关键词： 谐波减速器   剩余寿命预测   长短期记忆网络   粒子滤波  

摘要： 针对单一时频域指标未能较好表征谐波减速器全寿命周期退化特性问题，并考虑柔轮裂纹在不同部位的扩展速率差异性对剩余寿命预测精度的影响，提出一种基于长短期记忆网络和几何平均优化的粒子滤波（Long Short-Term Memory-Geometric Mean Optimizer Particle Filter， LSTM- GMOPF）的谐波减速器剩余寿命预测方法。谐波减速器退化特性难以通过单一时频域指标表征，在基于局部均值分解的振动信号处理的基础上，利用LSTM获取多个时频域指标关系，实现信号特征与退化状态之间的映射；考虑裂纹扩展速率的差异性，基于Paris及Foreman模型构建了谐波减速器前中后三个退化模型状态方程；为缓解粒子权值退化问题，引入双适应度指标，提出了基于GMOPF的状态方程参数更新迭代方法。通过谐波减速器加速寿命试验验证了方法的有效性，对比目前流行方法预测准确性最大提高了16.2%，为谐波减速器可靠性设计提供依据。

关键词： 电池管理系统   剩余寿命预测   深度学习   自注意力机制  

摘要： 新型能源系统的发展越发强调设备的状态监测和性能预测。电池的使用寿命和性能作为新型能源系统的重要基础部分，对其准确的监测和预测对于提高设备的性能，降低维护成本，提升能源使用效率和设备的可靠性有着深远意义。然而，由于电池的性能受多种复杂因素影响，预测其剩余寿命仍是一大挑战。本论文针对此问题，提出了一种基于多头自注意力机制的深度残差双向长短期记忆网络(Multi-Attention-Res-BiLSTM)预测模型。本文先对ResNet神经网络模型、BiLSTM神经网络模型和多头自注意力机制进行了深入的理论研究，然后基于这些理论，构建了基于Multi-Attention-Res-BiLSTM的电池剩余寿命预测模型，并对特征参数进行了优化设计。实验结果显示，该模型在电池剩余寿命预测问题上表现优越，相比其他几种预测模型，具有更低的平均绝对误差(MAE)和均方根误差(RMSE)。因此所提出的基于Multi-Attention-Res-BiLSTM的电池剩余寿命预测模型具有良好的预测性能和收敛性能。

关键词： 带式输送机   剩余寿命预测   多工况   特征提取   多源域迁移  

摘要： 煤矿开采过程中，带式输送机运行环境恶劣、工况复杂，致使获得的传感监测数据量有限且存在大量噪声干扰，严重限制了其剩余寿命预测的准确度。针对该问题，提出一种多源域迁移学习剩余寿命预测方法，充分利用煤矿运输过程中积累的带式输送机多工况数据，以达到准确预测其关键零部件托辊轴承剩余寿命的目的。首先，构建集成多尺度卷积神经网络和双向门控循环单元（MCNN-BiGRU）的设备退化特征提取模型，对单工况数据进行特征提取挖掘，并使用PSO算法确定模型超参数。在此基础上，加入多源域迁移学习（MDT），利用多个工况数据进行剩余寿命预测，通过MMD与CORAL联合损失拉近各源域数据分布差异，解决因数据量少模型训练精度不高的问题。最后，以煤矿实际生产数据集为例进行实验。结果表明，MDT-MCNN-BiGRU模型的预测效果较好，Savitzky-Golay滤波去噪后模型性能进一步提升；使用IMS数据集与现有方法比较，所提方法预测准确度较高，对煤矿运输设备健康管理具有一定的指导意义。

关键词： 核密度估计   环境改变   随机相关   剩余寿命预测  

摘要： 针对风机关键部件运行过程中剩余寿命预测精度受环境变化影响的问题,提出一种考虑环境冲击影响的核密度估计剩余寿命预测模型。首先采用自适应核密度的非参数估计方法对部件的连续自然退化过程建模;其次假设恶劣环境对部件的影响为部件受到的随机冲击,在考虑改变运行环境条件下建立其部件所受冲击与连续退化随机相关的剩余寿命预测模型,并分析其可靠性,最后通过风电机组退化数据及齿轮箱磨损实测数据进行了试验分析,验证了所提模型的准确性和有效性。

关键词： 滚动轴承   剩余寿命预测   孪生多卷积长短时记忆网络   域对抗网络  

摘要： 针对在不同工作条件和不同故障形式下，滚动轴承剩余寿命预测泛化能力差和精确度不高的问题，提出一种基于孪生多卷积长短时记忆网络(Siamese Multi Convolutional Long Short-Term Memory,S-MCLSTM)和域对抗网络(Domain Adversarial Neural Network,DANN)的剩余寿命预测方法。首先针对不同的工作条件对退化过程的影响，提出基于S-MCLSTM的差异化特征提取器以提取一定时间间隔的两个样本之间的差异化特征。同时，进一步使用工作条件判别器与差异化特征提取器进行对抗训练，减少由于工作条件的原因产生的冗余特征，影响预测结果。之后针对故障形式对退化过程的影响，设计了故障诊断器用于和差异化特征提取器对抗训练。最后，考虑到滚动轴承一般退化过程中，不同阶段的退化过程与特征之间的映射关系可能存在的差异，提出了阶段判别器，并在不同阶段应用不同的剩余寿命预测器进行预测。最终在西安交通大学XJTU-SY轴承数据集上进行实验，表明该方法在多种工作条件和故障形式下都能较准确地预测剩余寿命，有较为广泛的应用前景。

关键词： 电动汽车IGBT   剩余寿命预测   贝叶斯优化算法   注意力机制   双向长短时记忆网络  

摘要： 引入一种基于贝叶斯优化(BOA)的双向长短时记忆网络(Bi-LSTM),同时结合注意力机制,应用于绝缘栅双极型晶体管(IGBT)剩余使用寿命预测,所提方法可有效提高IGBT剩余使用寿命预测的准确性.通过IGBT加速老化试验收集V CE-on,验证了其作为失效特征参数的可行性,并将其作为实验数据集对所提方法进行仿真验证.实验分析结果表明,所提的混合预测模型与经典LSTM及其他预测模型相比,有更低的退化预测误差,具备较高的理论意义和实践价值.

关键词： 剩余寿命预测   特征增强   时空信息嵌入   卷积神经网络  

摘要： 针对现有的剩余寿命预测方法对原始数据利用率不高以及多维数据特征提取能力不足的问题,提出了一种基于特征增强和时空信息嵌入的卷积神经模型。首先,通过特征增强模块在原始数据基础上进一步提取工况特征与手工特征作为辅助特征;其次,提出了时空嵌入模块,对原始数据进行时空信息编码以嵌入时间序列信息和空间特征信息;最后,拼接上述特征并通过回归预测模块捕获数据内在关系得到回归预测结果。在通用的涡扇发动机模拟数据集(C-MAPSS)上对该模型预测效果进行了测试。实验结果表明,与现有主流深度学习方法相比,该模型在四个子集上的均方根误差平均减少了8.8%,且在多工况的运行条件和故障类型下,其预测精度均优于现有先进算法,充分证明了该模型在涡扇发动机剩余使用寿命预测方面的有效性和准确性。

关键词： 航空发动机   剩余寿命预测   协方差分析   注意力机制   长短期记忆网络  

摘要： 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。

关键词： 比例风险模型   可靠性分析   特征选择   比例风险假设检验   剩余寿命   飞机部件   维修预测  

摘要： 为准确预测飞机部件的剩余寿命,在对某航空公司最近4年的163架波音B737 NG型号飞机的维修数据进行分析的基础上,提出基于比例风险模型的飞机部件剩余寿命预测方法。通过估计部件装拆间隔飞行时间对应的寿命分布,计算部件在当前时刻对应的可靠度;对部件的维修数据进行分析,筛选出影响部件寿命的主要因素;据此预测部件的剩余寿命。通过实例分析,部件的累计飞行时间、飞机的机龄以及飞机的运行环境等均为影响部件寿命的重要因素。实验结果表明,基于比例风险模型的预测结果较其它预测模型在3个评价指标上均取得了最好效果。

关键词： Gamma   Markov   天然气管道   剩余寿命预测  

摘要： 基于Gamma和时变Markov模型,对天然气管道的剩余寿命进行深入研究。采用Gamma随机过程建立管道的退化模型,以腐蚀深度为指标,并应用SY/T6151一2009标准划分了不同腐蚀状态。为更准确地模拟管道退化过程中的实际情况,引入时变转移概率矩阵,考虑随时间变化的状态迁移。以APILX52级别钢制管路为对象,通过监测数据预测剩余寿命,并验证模型的准确性。结果表明,与传统的Markov模型相比,该方法能够更精准地预测管道寿命的减少或延长。