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。     

基于数据包络分析法的军工企业零件制造工时研究

传统的、依赖人工经验的零件制造工时定额和工时管理方法已不能满足军工企业对工时精细化管理的要求,为此提出了一种基于数据包络分析法的工时定额方法,通过引用数据包络分析法（DEA）,根据零件加工设备的投入产出数据建立数据模型,根据零件类型,由生产信息数据库对生产线进行工艺分配,利用CCR模型和BCC模型对工时定额进行预测调整,使各个工序以最佳效率值工作,实现工时准确预测,最大程度上解决企业工时定额问题。针对S企业开展的案例分析,并与模特法进行对比试验,以验证该方法的可行性和有效性。     

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。     

基于多SVM误差加权的轴承剩余寿命预测

针对传统的以概率统计为基础的轴承寿命预测方法需要大量的轴承寿命试验数据,且运行周期较长,难以满足特定工况下轴承寿命状态预测的问题。通过多SVM的预测误差进行加权获得轴承的剩余寿命。首先采集多个轴承的全过程寿命振动数据,针对获取的多个轴承的振动数据进行特性提取并利用主成分分析进行特性约简,实现对轴承运行寿命评估特性指标的建立,并利用粒子群算法改进的多个支持向量机模型进行剩余寿命预测建模,利用所建立的多个模型对要预测的轴承特征数据进行预测,并通过各个模型的误差权重来实现轴承剩余寿命的准确预测。通过实验分析验证了模型的有效性。     

基于特征与遗传神经网络的飞机结构件数控加工工时预测方法

为了解决在没有数控程序的情况下快速准确的预测飞机结构件的数控加工工时,提出了一种基于特征与遗传神经网络的数控加工工时预测方法。提炼各类特征的加工工时影响因素并建立特征样本库,为每种加工特征构建BP神经网络;针对BP神经网络极易陷入局部极小值、收敛速度慢、网络参数难以确定等问题,结合遗传算法优化BP神经网络。建立了5种神经网络结构,通过调用相应的网络预测每一类加工特征的加工工时,进而形成每一工步的加工工时,累加零件所有工步的加工工时得到零件整体的加工工时。应用该方法预测零件整体的加工工时误差在5%以内。     

基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于加工特征实例的零件工时预测评估

通过构建零件加工特征实例,建立基于实例推理的零件加工工时预测评估模型,提出基于加工特征实例及典型工艺方案的零件工时制定方法,克服了传统工时制定方法的局限性,该方法有助于零件加工成本的预测评估及控制。     

基于多通道融合及贝叶斯理论的刀具剩余寿命预测方法

刀具监测及可用剩余寿命(RUL)预测对降本增效及保证加工质量意义重大.针对单一传感器预测精度波动大、数据利用率低、可靠性低等问题,提出一种多通道信号融合及贝叶斯更新的刀具剩余寿命预测方法.通过计算多通道信号所提取特征的时间序列与对应时间矢量的斯皮尔曼等级相关系数对特征时序做单调性排序,取单调性得分高的特征用主成分分析进行融合并构建健康因子作为观测数据,基于贝叶斯理论及马尔科夫链蒙特卡洛采样估计退化模型参数,并随着时间推进及监测数据序贯可获,实时在线更新退化模型参数以逐渐逼近刀具磨损退化趋势,同时对每时刻剩余寿命进行迭代估计.所提方法可避免基于深度学习方法需要依赖大量全寿命数据离线训练预测模型且模型对新预测任务适应性有限的局限性.用PHM2010公开数据挑战赛中三槽球头硬质合金铣刀切削不锈钢过程磨损全寿命数据集验证了方法有效性.     

航天发射场供气系统健康管理技术

针对新一代航天发射场采用全新的在线供气模式,难以有效评估单样本设备健康状态的问题,提出一种基于隐马尔可夫的设备健康状态管理与预测方法。首先,利用设备监测数据构建隐马尔可夫健康状态评估模型,通过对不同观测序列与不同观测次数下的预测准确率进行仿真,确定出最优的模型参数;其次,把实时数据代入模型,根据模型的计算结果取最小值,从而判断出设备的健康状态;最后,将当前数据与历史数据进行拟合,预测出系统的安全可靠寿命。经实际检验,该方法有效解决了单样本多状态设备的健康评估。     

SLFM神经网络在飞机零件数控加工工时估算中的应用研究

在飞机结构件数控加工工时估算中,特征参数对工时的影响呈现出典型的非线性特征,且特征参数之间存在着不同程度的耦合效应.提出采用SLFM神经网络建立数控加工工时的估算模型,可快速、准确地预测零件加工工时,满足工程咨询和生产管理的预测需求.     

改进威布尔分布的矿冶零部件可靠性寿命预测研究

针对典型矿冶零部件在恶劣工况背景下其可靠性寿命难以准确预测的难题,提出了一种改进的威布尔分布模型可靠性寿命预测新方法。首先结合矿冶设备典型零部件的特征与传统的平均秩法在计算经验分布函数中存在不足,建立了二参数威布尔分布矿冶零部件预测模型,然后采用改进的平均秩法与最小二乘法对模型的形状参数与尺寸参数进行估计,并利用改进的新方法对典型零部件可靠性寿命进行了预测。以某具体型号的鄂式破碎机曲轴的失效数据和截尾数据为例,验证了提出的新方法比传统方法预测精度更有效。     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于BP神经网络的焊接工时定额模型研究

为了提高焊接工时定额的计算效率和精确度,消除传统定额方法过度依赖线性公式进行计算而忽略工时定额与其加工工艺参数之间的非线性关系的不足,将BP神经网络技术应用到焊接工时定额中,建立多输入单输出的神经网络模型,并运用实际数据对建立的神经网络进行训练,通过测试样本验证了该网络模型输出的仿真值与实际值之间的误差在5%以内。验证结果表明,用BP神经网络方法建立的焊接工时定额模型能够对焊接工时进行准确的预测。     

计算机辅助标准时间管理系统的研究与开发

针对传统企业标准时间制定方法及不同企业间的特点,提出了一种基于单元模块化工时的理论,以工作研究法现场测定数据作为制定标准时间的依据的MUMD快速估算法,该算法针对机加工人工作业时间的特点确定基于动作组的分解原则,动作组以及由模特排时法确定的动作组时间共同构成单元模块化工时数据集。MUMD快速估算法能够实现机加工人工作业标准时间快速、准确的计算。并建立了通用化计算机辅助标准时间管理系统(CASTMS)。在此基础上探讨了标准时间的分类划分,阐明了系统的体系结构和功能模块,最后介绍了系统的应用流程。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

DE＿kmeans预测液压缸零件工时定额

为提高液压缸零件工时定额预测的准确性及高效性,提出一种基于加工特征参数的DE_kmeans预测模型。首先根据工时影响因素提炼出历史及待预测加工特征参数;采用改进的DE_kmeans算法对历史加工特征参数进行聚类成组;对每个聚类组分别建立BP神经网络预测模型并基于历史加工特征参数进行训练;针对待预测加工特征参数,按照标准化欧式距离最小的原则划分至特定聚类组及预测模型;用该模型对待预测零件工时进行预测。通过测试实例验证该方法的预测误差控制在10%以内,证明该方法的可行性及有效性。     

基于数据挖掘的机加工生产进度预测方法

为解决多品种、小批量航天产品机加工的工时计算和生产进度预测问题,给出了基于数据挖掘预测方法的逻辑流程和体系架构,开展了数据需求及处理,数据分析及预测的相关研究,并提出了生产进度预测方法,可实现基于车间制造资源数据、历史数据和当前数据的工时计算和生产进度预测,为进一步明确生产节点、制定生产计划和优化生产过程,奠定了基础、提供了参考。     

预测腐蚀管道剩余寿命的新方法研究

针对概率统计方法预测腐蚀管道剩余寿命对数据样本要求大和预测精度低的问题,提出采用灰色预测理论对腐蚀管道进行了剩余寿命预测;针对传统GM(1,1)模型不能根据非等时距数据进行数据拟合、背景值构造误差大和新信息利用充分的问题对GM(1,1)模型进行了改进,并提出灰色预测理论对非等间隔数据处理的新方法。通过采用所建立腐蚀管道剩余寿命模型和改进GM模型对腐蚀管道剩余寿命的计算,证明了该方法的准确、简洁、可行与普适性。     

面向数字孪生的构架裂纹扩展寿命预测建模分析方法

高速列车转向架构架裂纹扩展寿命预测对列车的可靠性和运行安全性具有重要意义。为实现基于数字孪生的构架裂纹扩展寿命预测,提出一种数据和模型融合驱动的构架裂纹扩展寿命预测建模方法。首先,基于数字孪生五维模型建立构架数字孪生模型框架;然后,构建构架裂纹扩展有限元仿真模型得出应力强度因子,并基于Paris公式构建构架裂纹扩展寿命机理模型;进而采用仿真模型和机理模型相结合的方法得出构架裂纹扩展寿命数据集;最后,基于构架裂纹扩展寿命数据集采用Kriging代理模型建立构架裂纹扩展寿命预测模型。研究结果表明该预测模型具有较高的精度和效率,能够有效支持孪生物理数据驱动的构架裂纹扩展寿命预测。     

车辆发动机可靠性寿命试验数据的预测方法

针对车辆发动机可靠性寿命试验时间长的问题,提出采用灰色系统预测理论对车辆发动机可靠性寿命试验数据进行预测,建立了发动机可靠性寿命试验数据的无偏灰色预测GM(1,1)幂模型,通过采用试验数据序列与预测数据序列总体分布函数相等性检验方法确认无偏灰色预测GM(1,1)幂模型用于发动机可靠性寿命试验数据预测是可行的。算例结果表明,采用灰色理论预测方法预测发动机可靠性寿命试验数据并进行相关的分布函数参数估计有较高的精度,可达到缩短发动机可靠性寿命试验时间和节约试验费用目的。