剩余寿命预测

摘要： 针对小样本情况下滚动轴承的健康指标提取及寿命预测问题,提出了一种结合变分模态分解(VMD)和门控循环网络(GRU)的轴承健康指标提取及寿命预测方法。首先,针对现场设备轴承故障全寿命数据稀缺问题,对样本数据进行扩增,通过VMD分解将一维数据分解为多维数据;然后,对多维数据进行时域特征提取及归一化处理;最后,以归一化特征为输入,以轴承寿命百分比为输出训练GRU网络,用此网络提取出了轴承健康指标,进行了轴承剩余寿命(RUL)预测,并对数据进行了验证和分析。研究结果表明:基于试验台数据,相比于原始数据GRU方法(Raw-GUR)、循环神经网络健康指标方法(RNN-HI)、卷积神经网络-长短时记忆网络方法(CNN-LSTM),采用该方法单调性分别可以提高0.26、0.19和0.08,基于自动扶梯电动机轴承故障数据单调性分别提高0.48、0.3和0.07;基于VMD特征空间扩增及特征提取后,VMD-GRU方法构建的轴承健康指标具有更优的单调性,可更细致获得信号局部特征空间,可以克服传统算法仅对全局样本特征进行提取难以捕捉局部特征的缺点,使GRU网络构建的健康指标性能更优。

摘要： 为解决神经网络在轴承剩余使用寿命(Remaining Useful Life,RUL)预测中存在的预测精度低、模型泛化能力差等问题,提出一种基于黏菌算法(Slime Mould Algorithm,SMA)和长短期记忆(Long Short-Term Memory,LSTM)神经网络相结合的轴承RUL预测方法。首先,通过变分模态分解方法对轴承信号进行降噪处理,提取去噪信号的特征向量;其次,利用主成分分析对特征向量降维处理,构建轴承退化系数R;最后,构建SMA-LSTM预测模型,利用具有动态搜索能力的SMA对LSTM神经网络的超参数自动寻优,以避免优化算法出现局部最优解。通过训练好的SMA-LSTM模型实现了轴承的RUL预测,提高了预测精度。实验结果表明:利用SMA的寻优效果优于灰狼算法和遗传算法,验证了SMA具有较好的寻优精度和全局搜索能力;SMA-LSTM模型对轴承RUL预测的效果优于SMA-SVR和SMA-BP模型,证明了所提出方法的有效性。

摘要： 针对滚动轴承全寿命周期监测数据不足导致剩余寿命预测精度不高的问题,提出一种基于时间序列数据扩增和双向长短时记忆(bidirectional long-short term memory, BLSTM)网络的剩余寿命预测方法。首先,采集训练用滚动轴承全寿命周期振动加速度和测试轴承振动加速度数据。其次,对采集得到的原始数据预处理后提取健康因子,将训练用数据和测试数据分别构成参考数据集和目标数据集。然后,以参考数据集为基础,利用动态时间规整算法扩增目标数据集数据。最后,使用数据扩增后的测试数据训练BLSTM网络,利用训练好的BLSTM网络预测滚动轴承性能退化趋势和剩余寿命。实验结果表明,基于动态时间规整算法的数据扩增模型能够根据已有全寿命周期数据,扩增性能退化过程相似的滚动轴承运行数据,利用扩增数据训练BLSTM网络,能够有效提高性能退化趋势预测能力,进而提高剩余寿命预测精度。

摘要： 针对状态修中的关键结构剩余寿命问题,提出基于假设分布的剩余寿命预测方法,并以车钩为例,对该方法进行验证。基于线路测试或动力学仿真,获取车钩载荷时间历程,并编制其疲劳台架试验载荷谱;开展台架试验,获取车钩退化数据;基于假设分布对裂纹尺寸数据进行拟合优度检验,确定良好假设分布类型,得到结构累积失效概率图;基于累积失效概率图,对车钩剩余寿命进行预测。对于无可用试验数据的情况,结合断裂力学理论,给出基于有限元法的结构裂纹扩展分析流程,并以车钩为对象,预测一定裂纹尺寸下的剩余服役寿命。研究结果表明,基于假设分布的钩体剩余寿命预测均值与实际剩余寿命趋势一致,随探伤里程的增大,预测精度逐渐提高,整体来看,平均相对误差为38.35%,在工程应用可接受范围之内;基于数值仿真预测的钩体剩余服役寿命相对保守,可考虑结构不同部位多裂纹对系统可靠度的影响来提高预测精度。

摘要： 为提高滚动轴承剩余寿命预测精度,提出一种基于集合经验模态分解-核主成分分析(EEMD-KPCA)和改进的哈里斯鹰优化-最小二乘支持向量机(IHHO-LSSVM)的滚动轴承剩余寿命预测模型.首先,使用集合经验模态分解方法对原信号进行分解,根据相关系数和峭度值选取合适的本征模态函数进行重构;然后,提取时域、频域、小波包能量谱等指标,并用核主成分分析,选取累计贡献率大于85%的主成分作为轴承退化性能指标;建立最小二乘支持向量机寿命预测模型,针对模型参数,提出一种改进的哈里斯鹰优化算法,并在新算法基础上设计新的能量周期性递减调控机制.采用轴承全寿命实验数据进行验证,结果表明:该方法提取的轴承性能评估指标能够更全面地表征轴承性能退化情况,建立的模型具有良好的预测效果.

摘要： 故障预测是实现预测性维修策略的关键,也是现代工程装备保障重要的研究内容之一。科学的故障预测可以有效降低装备维修保障费用,提高装备的安全性和完成任务的成功概率。本文综述工程装备故障预测的研究现状,简述开展工程装备故障预测的基本步骤,详细从故障趋势预测、剩余寿命预测、故障模式预测以及故障率预测等层面分析故障预测内容,归纳故障预测的方法体系,评价主流故障预测方法的优缺点。最后,对故障预测技术的发展前景做出展望。

摘要： 针对一类监测数据呈现高维化且多个性能指标存在耦合关系的多元退化设备,本文提出了一种考虑多性能指标相关性的多元退化设备剩余寿命预测方法。采用信息熵和互信息筛选出含信息量丰富且能有效表征设备健康状态变化的性能指标;通过Copula函数刻画不同性能指标之间的两两相依关系,并在此基础上通过条件抽样得到考虑多性能指标相关性的健康指标;将其输入到融合注意力机制的双向长短期记忆网络,通过注意力机制自动调节不同时刻隐藏状态的权重,优化预测网络,并通过航空发动机数据集验证了所提方法的有效性和实用性。

摘要： 针对极端学习机(ELM)方法在预测建模过程中因参数随机生成导致的结果不确定性,提出了一种加速鱼群算法(AAFSA)优化极端学习机的锂离子电池剩余寿命预测方法。针对基本人工鱼群算法(AFSA)存在的收敛速度慢、易陷入局部最优解,通过自适应确定感知距离和移动步长加快收敛速度,并在随机移动时增加混沌扰动提高种群多样性改善AFSA的寻优性能;利用AAFSA确定最优ELM隐含层参数,建立锂离子电池剩余寿命预测模型;利用NASA锂离子电池数据集验证,剩余寿命预测相对误差低于4%。与ELM相比预测结果更加稳定可靠,相比支持向量回归(SVR)及其改进方法预测精度有明显的提高,最高可提升近50%。

摘要： 针对航空发动机剩余寿命预测中深度学习算法参数优化效率低、预测准确率差等问题,在长短期记忆网络算法(LSTM)的基础上提出一种基于贝叶斯优化的LSTM算法。利用长短期记忆网络对航空发动机的传感器数据进行时间序列预测,并运用贝叶斯优化算法对长短期记忆网络的超参数进行迭代优化。利用NASA公开数据集对算法进行验证,结果表明,相较于其他算法,优化后的算法在优化参数、提高预测准确率方面有明显改善,能为保证航空器的安全使用以及制定维修替换策略提供参考。

摘要： 换流变压器作为特/超高压直流输电系统中的关键设备,对变压器用绝缘纸剩余寿命进行有效预测,可为换流变压器的运行维护提供一定的理论依据,鉴于此,提出一种基于鲸鱼优化算法(WOA)和长短期记忆网络(LSTM)的预测方法。首先,结合绝缘纸加速机-热老化实验及试样的机械、电气性能指标和对应裂解产物的糠醛含量,由主成分分析法(PCA)对聚合度、糠醛含量和特征频率下介质损耗因数等表征绝缘纸老化的多特征量进行融合;获得综合评估指标与绝缘纸抗张强度间的量化关系,并依此将绝缘性能优良和严重劣化时对应的抗张强度分别作为正、负理想值;进一步构建贴近度构造退化指标序列并将其作为模型输入。然后,利用鲸鱼优化算法对长短期记忆网络的关键参数进行寻优。最后,构建WOA-LSTM模型对绝缘纸剩余寿命进行预测。研究表明,所提出的WOA-LSTM模型既纳入了可表征绝缘纸老化状态的多个特征量,亦可显著提高剩余寿命的预测精度,为换流变压器绝缘系统安全稳定运行提供有力保障。

摘要： 针对航空发动机部件健康状态预测的问题,提出了一种结合粒子群优化算法和隐半马尔可夫模型(HSMM)的剩余寿命预测方法.考虑到隐马尔可夫模型(HMM)的局限性,本文选用了隐半马尔可夫模型(HSMM)进行建模和预测.为了克服HSMM训练容易陷入局部极值的问题,引入了粒子群优化算法进行改进.以某型涡扇发动机作为对象进行数字仿真,结果表明该方法在剩余寿命预测方面具有一定的可行性.

摘要： 产品的剩余寿命预测能够为产品的维修和更换提供重要的决策依据.传统的比例失效模型方法在剩余寿命预测中得到了广泛的应用,然而这种方法没有充分利用产品的历史寿命信息,同时对于产品的退化过程没有很好地描述.针对这个问题,本文提出一种融合退化过程与失效率建模的产品剩余寿命预测方法,该方法首先利用线性过程对产品的退化过程建模,然后利用比例失效模型融合退化过程对失效率的影响,由此达到充分利用产品历史信息的目的.此外,与传统比例失效模型方法不同的是,模型中的比例参数分为两部分,分别将产品退化的初始信息和产品的退化增量联系起来.进一步,利用产品的当前退化信息对产品的参数进行Barres更新,基于此进行剩余寿命预测,从而实现产品历史数据和当前退化数据的有效融合.最后通过激光发生器的退化数据验证了本文的方法,说明该方法是有效的.

摘要： 随着经济的蓬勃发展,对交通运输能力的要求也在不断提高,而不少现役桥梁已老化和功能退化,再加之不可测自然破坏力与超载,对桥梁结构的安全性造成了极大威胁.为减少现役桥梁结构破坏带来的危害,对其进行健康监测和剩余寿命预测显得尤为重要.本文提出了梁式桥的健康监测和剩余寿命预测方法，并对健康监测系统、传感器的选用与布置、数据采集与传输子系统、结构综合状态评价子系统、数据库管理子系统神经网络预测模型及其算法进行设计,为后续健康监测和寿命预测在梁式桥中的应用提供理论依据.

摘要： 9Cr马氏体耐热钢在老化过程中组织演变主要包括位错回复阶段、板条碎化合并阶段、亚晶长大阶段、马氏体块合并阶段、大块铁素体合并阶段，析出相在老化不同阶段的熟化机制不同，熟化前期析出相长大均匀，服从t1/5-t1/4规律，熟化后期大析出相吞并小析出相长大，服从t1/3规律，依据室温硬度、组织形貌、析出相的综合评定可将组织老化准确划分为5个不同老化阶段，不同老化程度的P91/92的室温硬度与其高温抗拉强度表现出很好的对应关系，通过对P91/92不同老化程度材料的室温硬度测量即可预测其在某一运行参数下该材料的剩余持久寿命。

摘要： 针对提高燃气轮机使用寿命预测的准确性问题,在传统的Elman神经网络寿命预测方法的基础之上,提出了改进Elman神经网络.通过在Elman神经网络的关联节点与输出节点之间增加一组可调权值,即OIF Elman和OHF Elman网络模型,以便从有限的训练样本中获得更多的信息.以某电厂燃气轮机的实际运行数据为例,对建立的改进Elman神经网络燃气轮机剩余寿命预测模型的过程进行详细描述.对比实验的预测结果表明,OHF Elman准确性更高同时具有明显的效率优势,验证了该方法的有效性.

摘要： 新疆油田气藏以凝析、火山岩气藏为主,气井开采时间较长,井筒腐蚀、油套管腐蚀穿孔、油管腐蚀断裂落井等问题也日渐突出.针对气井井筒腐蚀成因机理,在室内多因素正交实验分析的基础上,研究发现,气源主要腐蚀性气体为CO2,水质腐蚀主要因素是HCO3-、Cl-.为掌握气井管材腐蚀情况,基于小波神经网络GA-WNN模型并结合每一段油管的环向、径向和轴向受力计算,建立气井井筒腐蚀速率与剩余寿命预测评估软件,有效预估腐蚀的程度,保障气井的安全高效生产.

摘要： 本文综述了基于状态维修的产生背景及其应用,重点对故障诊断技术和剩余寿命预测技术的国内外研究现状进行综合论述和分析,通过对基于状态维修的各个关键技术分类分析,总结了当前的研究热点和存在的技术难点,展望了未来研究发展趋势.

摘要： 提出了一类同时考虑不确定测量和非线性随机退化的退化建模方法,通过Kalman滤波技术对受不确定测量影响的潜在退化状态进行实时估计;基于此,通过首达时间的概念得到了同时考虑退化非线性特征、退化状态不确定性及测量不确定性的剩余寿命分布;此外,提出了一种基于极大似然方法的退化模型参数估计方法,并通过陀螺仪的退化测量数据验证了所提方法可以提高剩余寿命估计的准确性.

摘要： 主蒸汽管道在长期的高温、高压服役条件下,会产生蠕变损伤.本文基于K-R损伤本构方程,应用编写的蠕变损伤子程序与ABAQUS耦合,对电厂已服役20万小时的10CrMo910钢主蒸汽管道进行了分析,通过在540°C下的蠕变试验,得到蠕变损伤力学本构方程中的材料常数,对管线中的薄弱部位进行了蠕变损伤模拟分析,实现了对主蒸汽管道的寿命评估.

摘要： 采用Ω方法对日本NIMS 91材料的蠕变数据进行了分析,结果显示在剩余蠕变寿命的预测准确度上,Ω方法要明显高于基于持久强度的等温线法和TTP参数法.对原因进行了分析,并在Ω方法的基础上,提出了一种预测高温材料蠕变寿命的加速试验方法.该试验方法仅需要一根试样,通过开展短时的蠕变试验,即可对指定温度和应力下的蠕变寿命进行预测.最后以服役过后的P91弯管为材料,使用这种方法得到的预测寿命与采用持久试验得到的寿命符合得较好,证实了该方法的可靠性.

摘要： 本发明以能够预测爆破处理容器的剩余寿命为目的。为此预测，爆破处理容器(10)上安装有应变计(30)。该应变计(30)在每1次爆破处理中测定爆破室(10)中产生的高频的反复应变。通过由该应变计(30)得到的应变波形数据的分析，计算经各次的爆破处理在爆破处理容器(10)中产生的高频重复负荷导致的累积疲劳损伤度。以该累积疲劳损伤度的累计值为基础，预测爆破处理容器(10)的剩余寿命。

摘要： 本发明以能够预测爆破处理容器的剩余寿命为目的。为此预测，爆破处理容器(10)上安装有应变计(30)。该应变计(30)在每1次爆破处理中测定爆破室(10)中产生的高频的反复应变。通过由该应变计(30)得到的应变波形数据的分析，计算经各次的爆破处理在爆破处理容器(10)中产生的高频重复负荷导致的累积疲劳损伤度。以该累积疲劳损伤度的累计值为基础，预测爆破处理容器(10)的剩余寿命。

摘要： 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法，涉及直升机用双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法。它为解决目前对应用于航空领域的小型电机剩余寿命的预测精度低的问题。舵机驱动控制器设置有舵机调速信号接口和电流信号接口；信号采集单元的舵机敏感状态信号输出端连接上位机的舵机敏感状态信号输入端；上位机接收并存储舵机敏感状态信号，预测方法：一、预先设置参数；二、舵机驱动控制器控制舵机；三、在信号采集单元采集数据发送给上位机；四、上位机存储；五、数据融合，得到状态特征曲线：得到舵机电枢电流脉动频率的初值，六、得到剩余使用寿命。它适用于舵机剩余寿命的预测。

摘要： 本发明属于剩余寿命预测领域，公开了一种融合剩余寿命经验数据的动量轮剩余寿命预测方法，首先假定动量轮寿命分布参数的验前分布形式，并分别考虑剩余寿命的经验数据为点估计和置信区间的不同形式，推导给出了经验数据的验前矩，进一步通过拟合经验数据及其验前矩确定验前分布的参数，再收集动量轮的寿命试验数据并给出相应的似然函数，最后通过随机抽样方法对融合经验数据后的动量轮剩余寿命进行预测。本发明很好地解决了融合动量轮剩余寿命经验数据对其剩余寿命进行预测的问题，填补了现有研究的空白，且步骤清晰，易于操作，便于应用。

摘要： 剩余寿命预测系统(100)具备：学习信息取得部(110)，取得学习用动作机构(200)的到动作极限为止的各时刻的学习劣化量信息、学习特征量矢量、学习剩余寿命；第一回归模型培育部(120)，基于学习特征量矢量、学习劣化量信息，培育推测劣化量的第一回归模型；第二回归模型培育部(150)，基于学习劣化量信息以及学习剩余寿命，培育推测剩余寿命的第二回归模型；评价信息取得部(130)，取得从评价用动作机构的动作获得的评价特征量矢量；以及剩余寿命导出部(140)，将评价特征量矢量作为输入，通过第一回归模型推测评价劣化量信息，将所获得的评价劣化量信息作为输入，通过第二回归模型导出剩余寿命。

摘要： 提供一种能够简便地预测软管的剩余寿命的软管剩余寿命预测方法和软管剩余寿命预测系统。在对使用中的软管(1)的剩余寿命进行预测的软管剩余寿命预测方法和软管剩余寿命预测系统中，预先针对相同种类的软管求出内管橡胶层(11)在基准温度下的使用时间与构成该内管橡胶层(11)的橡胶的物性值的关系，来制作内管橡胶层(11)的热劣化模型，针对使用中的软管(1)，估算内管橡胶层(11)在基准温度下的直到预测时为止的使用时间即基准温度使用时间，基于基准温度使用时间与热劣化模型的对比，来预测使用中的软管(1)的剩余寿命。

摘要： 本发明实施例涉及一种电池剩余寿命预测模型构建、电池剩余寿命预测方法，包括：获取样本电池的各历史使用周期的特征数据以及对应的电池容量，特征数据为表征样本电池的健康状态的特征数据；将特征数据输入至初始模型中，得到输出结果；基于输出结果与下一历史使用周期的特征数据的关系对初始模型进行训练，得到特征数据预测模型；将特征数据输入至另一初始模型中，得到输出结果；基于输出结果与电池容量的关系对初始模型进行训练，得到电池容量预测模型；将特征数据预测模型的输出端与电池容量预测模型的输入端级联，构建电池剩余寿命预测模型，由此，可以简便、快捷的训练电池剩余寿命预测模型，模型预测精准度较高。

摘要： 本发明提供一种可抑制系统的消耗电力且高精度地预测对象物的剩余寿命的技术。一种剩余寿命预测方法，具有：转换步骤，每隔既定时间，依据基于阿伦尼乌斯公式的运算式，将气囊10的从首次使用开始时起的总经过时间，转换为既定温度t下的气囊10的从首次使用开始时起的总经过时间Tb；剩余使用时间计算步骤，由既定温度t下的对象物的寿命时间Ta减去总经过时间Tb，由此算出气囊10的剩余使用时间Tx；修正步骤，基于与向车辆1的通电时间成比例的既定值Tc，进行增加剩余使用时间Tx的修正；判定步骤，判定经修正步骤进行了修正的剩余使用时间Tx是否为既定值以下；以及告知步骤，在判定为既定值以下时，告知关于气囊10的寿命。

摘要： 本发明公开了一种接插件剩余寿命预测模型训练方法以及剩余寿命预测方法。模型训练方法包括：获取用于模型训练的各样本接插件，确定各所述接插件在接插测试过程中的历史测试数据；对于任一样本接插件，基于所述历史测试数据确定当前样本接插件的样本训练数据；基于各所述样本接插件的样本训练数据对所述接插件剩余寿命预测模型进行训练，得到训练完成的接插件剩余寿命预测模型。通过本发明公开的技术方案，解决了现有技术中接插件在更换过程中的耗时以及成本浪费问题，实现了精确预测接插件的剩余寿命，降低接插件在更换过程中的耗时以及成本。

摘要： 双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法，涉及直升机用双余度舵机剩余寿命预测装置及实现双余度舵机剩余寿命的预测方法。它为解决目前对应用于航空领域的小型电机剩余寿命的预测精度低的问题。舵机驱动控制器设置有舵机调速信号接口和电流信号接口；信号采集单元的舵机敏感状态信号输出端连接上位机的舵机敏感状态信号输入端；上位机接收并存储舵机敏感状态信号，预测方法：一、预先设置参数；二、舵机驱动控制器控制舵机；三、在信号采集单元采集数据发送给上位机；四、上位机存储；五、数据融合，得到状态特征曲线：得到舵机电枢电流脉动频率的初值，六、得到剩余使用寿命。它适用于舵机剩余寿命的预测。