剩余使用寿命

摘要： 当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题。针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测。文中采用西安交通大学的轴承数据集进行实验对比,结果表明,相比共振解调法,采用本方法在单一故障数据的健康度评估中,健康度曲线的单调性、鲁棒性和趋势性综合评价指标分别提升了12%、24.8%和5%;在复合故障数据的健康度评估中,综合评价指标提升了15.1%;并根据健康度评估曲线实现了剩余使用寿命预测,证明了该方法在健康度评估和剩余寿命预测方面的有效性。

摘要： 针对设备剩余使用寿命预测问题,提出一种基于多源信息融合与隐马尔可夫模型的预测方法。首先,针对发动机结构复杂、监控数据参数多等问题,提出一种基于传感器信噪比和主成分分析(principal component analysis,PCA)降维的多源传感器数据融合方法。在此基础上,利用样本数据训练高斯混合隐马尔可夫模型,同时为降低模型偏差并避免过拟合风险,提出一种“定制”策略训练方法,训练后的模型可用于系统健康状态识别和剩余使用寿命预测。最后,通过美国国家航空航天局公开的航空发动机仿真数据集对所提方法进行了验证,并与几种具有代表性且预测精度较高的文献方法进行了比较分析,验证了方法的有效性。

摘要： 针对传统相似性方法忽略设备故障模式、退化速度以及监测数据长度间差异性的问题,提出多故障模式下多尺度相似性集成(MFM-MSEN)方法,以提高寿命预测精度并表征预测不确定性.通过训练故障分类模型,设计时序加权预测策略,识别设备故障模式,实现训练与测试设备间的分类匹配并降低匹配复杂度.在此基础上提出多尺度集成策略,可克服单尺度方法的数据利用率限制,并增强预测泛化性能,在多个尺度上匹配健康指标间的相似性,进一步采用核密度估计集成多尺度预测结果,以高精度拟合剩余寿命概率分布.实验结果证明,MFM-MSEN方法具有应对设备退化差异的优越性.

摘要： 提出了一种基于自注意力思想长短时记忆神经网络(Self-Attention Mechanism Long Short-Term Memory Networks,SAM-LSTM)的寿命趋势指标构建方法。首先对原始信号进行滤波降噪处理;其次利用自注意力思想提取信号内部的退化趋势信息构建特征矩阵;接着采用双层长短时记忆神经网络在保留信号外部之间的时序关系的同时,映射特征得到寿命趋势指标;最后提出一种基于历史预测使用寿命指标动态选择拟合数据集的拟合方法,预测滚动轴承的剩余有效寿命。结合公开数据集对模型进行了验证,与另外两种方法对比表明,该方法能有效提升滚动轴承的剩余寿命预测的准确率,并且在不同工况下具有一定的泛化能力。

摘要： 针对以往剩余使用寿命(RUL)预测方法均等对待深层特征中具有不同重要性的空间域和通道域特征,导致大量的计算资源浪费在不重要的特征上,进而造成RUL预测值偏差过大、不能对失效设备进行及时的维护以避免潜在的安全隐患的问题,提出一种采用残差网络与卷积注意力机制的端到端的RUL预测方法。该方法以卷积层和池化层对原始监测信号进行浅层特征提取与压缩;利用堆叠残差模块在学习深层特征的同时,缓解梯度弥散以及网络退化现象的发生;由卷积注意力模块对设备的深层退化特征进行加权赋值,分别在其空间维度上和通道维度上强化更重要的特征并抑制相对不重要的特征,使网络的注意力集中在对RUL预测任务更关键的信息上;将加权后的特征输入到全连接网络中映射得到RUL预测值。通过PHM2012轴承数据集进行了实验验证,实验结果表明,卷积注意力和残差结构皆对改善模型的预测性能有着积极的作用,所提方法在测试轴承上的均方根误差和平均绝对误差分别为0.1079和0.0831,远低于其他对比方法。

摘要： 针对传统方法下锂离子电池剩余寿命预测精度低,提出一种基于堆叠自编码器(stacked autoencoder,SAE)下集合经验模态分解(ensembleempiricalmode decomposition,EEMD)和门控循环单元神经网络(gated recurrent unit neural network,GRU)组合而成的SAEEEMD-GRU(SEG)预测方法。应用SAE深层特征表达能力,对六个电池参数进行去噪、降维,重构出一个集中包含电池退化特性的融合健康因子,并利用EEMD不平稳信号分析算法将融合健康因子进行分解,获得若干个子序列。根据GRU网络时间序列分析能力,对子序列分别建立GRU模型并叠加重构,进一步提高锂离子电池剩余寿命的预测精度。最后采用PCoE(NASA ames prognostics center of excellence)电池数据集,与SAE-GRU方法及GRU方法进行对比实验,实验结果表明了SAE-EEMD-GRU(SEG)预测方法可以有效提高锂电池剩余寿命预测精度,并使预测误差RMSE,MAE控制在2%以下。

摘要： 提出了一种基于双通道的深度卷积神经网络方法,用来预测航空发动机剩余使用寿命。该方法在传统卷积神经网络上,应用最大信息系数进行数据降维、卡尔曼滤波进行数据降噪;通过数据切片,将数据片标签设置为最后一个循环的剩余使用寿命,实现数据重构;引入分段和线性剩余使用寿命衰减模型,并给出了寿命衰减起始点判断方法;将寿命衰减前、寿命衰减中2种特征作为双通道网络模型的输入。在NASA涡轮风扇发动机仿真数据集(C-MAPSS)上测试结果显示,在测试数据范围较大时,该方法相关指标明显优于其他方法,在航空发动机剩余寿命预测上具有显著优势。

摘要： 通常情况下剩余使用寿命(Remaining Useful Life, RUL)预测的实现都是基于各种传感器监测得来的数据,如何从具有过程噪声的连续采集的大量数据中提取退化特征来监测系统的性能退化趋势,从而准确地预测出RUL是一项挑战。因此,提出了一个基于支持向量数据描述(Support Vector Data Description, SVDD)和粒子滤波(Particle Filter, PF)的RUL预测方法。首先,利用SVDD从大量历史数据中提取一个可以反映系统性能退化趋势的健康指标;其次,针对健康指标的退化趋势构建一个退化模型,同时可以相应地确定一个故障阈值;然后,基于PF算法和自动确定的故障阈值来实现RUL的准确预测;最后,利用航空发动机退化数据集验证了所提出方法的有效性和优越性。

摘要： 针对锂离子电池在循环过程中由于充电策略变化引起电池衰退趋势变化从而导致难以追踪的问题,提出了一种适用于不同充电策略的锂电池剩余寿命预测方法。基于NASA与斯坦福-MIT的电池数据提取电池电压平均变化率构建为电池衰减健康因子;将健康因子与电池容量载入基于樽海鞘群算法优化的极限学习机模型之中训练,获取电池在不同充电策略状态下的衰减模型。使用其他充电策略的电池数据对剩余寿命模型进行验证并评估。结果表明:提出的方法能够在确认充电策略情况下准确预测电池寿命,并且在电池运行过程中能够追踪电池容量变化趋势。

摘要： 针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法。仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测。

摘要： 针对岭南清代古建筑所处环境和受力状态进行剩余使用寿命预测,研究并建立适合于该地理环境下的木结构损伤时变模型,修正了砌体构件的剩余使用寿命预测模型:设定随机变量使用蒙特卡洛算法进行剩余使用寿命的概率计算,从而进行了砖木混合结构的综合寿命预测,为岭南清代园林古建筑的评估鉴定工作提供分析案例.

摘要： 杆塔结构在运行过程中,各种环境因素作用会影响其正常使用,为保证输电线路能够安全运行,对服役杆塔剩余使用寿命的评估显得尤为重要.杆塔结构具有2种失效状态,目前国内外关于杆塔结构剩余使用寿命的研究,主要基于承载能力极限状态进行,而关于杆塔结构基于正常使用极限状态下剩余使用寿命的研究鲜有报道.塔顶位移是影响杆塔结构正常使用的重要因素,本文基于现有塔顶位移变形规律和监测数据,采用最小二乘法分析方法,建立评估杆塔剩余使用寿命的预测模型,以对现有评估方法进行补充和完善.

摘要： 健康管理系统对实现卫星安全性、可靠性和经济适用性具有重要意义.针对卫星系统自身的特点,建立一个马尔科夫模型来描述其运行健康状态的转移情况,通过对历史数据的统计分析,运用最小二乘估计得到系统的状态转移概率矩阵,从而实现对卫星系统剩余使用寿命的估计,最后通过算例分析说明了方法的可行性.

摘要： 混凝土结构的裂缝对其耐久性及使用寿命具有较大的影响,且有随机性,如何综合考虑结构的裂缝及裂缝的展开宽度,评价结构的耐久性剩余寿命具有较大的理论意义和现实意义.本文借鉴模糊随机分析方法,通过建立裂缝宽度的统计量,研究其对结构剩余使用寿命影响的隶属函数,提出计算开裂混凝土桥梁的剩余使用寿命的方法,并根据背景桥梁的相关数据完成了一个开裂混凝土箱梁的剩余使用寿命预测算例,结果表明混凝土的开裂会导致结构的使用寿命减小约30年.

摘要： 为了给古建筑木结构的修缮加固提供一定的依据，有必要对木构件进行承载力、耐久性评估，特别是所用木材在数百年甚至上千年之后的实际材料性能。本文在文献数据分析研究的基础上，通过曲线拟合得到木材各强度指标呈负指数衰减，折减系数比规范提供的小，并提出了考虑长期荷载和腐朽的木材强度折减系数计算公式。本文在3个基本假定的基础上，重新定义损伤变量，给出了考虑荷载长期作用和腐朽两种不利因素的评估木柱、木梁剩余使用寿命的简化公式。结果表明，损伤变量随时间的发展而增大，增长呈指数型，初期轴力用作下木柱的损伤比弯矩作用下木梁损伤发展慢，后期则快；对于轴力、弯矩较小的情况，可认为在损伤累计达到20%时构件失效，这种现象对木柱更明显。

摘要： @@对既有建筑剩余使用寿命的科学预测是决定对其拆除、维修或性能提升的前提，还与业主的经济决策、物业的管理计划等有着密切关系。既有建筑剩余使用寿命预测属于建筑使用寿命设计的一部分。这一领域的研究牵涉多个学科(建筑设计、结构、材料、设备、管理等)，需要理论和实验结合，有很多目前还无法准确定量描述的因素，因此难度较大，是当前国际学术界的一个研究热点。最新召开的第11届国际建筑材料与构件耐久性学术会议上宣读的多篇论文就与建筑使用寿命设计相关。

摘要： 随着大型装备日趋复杂化、精密化和专业化,工业界对智能服务技术的需求更加迫切.涡扇发动机作为设计结构复杂、可靠性要求高的关键航空部件,其剩余使用寿命(Remaining useful life,RUL)的有效预测,对于科学合理地制定维护策略,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(Bidirectional long short-term memory,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.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方法能捕捉数据长程依赖的特性,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的多层感知机、支持向量回归、卷积神经网络和LSTM方法,可有力支撑涡扇发动机的健康管理与运维决策.

摘要： 随着专家系统与智能诊断方法的出现,单通道数据已经不能全面反映设备运行状态.在此基础上提出一种以全矢谱基础结合核主成分分析(KPCA)和粒子滤波的滚动轴承剩余使用寿命(RUL)预测新方法.利用全矢谱对原始信号的振动信息进行源双通道振动信息融合,从而得到可以更好反映信号特征的频谱结构.对融合后的信号进行时频,幅频特征提取,利用KPCA降方法,得到少量主元信号,然后以第一主成分作为轴承退化指标.利用轴承的全寿命进行验证,结果表明:该方法对滚动轴承进剩余使用寿命预测具有一定可行性.

摘要： 本文提出了一种基于自动编码器和深层神经网络的综合方法,用于预测锂离子电池的剩余使用寿命(RUL).从原始数据提取基本健康指标后,采用自动编码器模型进行特征融合优化.编码的特征可以有效地代表电池健康状况的退化.然后,引入深神经网络模型来预测锂离子电池的RUL.使用均方根误差(root mean square error,RMSE)评估所提出的方法在的性能,并将其与一些经典预测方法进行比较.实验结果表明该方法的有效性和优越性.实验使用数据是由NASA提供的真实数据集.

摘要： 氯离子对钢筋的腐蚀是影响钢筋混凝土构件安全性和耐久性的主要因素之一.根据国内外最近的试验资料与研究成果,分析氯腐蚀对梁结构的影响,推导出在役钢筋混凝土梁结构的初始腐蚀模型,由此探讨受腐蚀钢筋混凝土梁结构在正常使用状态下的可靠度计算方法,并预测结构的剩余使用寿命.

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的对数预测方法及装置，该方法包括：对待测燃料电池进行活化，获取活化后待测燃料电池的初始极化曲线中定电压下的电流为第一电流；根据初始极化曲线中定电压下电流或者功率的衰减比确定待测燃料电池的寿命终结点；将待测燃料电池运行预设时间，获取待测燃料电池的当前极化曲线中同一定电压下的电流为第二电流；根据第一电流和第二电流以及燃料电池老化过程中定电压下的电流和时间之间的对数特性公式预测待测燃料电池的使用寿命，根据待测燃料电池的使用寿命和待测燃料电池的寿命终结点预测待测燃料电池的剩余寿命。该方法操作流程简单，高效，能够大幅缩短燃料电池寿命预测的检测时间。

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的倒数预测方法及装置，方法包括：对待测燃料电池进行活化，获取活化后待测燃料电池的初始极化曲线中定电压下的电流为第一电流；根据初始极化曲线中定电压下电流或者功率的衰减比确定待测燃料电池的寿命终结点；将待测燃料电池运行预设时间，获取待测燃料电池的当前极化曲线中同一定电压下的电流为第二电流；根据第一电流和第二电流以及燃料电池老化过程中定电压下的电流和时间之间的倒数特性公式预测待测燃料电池的使用寿命，根据待测燃料电池的使用寿命和待测燃料电池的寿命终结点预测待测燃料电池的剩余寿命。该方法操作流程简单，高效，能够大幅缩短燃料电池寿命预测的检测时间。

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的预测方法及装置，其中，方法包括：根据燃料电池定电压下电流或功率的衰减百分率确定寿命终结点，完成燃料电池活化，测量燃料电池极化曲线；在燃料电池运行预设时间后，测量燃料电池的当前极化曲线；以及获取燃料电池的电压衰减速度或电流衰减时间常数，通过预测公式获取燃料电池的使用寿命和剩余寿命。该方法通过电压衰减与电流衰减特性规律预测燃料电池的使用寿命和剩余寿命，从而有效降低预测成本，有效提高预测的准确性和适用性，效率高，简单易实现。

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的倒数预测方法及装置，方法包括：对待测燃料电池进行活化，获取活化后待测燃料电池的初始极化曲线中定电压下的电流为第一电流；根据初始极化曲线中定电压下电流或者功率的衰减比确定待测燃料电池的寿命终结点；将待测燃料电池运行预设时间，获取待测燃料电池的当前极化曲线中同一定电压下的电流为第二电流；根据第一电流和第二电流以及燃料电池老化过程中定电压下的电流和时间之间的倒数特性公式预测待测燃料电池的使用寿命，根据待测燃料电池的使用寿命和待测燃料电池的寿命终结点预测待测燃料电池的剩余寿命。该方法操作流程简单，高效，能够大幅缩短燃料电池寿命预测的检测时间。

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的对数预测方法及装置，该方法包括：对待测燃料电池进行活化，获取活化后待测燃料电池的初始极化曲线中定电压下的电流为第一电流；根据初始极化曲线中定电压下电流或者功率的衰减比确定待测燃料电池的寿命终结点；将待测燃料电池运行预设时间，获取待测燃料电池的当前极化曲线中同一定电压下的电流为第二电流；根据第一电流和第二电流以及燃料电池老化过程中定电压下的电流和时间之间的对数特性公式预测待测燃料电池的使用寿命，根据待测燃料电池的使用寿命和待测燃料电池的寿命终结点预测待测燃料电池的剩余寿命。该方法操作流程简单，高效，能够大幅缩短燃料电池寿命预测的检测时间。

摘要： 本发明公开了一种燃料电池使用寿命和剩余寿命的预测方法及装置，其中，方法包括：根据燃料电池定电压下电流或功率的衰减百分率确定寿命终结点，完成燃料电池活化，测量燃料电池极化曲线；在燃料电池运行预设时间后，测量燃料电池的当前极化曲线；以及获取燃料电池的电压衰减速度或电流衰减时间常数，通过预测公式获取燃料电池的使用寿命和剩余寿命。该方法通过电压衰减与电流衰减特性规律预测燃料电池的使用寿命和剩余寿命，从而有效降低预测成本，有效提高预测的准确性和适用性，效率高，简单易实现。

摘要： 一个实施方式是一种系统，该系统包括：用于安装在包括中央维护计算机(“CMC”)的交通工具上的部件；与该部件相关联的配置/维护模块(“CMM”)，该配置/维护模块包括用于存储部件信息的存储器、用于检测状况并生成指示检测到的状况的数据的传感器、用于处理传感器数据并且用处理结果来更新部件信息的微处理器、以及CMM与CMC之间的通信接口。该系统还包括与部件相关联的、定期更新RUL的剩余使用寿命(“RUL”)模块，该RUL模块定期更新部件的RUL值并且将更新后的RUL值传送至CMM以存储在存储器中。CMC与CMM通信以基于由用户输入至CMC的信息或者交通工具的状况的变化来更新包括在存储器中的部件信息。

摘要： 本发明涉及应用介电频谱和超声波测量无损检测手段及建立人工神经网络模型预测EPR核能电缆的剩余使用寿命。首先通过实验室加速热老化试验，检测与老化形成密切相关的化学、物理和电气关键参数；进一步分析介电频谱和超声波测量曲线与物理性能、化学性能及其他电气参数之间的关系；发现绝缘材料对老化较为敏感的介电频谱和超声波测量区间，设计原位监测系统；随后用数学分析方法推导出单因素和多因素老化状态方程，并用人工神经网络建立老化因子、时间、检测指标和剩余使用寿命之间的关系模型。最终实现超声波和介电频谱无损在线检测与人工神经网络模型联用评估电缆的剩余使用寿命。

摘要： 本发明题为“使用加速失效时间模型来预测部件的剩余使用寿命的方法和系统”。本发明公开了用于预测部件的剩余使用寿命的系统和方法。一种方法包括由部件预测系统接收与移动对象的一个或多个部件相关联的一个或多个部件数据集。基于所接收的一个或多个部件数据集，可识别并汇总在每个失效部件的寿命期间经历的环境条件和操作条件。然后，可通过使用所汇总的环境条件和操作条件训练加速失效时间模型来确定环境条件和操作条件对感兴趣部件的寿命的影响。使用所训练的加速失效时间模型，可确定感兴趣部件的剩余使用寿命。

摘要： 一个实施方式是一种系统，该系统包括：用于安装在包括中央维护计算机(“CMC”)的交通工具上的部件；与该部件相关联的配置/维护模块(“CMM”)，该配置/维护模块包括用于存储部件信息的存储器、用于检测状况并生成指示检测到的状况的数据的传感器、用于处理传感器数据并且用处理结果来更新部件信息的微处理器、以及CMM与CMC之间的通信接口。该系统还包括与部件相关联的、定期更新RUL的剩余使用寿命(“RUL”)模块，该RUL模块定期更新部件的RUL值并且将更新后的RUL值传送至CMM以存储在存储器中。CMC与CMM通信以基于由用户输入至CMC的信息或者交通工具的状况的变化来更新包括在存储器中的部件信息。