检索结果-南通市图书馆

基于多尺度排列熵和长短时记忆神经网络的航空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

交通运输工程学报 2019年第5期19卷 106-115页

作者：车畅畅王华伟倪晓梅付强南京航空航天大学民航学院

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性... 详细信息

针对航空发动机性能退化失效的变点和多状态参数的时间序列预测,构建了基于多尺度排列熵算法和长短时记忆神经网络的剩余寿命预测模型;使用多尺度排列熵算法对时间序列进行变点分析,求解出性能退化过程中的突变点,得到了有故障征兆的性能退化起始点;构建了包含多变量的长短时记忆神经网络模型,将多个状态参数代入到模型中得到对应的剩余寿命;将变点后的航空发动机多状态参数和剩余寿命作为样本,代入到长短时记忆神经网络模型中进行多步和多变量的时间序列预测;通过综合航空发动机状态参数变点分析方法和时间序列预测模型,得到最终的剩余寿命预测结果。研究结果表明:多尺度排列熵算法能够及时监控各个状态参数的变化,当发现状态参数异常时,排列熵的值会发生跳变,从而有助于及时发现故障征兆;长短时记忆神经网络模型通过门控单元对长时间序列数据进行信息筛选,充分保留了有效信息用于时间序列预测;多变量长短时记忆神经网络能够对多状态参数进行同步分析,并且将状态参数直接与剩余寿命相对应,提高了模型效率;通过多尺度排列熵算法和长短时记忆神经网络模型的结合,能够考虑到航空发动机的多退化模式,得到更符合实际退化过程的剩余寿命预测结果;经过算例分析,提出方法的剩余寿命预测的均方根误差为5.3,与长短时记忆神经网络、反向传播神经网络和支持向量机相比,误差分别降低了63%、72%和78%。

关键词：航空发动机剩余寿命预测性能退化变点长短时记忆神经网络多尺度排列熵

基于改进深度森林的滚动轴承剩余寿命预测方法

在线全文

学校读者我要写书评

暂无评论

中国电机工程学报 2020年第15期40卷 5032-5042页

作者：王玉静王诗达康守强王庆岩 V.I.MIKULOVICH 哈尔滨理工大学电气与电子工程学院黑龙江省哈尔滨市150080 白俄罗斯国立大学白俄罗斯明斯克220030

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的... 详细信息

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。

关键词：滚动轴承卷积神经网络深层迭代特征深度森林剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

基于相对密度核估计的实时剩余寿命预测

振动与冲击 2022年第22期41卷 308-318页

作者：张江民石慧董增寿太原科技大学电子信息工程学院太原030024

为更加准确评估系统运行过程中的实时剩余寿命,提出一种基于自适应相对密度核估计的实时剩余寿命预测建模方法。首先,建立非参数核密度估计剩余寿命预测模型,引入样本点k近邻思想计算样本点的相对密度自适应选择窗宽来提高在稀疏和密集... 详细信息

为更加准确评估系统运行过程中的实时剩余寿命,提出一种基于自适应相对密度核估计的实时剩余寿命预测建模方法。首先,建立非参数核密度估计剩余寿命预测模型,引入样本点k近邻思想计算样本点的相对密度自适应选择窗宽来提高在稀疏和密集区域选择窗宽的准确性和合理性;其次,在剩余寿命预测模型的建立上利用空间映射的方法建立相对密度核微分同胚变换方法来解决核估计在预测中的边界偏移问题,从而提高预测准确度。随着监测数据的实时变化,利用已知样本的核密度估计来递推更新得到新增样本的核密度估计。最后,通过算例分析来验证该方法的有效性和准确性。

关键词：相对密度核密度估计微分同胚剩余寿命预测

一种融合多传感器数据的数模联动机械剩余寿命预测方法

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2021年第20期57卷 29-37,46页

作者：李乃鹏蔡潇雷亚国徐鹏程王文廷王彪西安交通大学现代设计及转子轴承系统教育部重点实验室西安710049

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息... 详细信息

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战。基于模型的寿命预测方法大多仅针对单一监测数据进行建模分析,无法有效利用丰富的大数据资源。数据驱动的方法则过分依赖训练数据,缺乏必要的经验指引,方法的可解释性差。为了有效利用多传感器数据指导寿命预测,从数模联动的思路出发,建立了一种融合多传感器数据的数模联动寿命预测方法。采用一种通用的Wiener过程模型对健康状态退化过程进行描述,分别建立多源观测函数和多源映射函数对状态与数据之间的因果关系和关联关系进行描述,采用粒子滤波算法将多传感器数据与模型进行动态匹配,预测剩余寿命。在提出方法的统一框架指导下,选取三种特定模型对铣刀剩余寿命进行预测,验证了提出方法的有效性。

关键词：机械装备剩余寿命预测大数据数模联动多传感器融合

在线全文

学校读者我要写书评

暂无评论

随机退化应力作用下设备剩余寿命预测方法

兵工学报 2022年第3期43卷 712-719页

作者：许晓东唐圣金谢建于传强王凤飞韩洋洋火箭军工程大学兵器发射理论与技术国家重点学科实验室陕西西安710025

有效的剩余寿命预测对设备可靠性与安全性起着关键作用,不确定的内部老化状态和外部使用工况导致的随机退化应力会极大地影响设备的退化速率和健康状况。提出一种新的随机退化应力作用下的设备剩余寿命预测方法。将随机退化应力引入老... 详细信息

有效的剩余寿命预测对设备可靠性与安全性起着关键作用,不确定的内部老化状态和外部使用工况导致的随机退化应力会极大地影响设备的退化速率和健康状况。提出一种新的随机退化应力作用下的设备剩余寿命预测方法。将随机退化应力引入老化过程,基于维纳过程建立随机应力作用下的设备老化模型,提出融合期望最大化算法和粒子群优化算法的先验参数离线估计方法;在贝叶斯框架下在线更新随机系数,推导剩余寿命预测结果的概率密度分布函数。基于锂电池实验退化数据验证了所提方法的有效性。结果表明,考虑随机应力对设备退化规律的影响,能够有效提高剩余寿命的预测精度并降低预测结果的不确定性。

关键词：剩余寿命预测随机退化应力维纳过程贝叶斯框架期望最大化算法粒子群优化算法

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

基于卷积GRU注意力的设备剩余寿命预测

振动．测试与诊断 2022年第3期42卷 572-579,622页

作者：赵志宏李晴李春秀石家庄铁道大学信息科学与技术学院石家庄050043 石家庄铁道大学省部共建交通工程结构力学行为与系统安全国家重点实验室石家庄050043

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信... 详细信息

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元(convolutional gated recurrent unit,简称ConvGRU)注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络(convolutional neural networks,简称CNN)提取设备状态的空间局部特征,门控循环神经单元(gate recurrent unit,简称GRU)提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。

关键词：机械设备剩余寿命预测深度学习卷积门控循环单元注意力

考虑随机冲击影响的自适应Wiener过程剩余寿命预测方法

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

航空学报 2022年第9期43卷 478-490页

作者：董青郑建飞胡昌华余铜辉牟含笑火箭军工程大学导弹工程学院西安710025 火箭军驻西安地区第一军事代表室西安710100

现有针对存在随机冲击影响的退化设备剩余寿命预测(RUL)方法,不适用于退化设备测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且未考虑将来退化过程中自适应漂移的可变性。鉴于此,基于自适应Wiener过程,提出了... 详细信息

现有针对存在随机冲击影响的退化设备剩余寿命预测(RUL)方法,不适用于退化设备测量间隔分布不均匀、监测数据的测量频率与历史数据频率不一致的情况,并且未考虑将来退化过程中自适应漂移的可变性。鉴于此,基于自适应Wiener过程,提出了一种考虑随机冲击影响的非线性退化设备剩余寿命预测方法。首先,利用正态分布描述随机冲击对设备退化量的影响,建立融合随机冲击影响的自适应Wiener过程退化模型,推导出首达时间意义下剩余寿命的解析表达式。然后,通过考虑退化漂移可变性和随机冲击对退化率的影响,构建出状态空间模型实现设备剩余寿命在线更新,并应用期望最大化方法实现模型参数估计。最后,通过数值仿真以及惯性导航系统陀螺仪、锂电池2个实例,从不同角度验证了所提方法的有效性和实用性。

关键词：随机冲击自适应Wiener过程正态分布期望最大化剩余寿命预测

基于PoF与数据驱动融合算法的核电仪控卡件剩余寿命预测方法研究

在线全文

学校读者我要写书评

暂无评论

原子能科学技术 2023年第S1期57卷 148-156页

作者：周田蜜周宇马一鸣秦凤颜凯蓝剑中核武汉核电运行技术股份有限公司湖北武汉430223 秦山核电有限公司浙江嘉兴314300

作为核电厂的神经中枢,仪表控制系统的稳定性与可靠性是保证核电厂安全运行的关键。对核电仪控系统卡件进行剩余寿命预测可降低直接更换带来的维护、购置费用,可减少关键设备的损坏风险,是提高系统可靠性的重要手段。数据驱动和故障物理... 详细信息

作为核电厂的神经中枢,仪表控制系统的稳定性与可靠性是保证核电厂安全运行的关键。对核电仪控系统卡件进行剩余寿命预测可降低直接更换带来的维护、购置费用,可减少关键设备的损坏风险,是提高系统可靠性的重要手段。数据驱动和故障物理(PoF)是剩余寿命预测领域的两种主要方法,然而这两种方法都存在着一定的局限性,且现有融合算法难以对应力多样、结构复杂的核电产品实现准确的剩余寿命预测。针对以上问题,本文提出了一套基于PoF与数据驱动融合算法的核电产品剩余寿命预测方法,该方法采用广义阿伦尼斯模型进行PoF建模,利用维纳过程进行退化过程建模并生成退化数据,基于长短期记忆(LSTM)神经网络实现PoF数据与数据驱动方法的有效融合。依据所提方法完成了某核电站仪表控制系统DC-DC卡件的剩余使用寿命预测,通过不同算法的比较,验证了本文所提方法的有效性与准确性。研究结果可用于指导核电站仪控设备的预防性维修,也为设备可靠性管理提供了参考和方向。

关键词：故障物理数据驱动维纳过程长短期记忆网络剩余寿命预测

基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

在线全文

学校读者我要写书评

暂无评论

振动与冲击 2023年第21期42卷 149-159页

作者：王焱丁华孙晓春李莉刘泽平楚寒驰太原理工大学机械与运载工程学院太原030024 煤矿综采装备山西省重点实验室太原030024 太重煤机有限公司太原030024

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通... 详细信息

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network,TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%~77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。

关键词：轴承剩余寿命预测 ECANet 时间卷积网络迁移学习