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
无人装备一般数量众多、执行任务时间长、环境恶劣, 因此剩余使用寿命(RUL)预测尤为重要。综合性能指标序列使用单一模型的预测精度较低, 为解决此问题, 提出基于Kalman融合模型的RUL预测方法。首先, 采用面积最大值法提取无人装备关键部件综合性能指标的退化阶段; 其次, 利用具有指数特征的GM(1,1)模型、线性支持向量机SVR模型、非线性极端学习机(ELM)模型对综合性能指标进行预测, 每种模型可以捕捉综合性能指标的不同特征; 最后, 通过Kalman框架将3种模型的预测结果以迭代最小二乘的原则进行融合。实验结果显示, Kalman融合模型的预测方法可显著提高对综合性能指标的预测精度, 与ELM, SVR和GM(1,1)单一模型相比, 拟合精度分别提高了16.96%, 1.61%和39.84%, 预测精度分别提高了45.06%, 38.35%和74.12%。
剩余寿命预测 GM(1,1)模型 极端学习机(ELM) SVR支持向量机 Kalman融合模型 RUL prediction GM(1,1) model Extreme Learning Machine (ELM) SVR support vector machine Kalman fusion model
1 中北大学能源与动力工程学院, 山西 太原 030051
2 中北大学机电工程学院, 山西 太原 030051
3 北京理工大学机械与车辆学院, 北京 100081
4 中国人民解放军32184部队, 北京 100072
针对湿式离合器油液监测数据具有来源分散、 数据量大及时间轴不稳定等问题, 对光谱分析得到的多数据进行融合, 利用维纳过程的预测实时性和预测准确的优点, 建立模型开展离合器剩余寿命预测研究。 首先, 通过排列熵加权证据融合方法对离合器寿命试验获得的指示元素进行融合, 构建健康指数； 其次, 结合维纳过程建立退化模型并通过极大似然法对模型中的参数进行估计； 再次, 根据历史退化数据对参数进行更新得到离合器剩余寿命预测模型； 最后, 将预测模型与实例进行对比, 得到利用融合多元素的健康指数建立的维纳过程预测模型预测准确性相比单指示元素预测有了很大提升, 其预测点更接近试验值。 通过观察也发现, 湿式离合器运行50～60 h左右时, 预测点有了明显的变化, 而同样在220～230 h时, 预测点有了明显的偏差, 在240 h左右又重新接近试验值, 其突变点对应了离合器磨损的三个阶段, 即初期磨损, 正常磨损和剧烈磨损。 研究结果表明, 融合油液光谱数据结合维纳过程建立的预测模型用于湿式离合器的剩余寿命预测, 具有预测实时性强且预测精度高的优点, 而通过预测结果和试验值对比发现, 湿式离合器磨损状态的不同对预测结果也有一定的影响, 尤其磨损状态转变点对预测结果的影响更大。
维纳过程 湿式离合器 加权证据融合 健康指数 剩余寿命预测 Wiener process Wet clutch Weighted evidence fusion Health index Residual life prediction 光谱学与光谱分析
2023, 43(4): 1314
基于dropout NN(dropout Neural Network)的设备剩余寿命(RUL)预测方法因使用具有固定分布形式的先验与近似后验的贝叶斯神经网络(BNN)导致预测精度较低。为解决该问题, 提出基于高斯近似后验BNN的RUL预测方法和基于混合高斯-伯努利网络的设备RUL预测方法, 前者引入混合高斯分布作为先验, 通过对参数梯度进行无偏蒙特卡罗估计以优化BNN, 后者引入一种离散化的高斯先验分布以正确地定义KL散度, 进而可以优化BNN。在PHM 2012轴承数据集上的验证结果表明所构建的混合高斯-高斯网络效果好于dropout NN, 证明了改变分布组合可以获得更好的预测效果。
设备剩余寿命预测 深度学习 贝叶斯神经网络 混合高斯-高斯网络 equipment remaining useful lifetime prediction deep learning Bayesian neural network mixed Gaussian-Gaussian network
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
1 西京学院, 西安 710123
2 空军工程大学装备管理与无人机工程学院, 西安 710051
针对步进加速退化试验中具有性能退化趋势的随机退化设备，采用非线性Wiener过程，建立与设备退化特征相符的步进加速退化模型；采用极大似然估计(MLE)法，求解出先验参数估计值；利用目标设备当前监测数据，基于贝叶斯方法更新随机系数后验分布；利用全概率公式，推导考虑随机系数估计不确定性的设备剩余寿命分布；通过算例分析验证了所提方法的正确性和优势。
剩余寿命预测 加速退化建模 非线性Wiener过程 随机系数 测量误差 RUL prediction accelerated degradation modeling nonlinear Wiener process random coefficient measurement error
1 空军工程大学装备管理与安全工程学院，西安 710051
2 中国人民解放军93107部队，沈阳 110141
3 中国人民解放军94575部队，江苏连云港 222345
针对性能退化过程服从Wiener过程的产品, 提出了一种融合产品现场实测性能退化数据与同类产品常规退化数据的剩余寿命预测方法。假定分布参数服从联合共轭先验正态-逆伽玛分布, 建立了个体现场实测退化数据下分布参数的贝叶斯估计模型, 给出了超参数后验估计公式; 建立了退化试验数据的完全似然函数, 构建了基于EM算法的超参数先验估计模型; 通过实例验证了方法的正确性。
剩余寿命预测 贝叶斯推断 Wiener过程 现场实测数据 常规退化数据 residual lifetime prediction Bayesian inference Wiener process online measured data normal degradation data
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
剩余寿命预测对于设备的维修与保养具有十分重要的意义。现有的剩余寿命预测方法大多只利用了设备的当前退化信息，对设备的历史寿命信息没有充分利用，而这些信息往往包含着设备寿命的演化信息，对于准确预测设备的剩余寿命具有重要意义。针对这个问题，提出了一种融合随机退化过程与失效率建模的设备剩余寿命预测方法。该方法首先将设备的退化过程建模为Wiener过程，然后利用Cox比例失效模型建模的方法融合设备退化过程对设备失效率的影响，由此达到利用设备历史监测信息的目的。进一步通过Bayes方法，利用当前退化监测信息对退化过程模型的参数进行更新，基于此进行剩余寿命预测，从而实现设备历史数据与当前数据的有效融合。最后，通过激光发生器的退化测量数据验证了提出的方法，说明该方法是有效的，具有一定的应用价值。
剩余寿命预测 Wiener过程 失效率 可靠性 激光发生器 remaining lifetime prediction Wiener process hazard rate reliability laser generator
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
