能退化过程具有线性非单调的特点,建立基于Wiener过程的操作附件性能退化模型;其次,对操作附件的历史退化数据采用极大似然估计法和一维搜索法确定模型参数的先验分布;然后,运用贝叶斯方法并结合操作附件实时更新的CM信息对模型参数进行迭代更新;基于首达时间的概念建立了RUL预测模型,以实现对断路器操作附件实时RUL的预测。最后,通过操作附件的寿命数据对本文所提方法进行验证,结果表明本文方法不仅可实现操作附件的实时剩余机械寿命预测,同时相较于其他文献方法具有更高的预测精度。