基于1D-CNN和Bi-LSTM的航空发动机剩余寿命预测

剩余寿命预测对航空发动机的预防性维修有重要指导作用,是保障飞机安全运行,提高维修保障效率的重要手段.一维卷积神经网络(1-dimensional convolutional neural network,1D-CNN)和双向长短时记忆神经网络(Bidirectional long short memory,Bi-LSTM)被应用于航空发动机剩余寿命预测模型.首先,根据工程经验在多状态参数的主成分分析的基础上对退化过程进行随机分布拟合,得到综合性能退化量;然后将多变量时间序列样本和对应的性能退化量代入1D-CNN模型进行回归分析,从而得到性能退化分析模型;再通过Bi-LSTM对性能退化量进行时间序列预测,得到性能退化的未来趋势;最后通过设定性能退化阈值,得到剩余寿命预测结果,从而得到从多状态参数-性能退化分析-性能退化预测-剩余寿命预测的实时动态感知模型.实例分析结果表明,提出的混合模型与其他单—深度学习和传统模型相比,有更低的回归分析误差和退化预测误差,能够得到更准确可靠的剩余寿命预测结果.     

数字孪生驱动的航空发动机涡轮盘剩余寿命预测

为解决航空发动机涡轮盘剩余寿命在线预测难题,提出一种数字孪生驱动的涡轮盘剩余寿命预测方法。在建立数字孪生模型的过程中,首先,分析涡轮盘疲劳裂纹损伤机理,构建性能退化指标,建立涡轮盘性能退化过程的共性表征模型;其次,分析多种不确定性因素,采用状态空间模型建立涡轮盘性能退化过程的个性表征模型;然后,通过动态贝叶斯网络描述状态空间模型随时间的演化规律,建立涡轮盘性能退化过程的动态演化模型;最后,采用粒子滤波算法实现涡轮盘退化状态追踪和剩余寿命预测,从而完成涡轮盘性能退化数字孪生模型的建立。融合涡轮盘实时传感数据,通过贝叶斯推理实现对该数字孪生模型的动态更新。通过某型涡轮盘试验数据对该方法进行验证,结果表明该数字孪生模型能够较好地解决涡轮盘剩余寿命在线预测问题。     

基于加速退化数据的航空液压泵剩余寿命预测技术研究

航空液压泵是航空装备的关键件之一。如何很好地预测液压泵的剩余寿命,使得液压泵的有效寿命能够得到更加充分合理地利用,将具有很大的理论价值和经济效益。通过研究某型航空液压泵的失效模式、失效机理和退化参数,确定其加速退化试验方案,建立其加速退化模型,并在此基础上建立了一套基于加速性能退化试验数据的航空液压泵剩余寿命预测方法及步骤,并以该型航空液压泵的加速性能退化试验数据为例对其剩余寿命进行了预测,验证了该方法的正确性和有效性。     

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。     

基于性能衰退的航空发动机剩余寿命组合预测方法

以民用航空发动机为研究对象,运用性能退化可靠性理论和贝叶斯更新方法,对发动机的剩余寿命进行了研究.首先通过分析发动机性能退化过程,利用贝叶斯更新方法得到了基于性能衰退信息的航空发动机剩余寿命分布;然后利用免疫粒子群优化算法建立了航空发动机剩余寿命组合预测模型.实例证明:该方法预测精度明显高于各个参与组合的预测模型,可操...     

机械装备的剩余寿命预测

一、引套任何机件均在一定的应力状态、环境介质及温度条件下服役。随着机械装备运转时间的推移,机件表面或内部将会产生诸如磨损、腐蚀、疲劳、蠕变、脆化等损伤。上述损伤累积的过程,也就是机件寿命不断减少的过程,直到该机件完全报废,即寿命终结为止。     

基于深度学习方法的航空发动机寿命预测模型

为提高航空发动机剩余寿命（remaining useful life,简称RUL）预测能力,构建了一种注意力机制与长短期记忆网络（long short-term memory,简称LSTM）融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差（root mean square error,简称RMSE）范围为[4.83,13.66],与卷积神经网络（convolutionneuralnetworks,简称CNN）、LSTM和双向长短期记忆网络（bi-directionallongshort-term memory,简称Bi-LSTM）方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。     

基于可靠性理论的多失效模式老龄平台剩余寿命预测

建立综合考虑平台结构构件的疲劳失效、腐蚀失效和静强度失效3种失效模式的可靠性模型.提出多失效模式下平台整体系统可靠度计算方法,分析不同失效模式对平台系统可靠性的影响.以可靠性理论为基础,考虑已服役载荷的验证作用,计算老龄平台系统在后继服役期内的可靠度指标,进而预测平台的剩余寿命.通过:Monte Carlo实例模拟结果表明,文中研究为平台服役后期的剩余寿命预测提供更为合理的计算方法,区分不同服役阶段的构件失效模式,可为平台的检修决策提供依据.     

基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法

传统的滚动轴承寿命预测都需要进行全寿命实验,并且需要数学或物理模型处理大量的实验数据,针对这一问题,提出了一种基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法.首先,采用滚动轴承的无失效数据模型和E-Bayes理论,计算出了每一个截尾时间滚动轴承可靠度估计值;然后,将滚动轴承每个截尾时间计算出的可靠度估计值进行了等...     

基于加速寿命试验的剩余寿命评估方法

利用加速寿命试验对产品设备进行剩余寿命评估正在成为研究的热点,如何提高其评估的精度是其中一个非常重要的问题。针对目前加速寿命试验统计方法存在的将试验样品看作新品,把加速试验外推后的应力环境等同于实际工作环境,忽视现场数据等问题,从模型和信息量两方面着手提高寿命评估精度。通过考虑产品初始失效和环境差异的影响,建立更为准确的寿命模型。对加速寿命试验的试验数据和现场数据进行融合统计分析,使得评估数据中蕴含更为丰富的多源寿命信息,由此得到置信度更高的寿命评估结果。仿真对比结果表明,由于模型准确度的提高和统计信息量的增加,所提出的方法评估精度更高,效果更好。     

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FA-LN-BiGRU的机械设备剩余寿命区间预测方法

针对数据驱动融合模型存在前后模型不匹配、关键信息丢失等问题,提出了一种端对端的预测方法,即基于特征注意力机制的对数正态分布和双向门控循环单元融合（feature attention-lognorm-bidirectional gated recurrent unit, 简称FA-LN-BiGRU）的剩余寿命区间预测方法。首先,利用特征注意力机制从多维度、非线性和大规模的传感器信号中提取出关键特征向量;其次,采用BiGRU网络从前向和后向2个方向对注意力加权特征的时变特性进行建模学习,并通过最大似然估计损失函数来训练网络参数,获得网络隐含状态输出向量的概率分布;最后,计算出基于对数正态分布的概率密度函数,实现设备剩余寿命（remaining useful life,简称RUL）不确定性的衡量。分析结果表明,对于运行条件复杂和故障模式多变的多维监测数据,所提方法能够深入挖掘性能退化信息,有效提高机械设备剩余寿命点预测和区间预测的准确度和可靠性。     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。      

基于民航发动机状态数据的涡轮叶片剩余寿命评估

针对民航发动机的特点,提出一种基于涡轮叶片外场故障数据及快速存取记录器(Quick access recorder, QAR)历史数据的涡轮叶片剩余寿命评估方法。从发动机QAR数据中提取涡轮叶片使用载荷谱,进而借助寿命损耗模型估算涡轮叶片的累积损伤量,并进一步评估涡轮叶片的剩余寿命。以涡轮叶片的蠕变损伤失效模式为例验证方法的可行性,方法可推广应用于热机械疲劳以及疲劳-蠕变交互作用失效模式下的涡轮叶片剩余寿命估计问题,为有限信息条件下外场发动机涡轮叶片的寿命评估提供了一种可行的工程方法,可为民航发动机在翼寿命评估及送修方案的制定提供决策支持。     

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。     

航空发动机主轴轴承数据统计处理及寿命评估

航空发动机主轴轴承台架试验费用昂贵且多为小子样无失效 ,在此情况下讨论其分布函数实为困难。因此 ,由现场收集大量的使用数据 ,以初步探讨其寿命分布规律及其可靠性水平 ,为航空发动机轴承可靠性研究打下了基础。附表 5个     

航空发动机主轴轴承失效分析

通过对所收集的航空发动机主轴轴承使用的大量和失效件的分析,得出１５种主要失效模式研究了其失效机理,提出了预防措施。