1 火箭军工程大学, 西安 710000
2 火箭军装备部驻西安地区第二军事代表室, 西安 710000
工业设备、**装备等大型复杂系统在全寿命周期中通常会经历贮存、待机、测试、运转、维修等多个状态, 且不同状态下设备内部损耗速率各不相同, 这给设备的剩余寿命预测问题带来新的挑战。鉴于此, 提出了基于维纳过程建立多状态切换设备的退化模型, 结合半马尔可夫模型和离散马尔可夫链模型, 推导得到了多状态切换设备的剩余寿命, 并提出了一种蒙特卡罗仿真算法进行求解。此外, 采用了期望最大化算法和极大似然算法辨识所提模型参数。最后, 通过仿真实验和实际案例证明了所提算法的有效性。
多状态 剩余寿命预测 维纳过程 半马尔可夫 离散马尔可夫链 multi-state remaining useful life Wiener process semi-Markov discrete Markov chains
工程设备与**装备在运行过程中由于材料磨损、工况变化等多方面原因, 系统性能逐渐退化甚至失效, 造成经济损失与人员伤亡。因此, 为保障系统正常运行, 剩余寿命(RUL)预测技术受到研究人员的重点关注。大数据时代下所获得的监测数据具有高维度、强耦合性等特点, 采用传统的剩余寿命预测方法难以建模, 而深度学习方法能精确建立监测数据与退化状态或寿命标签间的映射关系。详细阐述了4种典型深度学习技术在剩余寿命预测领域的研究现状, 总结各类方法的优缺点, 最后探讨了基于深度学习的复杂退化系统剩余寿命预测方法的未来研究方向。
剩余寿命预测 复杂退化系统 深度学习 特征提取w remaining useful life prediction complex degradation system deep learning feature extraction
针对单一传感器在设备状态监测期间不能很好地进行退化建模和剩余使用寿命预测的问题，提出了一种多源数据融合建模的寿命预测方法。首先，根据设备的退化性能，构造了复合健康指标; 其次，使用非线性漂移维纳过程对设备进行退化建模，通过使用极大似然法估计模型参数后，推导出设备剩余寿命概率密度函数; 最后，对所提出的方法进行了验证，并与单一传感器预测结果进行了对比，结果表明此方法具有较高的准确性。
剩余使用寿命 复合健康指标 非线性漂移维纳过程 Remaining Useful Life (RUL) Composite Health Index(CHI) nonlinear drift Wiener process
火箭军工程大学导弹工程学院, 陕西 西安 710025
在现有研究中,通常采用无记忆效应的马尔可夫过程模型来描述光电设备的随机退化,忽略了其退化过程中状态之间的长期相关性。鉴于此,首先,基于非线性分数布朗运动提出了一种具有记忆效应的随机退化模型,用于描述测量误差与随机效应影响下的光电设备退化过程;在此基础上,基于弱收敛理论推导得到了首达时间意义下设备剩余寿命的近似解析式。其次,分别采用极大似然估计算法与贝叶斯推理完成了模型参数的离线估计与实时更新,进而实现剩余寿命的自适应预测。最后,将所提方法应用于GaAs激光器的性能监测数据中,实验结果表明所提方法能有效提高光电设备剩余寿命的预测精度。
光学器件 剩余寿命 分数布朗运动 弱收敛理论 极大似然估计 贝叶斯推理 光学学报
2020, 40(24): 2423001
1 火箭军工程大学导弹工程学院, 陕西 西安 710025
2 国防大学联合勤务学院, 北京 100858
针对新研发光电产品存在先验信息不足、缺乏历史数据等问题,提出一种基于期望最大化(EM)算法的剩余寿命(RUL)自适应预测方法。然而,现有大多数RUL预测方法中普遍存在两个方面问题:在退化建模中存在一个潜在的假设,即当前时刻估计的随机参数与上一时刻随机参数的后验估计完全相等;在参数估计中假定存在多组同类型光电产品的历史退化数据,用于离线确定模型初始参数,致使RUL预测的精度受限于数据量。鉴于此,在状态空间模型的框架下构造一个新的退化模型,进一步推导出RUL分布的解析解;提出一种基于EM算法的自适应参数估计方法,以克服先验信息不足、缺乏历史数据等问题;通过GaAs激光器和光纤陀螺的实际退化数据进行实验研究。结果表明本文方法不仅可以提高RUL预测的精度,而且可以有效地应用于新研发的光电产品。
光学器件 剩余寿命 期望最大化 退化模型 激光器 光纤陀螺 光学学报
2019, 39(12): 1223003
1 北京理工大学机械与车辆学院车辆传动国家重点实验室, 北京 100081
2 江麓机电集团公司, 湖南 湘潭 411100
原子发射光谱分析得到的磨损微粒元素浓度是综合传动装置性能劣化评估和剩余寿命预测的重要监测指标。 由于系统随机劣化过程和光谱测量误差的影响, 油液光谱数据中不可避免包含系统劣化随机性和光谱测量不确定性。 然而, 现有基于油液光谱数据的剩余寿命预测研究中, 没有考虑劣化过程的随机性和测量的不确定性对剩余寿命预测的影响。 因此, 针对综合传动装置劣化随机性和油液光谱数据测量不确定性对寿命预测的影响, 提出一种考虑系统随机劣化和数据不确定测量的综合传动装置劣化过程建模方法。 基于随机过程首中时间的概念, 定义了综合传动装置的剩余寿命; 基于Wiener随机过程, 建立了考虑系统随机劣化和不确定测量数据的综合传动装置劣化模型, 利用极大似然估计方法, 估计了劣化过程模型的参数; 利用卡尔曼滤波技术, 实现了综合传动装置劣化状态的实时估计与更新, 进一步得到了考虑系统劣化随机性和光谱数据测量不确定性的剩余寿命分布。 研究结果表明, 提出的劣化建模方法能够准确估计装置的运行状态, 避免了采用条件维护时间对装置进行维护与保养的局限性; 综合传动装置的维护时间预测值比条件维护时间延长了193 Mh(113.5%) ; 考虑光谱数据测量不确定性的剩余寿命预测方法优于不考虑测量不确定性的方法。
油液光谱分析 剩余寿命 Wiener过程 不确定测量 综合传动 Atomic emission spectroscopy Remaining useful life Degradation model Uncertain measurements Power-shift steering transmission
1 海军航空工程学院科研部，山东 烟台 264001
2 中国人民解放军92635部队，山东 青岛 266000
针对部分可观测信息条件下量测噪声未知时粒子滤波剩余寿命预测的问题, 提出了一种基于集成神经网络和粒子滤波的寿命预测方法。首先, 结合设备性能退化量测数据, 生成状态-观测数据组, 并利用bootstrap技术构建多个数据组, 采用集成神经网络训练状态-观测数据组, 根据推导公式估计量测噪声标准差的最优取值范围; 其次, 将量测噪声标准差作为未知参数嵌入在粒子滤波寿命预测框架中, 实现非线性系统的剩余寿命预测及概率密度分布; 最后, 选取锂离子电池寿命预测仿真验证了该方法的有效性和可行性。
粒子滤波 集成神经网络 剩余使用寿命预测 锂离子电池 particle filtering integrated neural network remaining useful life prediction lithium-ion battery
针对惯性器件具有非线性退化特性且存在少量历史退化数据的特点，采用非线性退化过程对其寿命进行评估，并给出了适用于非线性退化过程的贝叶斯方法。首先，根据Fisher信息矩阵确定两个参数的无信息先验分布；然后利用退化数据独立增量的似然函数得到参数的分布为高斯-逆伽马分布，利用相容历史数据获得第一次后验分布, 再利用新检测数据得到第二次后验分布;最终实现单台设备的参数与寿命预测结果的实时更新。实验表明，非线性退化过程的评估结果较维纳过程更为准确，所给出的贝叶斯方法能有效实现单台设备的实时预测，可为惯性器件的维护决策提供依据。
惯性器件 非线性退化过程 贝叶斯方法 剩余寿命预测 inertial device nonlinear degradation process Bayes method remaining useful life prediction
1 第二炮兵工程大学302教研室
2 第二炮兵工程大学403教研室，西安710025
针对一类缓变退化设备的样本平均在短时间内退化不明显的特点，将设备检测数据的样本标准差作为一个失效指标进行退化建模，从样本标准差的变化趋势来估计设备的性能状态,并且鉴于样本标准差数据非线性强波动幅度大的特点，提出了一种随机阈值的剩余寿命预测方法。通过惯性平台陀螺仪漂移数据实例验证证明,该方法能够对这类非线性强、波动幅度大的退化数据建模，并得到可信的预测结果。
剩余寿命预测 随机阈值 样本标准差 维纳过程 remaining useful life prediction random threshold sample standard deviation Wiener process
