检索结果-南通市图书馆

多尺度局部特征和Transformer全局学习融合的发动机剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

自动化学报 2024年第9期50卷 1818-1830页

作者：陈俊英席月芸李朝阳西安建筑科技大学信息与控制工程学院西安710055

飞机发动机剩余寿命(Remaining useful life,RUL)的准确预测对确保其安全性和可靠性至关重要.在基于多传感器检测数据预测时,需解决局部特征提取问题以全面捕捉设备在不同时间尺度下的退化趋势,并需解决时间序列中各元素之间长期依赖性... 详细信息

飞机发动机剩余寿命(Remaining useful life,RUL)的准确预测对确保其安全性和可靠性至关重要.在基于多传感器检测数据预测时,需解决局部特征提取问题以全面捕捉设备在不同时间尺度下的退化趋势,并需解决时间序列中各元素之间长期依赖性的全局学习问题.因此,提出了结合多尺度局部特征增强单元(Multi-sacle local feature enhancement unit,MSLFU_BLOCK)和Transformer编码器的预测模型,称之为MS_***_BLOCK利用堆叠的因果卷积逐层从时间序列数据中提取多尺度局部信息,同时避免了传统卷积计算中固有的未来数据泄漏问题.随后,Transformer编码器通过其自注意机制进一步捕获时间序列数据中的短期和长期依赖关系.通过将多尺度局部特征增强单元与Transformer编码器相结合,提出的MS_Transformer全面捕捉了时间序列数据中的局部和全局模式.在广泛使用的CMAPSS基准数据集上进行的消融和预测实验验证了模型的合理性和有效性.与13个先进预测模型的比较分析表明,MS_Transformer模型在操作条件更复杂的FD002和FD004数据集上的RMSE和Score指标优于其他模型,同时在四个数据集上的平均性能最优.该研究为发动机剩余寿命预测提供了更为可靠的解决方案.

关键词：剩余寿命预测航空发动机 Transformer 多尺度特征局部特征

维普期刊数据库博看期刊

变分资格迹元强化循环网络用于空间滚动轴承剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2024年第6期30卷 2159-2171页

作者：姜沛轩李锋汤宝平汪永超四川大学机械工程学院四川成都610065 重庆大学机械传动国家重点实验室重庆400044

针对经典时间循环神经网络(SRNNs)在预测时间序列中存在长时依赖的缺陷,同时由于遍历整个训练数据集进行现有监督式学习增加了时间复杂度,造成SRNNs在预测空间滚动轴承剩余寿命中存在预测精度和计算效率较低的问题,提出一种变分资格迹... 详细信息

针对经典时间循环神经网络(SRNNs)在预测时间序列中存在长时依赖的缺陷,同时由于遍历整个训练数据集进行现有监督式学习增加了时间复杂度,造成SRNNs在预测空间滚动轴承剩余寿命中存在预测精度和计算效率较低的问题,提出一种变分资格迹元强化循环网络(VETMRRN)。在VETMRRN中,构建新型时间循环网络结构以增大历史信息记忆量,并设计基于神谕门机制的元学习超参数自初始化网络来加速搜索VETMRRN的最优回顾序列长度;设计含有资格迹算子的变分自编码元策略梯度学习算法,以提高对VETMRRN参数的训练速度和全局优化效果。在此基础上提出基于VETMRRN的空间滚动轴承剩余寿命预测方法。首先采用Shapely值特征融合提取空间滚动轴承的性能退化特征;然后将性能退化特征输入VETMRRN中预测性能退化特征趋势;最后建立威布尔分布可靠度模型来预测空间滚动轴承的剩余寿命。该方法具有较高的预测精度、较好的泛化性能和较高的计算效率。最后通过空间滚动轴承剩余寿命预测实例证明了该方法的有效性。

关键词：元学习时间循环网络神谕门机制元策略梯度空间滚动轴承剩余寿命预测

基于改进GWO–SVR算法的锂电池剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

工程科学学报 2024年第3期46卷 514-524页

作者：金辉胡寅逍葛红娟郝志鹏曾郑志远唐泽鹏南京航空航天大学民航学院南京211106 中国民航科学技术研究院北京100028

锂离子电池性能优越,已在B787等机型上得到应用.锂离子电池性能随着使用次数增加而衰退,准确预测锂电池剩余使用寿命从而及时维护/更换,对航班安全飞行具有重要意义.面向锂离子电池剩余寿命预测问题,本文采用容量增量分析等方法提取特征... 详细信息

锂离子电池性能优越,已在B787等机型上得到应用.锂离子电池性能随着使用次数增加而衰退,准确预测锂电池剩余使用寿命从而及时维护/更换,对航班安全飞行具有重要意义.面向锂离子电池剩余寿命预测问题,本文采用容量增量分析等方法提取特征,基于灰色关联分析计算特征与电池容量的关联程度并筛选特征,提出一种基于改进灰狼优化算法(Improved grey wolf optimization, IGWO)和支持向量回归(Support vector regression, SVR)的锂离子电池剩余寿命预测方法.作为近年研究热点的灰狼优化(Grey wolf optimization, GWO)算法寻优性能出色,但是在应用中容易陷入局部最优.针对此问题,IGWO对GWO算法中的位置更新方程进行优化,对狼群中的个体添加了记忆与飞行功能,增强了算法全局搜索和收敛能力;同时基于Skew Tent映射产生混沌序列,优化狼群初始位置分布.基于标准测试函数对比GWO和IGWO算法的寻优能力,结果表明IGWO算法的收敛速度和寻优效果更好,能够避开GWO陷入的局部最优,在部分测试函数上将寻优精度提升了几十个数量级;基于NASA锂离子电池数据集开展IGWO–SVR、GWO–SVR和SVR的剩余寿命预测能力对比实验,结果证明IGWO–SVR能够有效提高预测精度,与GWO–SVR相比预测均方根误差值降低了10%以上.

关键词：锂离子电池剩余寿命预测容量增量分析改进灰狼优化算法支持向量回归

基于健康因子和混合Bi-LSTM-NAR模型的锂离子电池剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

中国机械工程 2024年第5期35卷 851-859页

作者：夏然苏春东南大学机械工程学院南京211189

为准确预测锂离子电池剩余寿命、降低电池工作风险,提出一种新的锂离子电池剩余寿命在线预测模型。基于锂离子电池历史运行数据提取6种健康因子,用于表征电池的退化状态;采用随机森林(RF)算法完成健康因子的评价与筛选;利用经遗传算法... 详细信息

为准确预测锂离子电池剩余寿命、降低电池工作风险,提出一种新的锂离子电池剩余寿命在线预测模型。基于锂离子电池历史运行数据提取6种健康因子,用于表征电池的退化状态;采用随机森林(RF)算法完成健康因子的评价与筛选;利用经遗传算法优化的广义回归神经网络(GA-GRNN)完成锂离子电池剩余容量的估计。在此基础上,应用结合双向长短期记忆(Bi-LSTM)网络模型和非线性自回归(NAR)神经网络的混合模型(混合Bi-LSTM-NAR模型)预测锂电池剩余寿命。以NASA公开数据集为例完成案例研究,结果表明:通过因子筛选,可以为锂离子电池容量估计及剩余寿命预测的精度提供保障;与已有方法的预测结果相比,所提混合预测模型的预测精度显著提高。

关键词：锂离子电池健康因子神经网络剩余寿命预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

基于改进粒子滤波的锂离子电池剩余寿命预测

电力系统保护与控制 2024年第9期52卷 123-131页

作者：刘博尹杰李然哈尔滨理工大学传感器与可靠性工程研究所黑龙江哈尔滨150080 汽车电子驱动控制与系统集成教育部工程研究中心黑龙江哈尔滨150080

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数... 详细信息

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。

关键词：锂离子电池剩余寿命预测粒子滤波高斯混合模型

基于双重自注意力机制和长短时记忆网络的剩余寿命预测

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

系统工程与电子技术 2024年第6期46卷 1986-1994页

作者：吴嘉俊苏春张玉茹东南大学机械工程学院江苏南京211189

剩余使用寿命(remaining useful life,RUL)预测是产品故障预测与健康管理的重要内容。传统长短期记忆(long short-term memory,LSTM)网络无法主动选择关键特征、难以高效提取大数据所蕴含的退化信息。提出一种基于改进LSTM网络的RUL预... 详细信息

剩余使用寿命(remaining useful life,RUL)预测是产品故障预测与健康管理的重要内容。传统长短期记忆(long short-term memory,LSTM)网络无法主动选择关键特征、难以高效提取大数据所蕴含的退化信息。提出一种基于改进LSTM网络的RUL预测方法,采用随机森林(random forest,RF)算法筛选输入特征,以主动选取关键特征;采用双重自注意力机制分别从特征维度和时间维度完成权重自适应分配,使模型在学习过程中关注主要特征和历史时间点;通过融合统计特征,以提高RUL预测精度。以航空发动机数据集为例完成案例分析,验证方法有效性。结果表明,所提方法能有效提高基于复杂数据集的RUL预测精度。

关键词：剩余寿命预测随机森林双重自注意力机制长短期记忆网络航空发动机

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

考虑环境改变的部件核密度剩余寿命预测

振动与冲击 2024年第8期43卷 145-154页

作者：赵彬李佳娟石慧任谦力康辉太原科技大学电子信息工程学院太原030024

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... 详细信息

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：核密度估计环境改变随机相关剩余寿命预测

基于策略梯度Informer模型的滚动轴承剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

工程科学与技术 2024年第4期56卷 273-286页

作者：熊佳豪李锋汤宝平汪永超罗玲四川大学机械工程学院四川成都610065 重庆大学机械传动国家重点实验室重庆400044 中国测试技术研究院四川成都610021

典型的编码器-解码器——Transformer存在二次时间复杂度、高内存使用及模型结构复杂等固有限制,造成Transformer用于滚动轴承剩余寿命(RUL)预测会表现出较低预测精度和较低计算效率的问题。为此,提出一种新型编解码器——策略梯度Infor... 详细信息

典型的编码器-解码器——Transformer存在二次时间复杂度、高内存使用及模型结构复杂等固有限制,造成Transformer用于滚动轴承剩余寿命(RUL)预测会表现出较低预测精度和较低计算效率的问题。为此,提出一种新型编解码器——策略梯度Informer(PG-Informer)模型,并将其应用于滚动轴承RUL预测。首先,在PG-In-former的新型编解码器体系结构——Informer中设计了概率稀疏自注意力(PSSA)机制替代Transformer中原有的自注意力机制,以提高非线性逼近能力并减少时间和空间复杂度;然后,PG-Informer采用自注意力蒸馏(SAD)操作减少参数维度和参数量,并提高了对时间序列的预测鲁棒性;此外,PG-Informer的生成式解码器对解码输入进行一步解码输出预测结果,无需动态多步解码,提升了对时间序列的预测速度;最后,构造了策略梯度学习算法来提高对PG-Informer参数的训练速度。PG-Informer的以上优势使所提出的基于PG-Informer模型的滚动轴承RUL预测方法可以获得较高的预测精度、较好的鲁棒性和较高的计算效率。对辛辛那提大学智能维护系统中心的1号滚动轴承的RUL预测实验结果表明,所提出方法预测得到的RUL值为963min,其RUL预测误差仅为6.50%,比基于Transformer的RUL预测方法预测精度更高、预测误差更小、鲁棒性更好;所提出方法所耗费的RUL预测时间仅为132.37s,比基于Transformer的RUL预测方法的预测时间更短。以上实验结果验证了所提出方法的有效性。

关键词： Informer模型概率稀疏自注意力机制策略梯度滚动轴承剩余寿命预测

多传感器融合和MHA-LSTM的电机轴承剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

仪器仪表学报 2024年第3期45卷 84-93页

作者：张菀张泰瑀贾民平蔡骏南京信息工程大学自动化学院南京210044 江苏省大气环境与装备技术协同创新中心南京210044 东南大学机械工程学院南京211102

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时... 详细信息

轴承作为电机的核心部件,主要起到支撑引导轴、减小设备摩擦、连接不同设备等作用,其剩余寿命预测对系统健康管理起着十分重要的作用。针对单一传感器信号通常难以全面描述系统的潜在退化机制,论文提出一种基于多头注意力机制和长短时记忆神经网络的电机轴承剩余寿命预测模型。首先,基于马氏距离确定轴承性能退化起始点,将滚动轴承全寿命周期分为正常阶段与退化阶段;其次,使用自编码器自动提取振动信号特征,并将其与电机电流、轴承温度融合,构成多源信息特征矩阵;然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征,提高寿命预测的准确性。最后,采用实验数据进行验证,结果表明所提出的模型具有更高的准确性。

关键词：电机轴承多传感器融合多头注意力机制长短期记忆网络剩余寿命预测