一种基于在线预测的航天产品热待机剩余寿命评估方法研究

合集下载

基于RPMDE-MKSVM的锂离子电池剩余使用寿命预测

2021年4月第28卷第4期控制工程Control Engineering of ChinaApr.2021Vol.28,No.4文章编号：1671-7848(2021)04-0665-07DOI: 10.14107/ki.kzgc.20190644基于R PM D E-M K S V M的锂离子电池剩余使用寿命预测简献忠l a，韦进l b,王如志2(1.上海理工大学a.光电信息与计算机工程学院；b.机械工程学院，上海200090;2.北京工业大学材料科学与工程学院，北京100020)摘要：为了提高锂离子电池剩余使用寿命预测的精度，提出了一种基于随机参数机制差分进化(random parameter machine differential evolution,R P M D E)算法与多核支持向量机(multi-kernel support vector machine,M K S V M)的锂离子电池剩余使用寿命预测模型。

首先，将差分变异策略和随机搜索算子引入差分进化算法中来增强算法种群多样性，提高全局搜索能力。

然后，通过R P M D E算法优化M K S V M的惩罚因子和核参数来提高预測模型的精度。

最后，利用美国国家航空航天局的锂离子电池測试数据验证R P M D E-M K S V M模型的准确性。

实验结果表明，相比于差分进化算法模型和粒子群优化算法模型，R P M D E-M K S V M模型不仅具有更快的收敛速度，而且具有更优的预測精度。

关键词：锂离子电池；剩余使用寿命预测；R P M D E算法；多核支持向量机中图分类号：T M912 文献标示码：ARemaining Useful Life Prediction of Lithium-ion Battery Based onRPMDE-MKSVMJ I A N X i a n-z h o n g x\ W E I J i n l b,W A N G R u-zhi2(1.a.School of Optical-electrical and Computer Engineering;b.School of Mechanical Engineering,University of Shanghai forScience and Technology,Shanghai200090, China;2.School of Materials Science and Engineering,Beijing University ofTechnology,Beijing 100020, China)Abstract:In order to improve the prediction accuracy of remaining useful life(R U L)of lithium-ion battery,a R U L prediction model of lithium-ion battery based on ran d o m parameter machine differential evolution (R P M D E)algorithm and multi-kernel support vector machine(M K S V M)is proposed in this paper.Firstly,the differential mutation strategy and rand o m search operator are introduced into the differential evolution (D E) algorithm to enhance the diversity of the algorithm population and improve the global search ability.T h e n, R P M D E algorithm is used to optimize the penalty factors and kernel parameters of M K S V M to improve the accuracy of the prediction m o d e l.Finally,the battery test data of National Aeronautics and Space Administration(N A S A)are used to verify the accuracy of R P M D E-M K S V M m o d e l.T h e experimental results s h o w that R P M D E-M K S V M model not only has faster convergence speed,but also has better prediction accuracy compared with D E algorithm model and particle s w a r m optimization algorithm m o d e l.K e y w o r d s:Lithium-ion battery;remaining useful life prediction;R P M D E algorithm;multi-kernel support vector machineOi引言随着新能源发电技术的发展，国内外已有很多学者和工程技术人员开展了新能源发电管理系统方面的研究。

航空航天工程中的结构健康监测与预测方法研究

航空航天工程中的结构健康监测与预测方法研究航空航天工程涉及到一系列复杂的结构，如飞机、航天器和导弹等。

这些结构在正常运行和飞行中面临着各种外部和内部的力学、热学、电磁和化学等环境作用。

长期运行和极端工作环境的影响导致这些结构发生劣化和损伤，因此，准确实时地监测结构的健康状况，并进行损伤的预测变得至关重要。

结构健康监测（SHM）是指通过安装传感器网络和监测系统来实时监测结构的状态、性能和安全性。

有效的SHM可以提供结构的健康状况信息，识别和定位潜在的损伤，预测结构的剩余寿命，从而实现结构的维护和修复，确保飞行器的安全性。

航空航天工程中的结构健康监测与预测方法研究是一个复杂的多学科领域，涉及到工程力学、材料科学、电子工程和计算机科学等。

目前，人们通过传感器网络、数据采集系统以及大数据分析等手段来执行SHM任务。

首先，传感器网络是SHM的基础。

传感器可以安装在飞机的关键位置，用于检测和监测结构的运行状态。

这些传感器可以测量结构的振动、应变、声音、温度和电气信号等，并将数据传输到数据采集系统中。

传感器网络的设计需要考虑传感器类型的选择、传感器的布置和传感器故障检测等因素。

其次，数据采集系统用于接收、处理和存储从传感器收集到的数据。

这些系统通常包括数据采集单元、信号放大器、模数转换器和存储设备等。

数据采集系统的设计需要考虑数据的频率、采样率以及数据的完整性和可靠性等。

在数据采集的基础上，结构健康监测方法主要分为两类：基于物理模型的方法和基于数据驱动的方法。

基于物理模型的方法是通过建立结构的数学模型来预测结构的健康状况。

这些模型可以根据结构的材料特性、几何形状和边界条件等进行建立。

基于物理模型的方法通常需要结构的详细信息和精确的数学模型，因此适用于熟知的结构，如飞机机翼和航天器舱壁等。

这些方法需要大量的计算和模型验证，对于复杂结构和多物理场耦合问题的预测有一定的局限性。

基于数据驱动的方法是通过分析和挖掘已有数据的模式和规律来预测结构的健康状况。

paris方程可以估算疲劳裂纹剩余扩展寿命_概述说明

paris方程可以估算疲劳裂纹剩余扩展寿命概述说明1. 引言1.1 概述疲劳裂纹是材料在长期使用或受到重复载荷作用下出现的一种常见损伤形式。

这种裂纹扩展不仅会导致结构件的失效，而且可能引发严重的事故。

因此，对疲劳裂纹剩余扩展寿命进行准确估算具有重要意义。

本文将介绍一种被广泛应用于疲劳裂纹剩余扩展寿命估算的方法，即Paris方程。

该方程基于实验数据和理论模型，可以预测材料中存在的疲劳裂纹在经历一定载荷后继续扩展的剩余寿命。

它已经在许多工程领域得到了成功应用和验证。

1.2 文章结构本文共分为5个部分进行阐述。

首先是引言部分，概要介绍了本文讨论的主题和文章结构；其次是Paris方程简介，包括定义、疲劳裂纹剩余扩展寿命概念解释以及应用领域；接着是疲劳裂纹剩余扩展寿命估算方法，其中包括基于Paris方程的理论模型介绍、实验数据处理与分析方法以及实际工程应用案例介绍；然后是实验验证与结果讨论，包括实验设计和参数设置、结果分析与讨论以及可行性与局限性评估；最后是结论与展望，总结研究成果并提出未来研究的建议和展望。

1.3 目的本文的主要目的是探索Paris方程在估算疲劳裂纹剩余扩展寿命中的应用价值，并对其进行全面概述。

通过对该方法的介绍和分析，有助于工程师和科研人员了解如何利用Paris方程进行疲劳裂纹寿命预测，并为相关领域中的工程设计和材料选择提供参考依据。

2. Paris方程简介2.1 Paris方程定义Paris方程是一种用于预测材料疲劳裂纹扩展速率的经验公式，它描述了裂纹长度随时间的增长情况。

该方程由Emmanuel Paris和Stephen S. Murry于1963年提出，并被广泛应用于疲劳寿命评估和结构健康监测领域。

Paris方程的数学形式如下：da/dN = C*(ΔK)^m其中，da/dN表示单位循环数内裂纹长度的增加量，C和m分别表示经验参数，ΔK代表应力强度因子范围。

通常情况下，C和m可通过实验获得或根据材料相关性质进行估算。

基于数据筛选的硬盘剩余使用寿命预测方法

2020年8月计算机工程与设计Aug.2020第41卷第8期COMPUTER ENGINEERING AND DESIGN Vol.41No.8基于数据筛选的硬盘剩余使用寿命预测方法邓玲！陕振！马连志（中国航天科工集团第二研究院706所，北京100854）摘要：为提高硬盘剩余使用寿命预测器的精度！提出一种基于smart数据筛选和随机森林预测器进行剩余使用寿命预测的方法。

提出基于硬盘使用寿命长短进行数据集分割的策略！有效提升预测精度；在此基础上！在硬盘临近失效状态时！利用相似度度量待预测硬盘与训练集硬盘状态的相似性！选择相似度高的硬盘构成新的训练集！提高预测器在硬盘临近失效时的精度。

利用BACKBLAZE提供的数据集验证！相比简单的运用随机森林预测器！进行数据集分割和训练集筛选的预测器具有更高的精度。

关键词：存储系统；硬盘；剩余使用寿命；随机森林；数据集划分；训练集筛选中图法分类号：TP181文献标识号：A文章编号：1000-7024（2020）08-2252-07doi：10.16208/j.issnl000-7024.2020.08.026 RemainingusefullifeestimationofharddiskdrivesbasedondatafilteringDENG Ling,SHAN Zhen,MA Lian-zhi(Institute706,Second Research Academy of China Aerospace Science and Industry Corporation,Beijing100854,China) Abstract：To improve the accuracy of the hard disk remaining useful life estimation predictor,a method based on smart data screeningandrandomforestpredictorforremainingusefullifeestimationwasproposed.Adatasegmentationstrategybasedon the length of hard disks，service life was proposed,which effectively improved the predictor，s accuracy.Besides,when a hard disktobepredictedwasinnear-failurestatus&thesimilaritywasusedtomeasurethesimilaritybetweentheharddiskandthe harddrivesintrainingset.Theseharddiskdriveswithhighsimilaritywereselectedtoformanewtrainingset&whichgreatly mprovedtheestimationaccuracywhenharddriveswereproximityfailure.VerifiedbythedatasetprovidedbyBACKBLAZE andcomparedwiththesimplyusingofrandomforestpredictor&thepredictorfordatasetsegmentationandtrainingsetscreening hashigheraccuracy.Key words：storage system；hard disk drives；remaining useful life；random forest；data set segmentation；training set screening/引言硬盘故障是存储系统的主要故障之一，影响着存储系统的可靠性。

基于数据驱动的航空发动机剩余寿命预测研究

基于数据驱动的航空发动机剩余寿命预测研究基于数据驱动的航空发动机剩余寿命预测研究一、引言航空发动机是飞机重要的动力装置，其安全运行对于飞机的飞行安全至关重要。

然而，随着使用时间的增长，发动机各种零部件会逐渐磨损和老化，可能引发故障并影响飞机的正常操作。

因此，准确预测发动机剩余寿命成为航空工程师们长期以来的研究重点。

二、传统的剩余寿命预测方法传统的发动机剩余寿命预测方法主要基于物理模型，根据发动机的性能指标和磨损程度等因素进行分析和预测。

这种方法的优点是基于物理原理，预测结果具有一定的可靠性。

然而，由于发动机运行过程中受到多种因素的影响，物理模型往往难以考虑到所有复杂的非线性关系，导致预测准确性不高。

三、基于数据驱动的寿命预测方法随着数据分析和机器学习技术的发展，基于数据驱动的发动机剩余寿命预测方法逐渐受到关注。

这种方法通过收集大量的发动机运行数据，运用数据分析和机器学习算法，建立发动机剩余寿命模型，实现对发动机寿命的准确预测。

基于数据驱动的发动机剩余寿命预测方法主要包括以下几个步骤：1. 数据收集：从发动机传感器和监测系统中收集大量的运行数据，包括温度、压力、振动等指标。

2. 数据预处理：对收集的数据进行预处理，包括数据清洗、去除异常值、数据平滑等，以减少噪音对预测结果的影响。

3. 特征提取：从预处理后的数据中提取特征，如时域特征、频域特征等，以描述发动机的性能特征。

4. 寿命模型建立：运用机器学习算法，如支持向量机、神经网络、随机森林等，构建发动机剩余寿命模型。

5. 预测与评估：利用建立好的模型对未来发动机寿命进行预测，并通过与实际剩余寿命进行比较和评估，以验证预测的准确性。

基于数据驱动的发动机剩余寿命预测方法具有以下优势：首先，数据驱动的方法不依赖于复杂的物理模型，能够更好地捕捉发动机运行过程中的非线性关系，提高预测的准确性。

其次，通过大量的数据收集和分析，可以获取更全面、详细的发动机运行信息，有助于提早发现潜在的故障和问题。

数据驱动的航空发动机剩余使用寿命预测方法

传统预测方法的局限性
传统的航空发动机剩余使用寿命预测方法主要基于物理模型和经验公式，但这些方法无法充分考虑发动机在实际运行中的复杂性和不确定性。
数据驱动方法的优势
数据驱动方法能够利用大量的发动机运行数据，通过机器学习和数据分析技术，挖掘隐藏在数据中的规律和趋势，从而更准确地预测发动机的剩余使用寿命。
对数据进行归一化处理，将数据范围调整为[0,1]或[-1,1]，确保数据具有更好的稳定性和可操作性。
03
剩余使用寿命预测模型构建
基于时间序列分析的预测模型
01
时间序列分析是一种统计学方法，用于分析具有时间顺序的数据，以预测未来的发展趋势。
02
利用时间序列分析，可以对航空发动机的历史使用数据进行分析，通过拟合曲线或趋势线来预测未来的使用寿命。
数据驱动的航空发动机剩余使用寿命预测方法
汇报人：日期:
目录
• 引言 • 数据预处理 • 剩余使用寿命预测模型构建 • 模型评估与优化 • 数据驱动的航空发动机剩余使用寿命预测 • 结论与展望
01
引言
研究背景与意义
航空发动机维护的重要性
航空发动机是飞机的心脏，其运行安全性对飞行安全具有决定性影响。因此，航空发动机的维护和剩余使用寿命预测对于保障飞行安全至关重要。
02
数据预处理
数据收集与清洗
收集航空发动机相关数据，包括使用时间、转速、温度、压力等参数。
清洗数据，去除异常值、缺失值和重复值，确保数据质量。
数据转换与整合
将不同来源的数据进行转换，使其具有统一的标准和格式。
将转换后的数据进行整合，构建完整的航空发动机数据集。
数据标准化与归一化
对数据进行标准化处理，将不同维度的数据转换为统一的尺度。

基于机器学习方法的锂电池剩余寿命预测研究进展

基于机器学习方法的锂电池剩余寿命预测研究进展目录一、内容概要 (2)二、锂电池概述 (2)1. 锂电池的特点 (3)2. 锂电池的应用领域 (4)三、机器学习方法在锂电池剩余寿命预测中的应用 (5)1. 监督学习方法 (7)1.1 线性回归模型 (8)1.2 支持向量机模型 (10)1.3 决策树模型等 (11)2. 非监督学习方法 (12)2.1 聚类分析模型 (13)2.2 降维模型等 (14)3. 深度学习模型的应用 (16)3.1 神经网络模型 (17)3.2 卷积神经网络模型等 (18)四、锂电池剩余寿命预测的关键技术挑战及解决方案 (19)1. 数据获取与处理难题 (21)2. 模型选择与优化问题 (22)3. 模型泛化能力问题 (23)五、锂电池剩余寿命预测的研究进展与现状 (24)1. 国内外研究现状对比 (26)2. 主要研究成果及贡献 (28)3. 当前研究的不足之处及未来发展趋势 (29)六、实验设计与案例分析 (30)1. 实验设计思路及方法 (31)2. 数据集及预处理过程 (33)3. 实验结果分析 (34)七、结论与展望 (35)1. 研究结论总结 (37)2. 对未来研究的展望与建议 (38)一、内容概要本篇论文综述了基于机器学习方法的锂电池剩余寿命预测研究进展，重点介绍了近年来在锂电池寿命预测领域所取得的重要成果和进展。

论文概述了锂电池的基本原理及其在电动汽车、储能系统等领域的应用背景。

详细阐述了机器学习方法在锂电池寿命预测中的应用，包括监督学习、非监督学习和深度学习等方法，并对各种方法的优缺点进行了比较分析。

在此基础上，论文选取了几个典型的锂电池寿命预测实验进行分析，展示了机器学习方法在实际应用中的有效性。

论文还探讨了锂电池剩余寿命预测中面临的挑战，如数据不足、模型泛化能力、实时性等问题，并提出了可能的解决方案。

总结了基于机器学习方法的锂电池剩余寿命预测研究的发展趋势和未来方向。

基于深度学习的IGBT健康状态评估及剩余寿命预测

基于深度学习的IGBT健康状态评估及剩余寿命预测基于深度学习的IGBT健康状态评估及剩余寿命预测引言IGBT（Insulated Gate Bipolar Transistor）是一种重要的功率半导体器件，被广泛应用于电力电子系统中。

然而，由于IGBT的工作环境存在高温、高电压和高电流等恶劣条件，其寿命与可靠性成为电力电子设备中的瓶颈问题。

因此，准确评估IGBT的健康状态，并预测其剩余寿命至关重要，这不仅能够提高设备的可靠性，还能够降低维修成本。

一、IGBT健康状态评估方法1. 特征提取在IGBT健康状态评估过程中，特征提取是一个关键的步骤。

传统方法多采用基于统计学的特征提取方法，如均值、方差、峰值等。

然而，这种方法只能提取样本的整体统计信息，无法捕捉到样本内部的特征。

针对这个问题，基于深度学习的方法具有明显的优势。

例如，卷积神经网络（CNN）可以自动学习到IGBT故障模式中的特征信息，从而提高评估的准确性。

2. 健康状态评估模型构建在特征提取阶段之后，我们需要构建一个评估模型来准确地判断IGBT的健康状态。

传统的评估方法多采用支持向量机（SVM）或逻辑回归（LR）等机器学习算法，但其准确性有限。

近年来，深度学习中的循环神经网络（RNN）等算法被广泛应用于健康状态评估中，因其可以处理时间序列数据并具有很强的非线性建模能力。

3. 实验数据采集与准备为了验证所构建的评估模型的有效性，我们需要采集IGBT的工作数据并进行预处理。

实际中，可以在IGBT设备中潜入传感器，实时采集电流、电压、温度等参数，以及故障样本。

而后，通过对这些数据进行滤波、归一化等预处理操作，得到用于模型训练的数据集。

二、IGBT剩余寿命预测方法1. 特征提取IGBT的剩余寿命预测与健康状态评估类似，也需要进行特征提取。

但与健康状态评估不同的是，剩余寿命预测需要考虑时间因素。

因此，除了采用一些传统的统计特征外，还需要引入时间序列特征，如自相关系数、波峰波谷值等。

基于Wiener过程的设备剩余寿命预测与应用

渊 5冤一旦在 tk+1 时刻获得新的退化数据 xk+1袁返回步骤渊 3冤袁重复步骤渊 3冤和步骤渊 4冤袁即可得到 tk+1 时刻设备剩余寿命的概率密度函数遥
3 实验研究本文通过利用某煤化工公司的烧嘴数据验证剩余寿命估计算法的有效性遥烧嘴是煤化工气化炉的核心设备袁其性能好坏直接影响着气化生产效益遥烧嘴在运行中受到物料的冲击袁外环喷嘴不断磨损遥当磨损达到阈值时袁认定为设备失效遥在工程实际中袁可获得烧嘴的磨损量数据和同批次设备的历史寿命遥下面通过融合这两种数据来验证本文方法的有效性遥按照技术指标袁预设失效阈值 =19.2mm 遥获取历史寿命
MATLAB 中的 Fminsearch 函数方法求取袁求得离线估计的参数
作为设备的初始退化参数袁下一步采用单体设备的失效数据
对参数进行在线更新遥
2.2 退化参数离线更新
对于某一具体的退化设备而言袁在其寿命期内的任意时刻
tk袁退化模型的退化率可以通过该设备在 tk 之前的所有观测
数据 Z1:k (Z1, Z2, Z3,L, Zk ) (对应该设备从时 t1 刻到 tk 时刻
为扩散率袁是漂移系数曰且 : (a , 2a ) 曰 b 为常数袁是扩散
系数曰B(t)为标准布朗运动袁且 B(t)~(0,t)遥
对于式渊 1冤所描述的退化过程袁设备的寿命 T 为随机退化过
程首次达到失效阈值的时间袁可以表示为院
T inf t : X(t) X(0)
渊 2冤
基金项目院国家自然科学基金资助项目渊 61763038, 61803049, 61903050, 61973137冤曰内蒙古自然科学基金资助项目渊 2020LH6006冤遥

基于深度学习的继电器剩余使用寿命预测研究综述

李少飞!"##$"#$男$硕士研究生$研究方向为电器设备剩余寿命预测%王召斌!"#%&"#$男$副教授$研究方向为电器贮存可靠性&加速试验及寿命预测技术%张文行!"##%"#$男$硕士研究生$研究方向为电器设备触点电接触行为%!基金项目'国家自然科学基金资助项目!'"'($($)#(江苏省研究生科研与实践创新计划资助项目!*+,-&./.%$'&01,-&./&"&%#基于深度学习的继电器剩余使用寿命预测研究综述!李少飞 !王召斌 !张文行江苏科技大学自动化学院江苏镇江!"#"#$$摘!要研究继电器个体的可靠性具有重要意义$有必要对继电器进行寿命预测%由于传统预测方法的建模过分依赖于设备的领域知识$故将深度学习应用于寿命预测领域%首先概述了继电器的贮存失效机理$其次介绍了继电器剩余使用寿命预测的研究现状$接着分析了深度学习的几种常见模型方法及其特点$最后对深度学习应用于剩余使用寿命预测进行展望%关键词继电器可靠性寿命预测深度学习中图分类号 23'%"!文献标志码 4!文章编号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引!言电器设备主要指用于对电路进行接通&分断$对电路参数进行变换$以实现对电路或用电设备的控制&调节&切换&检测和保护等作用的电工装置&设备和元件%电器产品的可靠性是指产品在规定的条件下及规定的时间内完成规定功能的能力$产品的可靠性是产品质量的一个重要组成部分)"*%作为电器设备中应用最为普遍的器件$继电器的可靠性问题显得格外重要$尤其航天继电器是航空航天领域不可或缺且应用广泛的电子元器件$其可靠性直接影响到航天系统的可靠性)&*$因此对其可靠性的评估十分重要$准确预测继电器的剩余寿命$可以避免安全事故的发生%电磁继电器主要由电磁铁&衔铁&弹簧&静触点和动触点组成%电磁继电器的可靠性直接关乎和影响自动控制系统以及电子设备性能的可靠性$对电磁继电器可靠性研究已成为人们和学术界关注的焦点$而对继电器剩余电寿命加以预测是其可靠性研究的重要方向和内容).*%电磁继电器电寿命是继电器触头带负载后的动作次数%据有关电磁继电器失效模式的技术统计数据显示$其失效的原因%( 以上是触点的失效导致$故研究继电器寿命预测首先应该把重点放在触点上%目前$电磁继电器的性能参数大多通过触点材料电性能模拟实验系统获得))*$这种预测方法需要大量的数据支撑$并且无法反映实验过程中的各种失效机制造成的影响%鉴于传统寿命预测方法的局限性$要实现快速并且可靠地实现寿命预测工作$还需要解决一些技术难题%基于深度学习的方法是指使用深度学习技术和传感器状态监测数据对设备的剩余使用寿命进行直接建模%深度学习技术具有强大的数据处理能力$理论上$深度学习所提取的有效特征随着数据量的增多而增多$分析预测的结果也就越准确)'*%随着近年来人工智能技术的飞速发展$基于深度学习的剩余使用寿命!W H X#预测方法逐渐得到了越来越多的关注%"!W H X预测的研究背景和发展现状一位日本的学者略带风趣地说过$在石器时代$人类把石斧做好后套在木柄上$然后会检查是否牢靠$而这个过程$就是可靠性试验%因此$从这个意义上来说$产品的可靠性问题的历史格外久远%但是$可靠性作为一门系统的科学却仅有约$(年历史$是一门富有生命力而又年轻的学科$在经济迅速发展的今天也日益受到人们广泛的关注%从历史的角度来看$只要是生产出来的产品$就会有可靠工作和不可靠工作的问题%任何产品或者系统都将不可避免地发生退化$直至失效%即使再优秀的设备或系统都无法避免长时间运行所带来的性能退化问题)7*%因此$如果能在电器设备性能退化初期$还未对系统造成重大危害时$获取监测数据来预测产品的使用寿命$并根据预测结果制定维护决策$就显得格外重要%随着电器技术的迅速发展$对于继电器的可靠性的要求也越来越高%随着科学技术的不断发展$电器设备的复杂性&精密性以及智能化程度都在迅速提高$传统的+事后维修,策略由于对故障处理具有滞后性$已经不足以满足现代维修需求)$*%因此$提前对设备系统进行故障预测和管理决策就显得格外重要%故障预测与健康管理!Y Z3#应运而生$而W H X预测技术更是Y Z3的核心%对于继电器的W H X预测是指通过收集继电器的历史监测数据和当前的运行状态$预测继电器从当前时刻到失效时刻的时间$并且由于其自身的优势$已经成为当今研究的热点问题%'&'F继电器+9<预测研究现状电磁继电器作为广泛应用于航空航天&机械设备&公共建筑等领域的重要电器元器件$保障着电力运行的安全性&可靠性和稳定性$具有不可替代的作用%一旦继电器发生故障$会给日常的生产生活带来不必要的损失$严重时还会危及生命))*%李久鑫等)%*对继电器失效机理进行了概述$介绍了基于退化规律的寿命预测优点$概述了.种常见的随机过程模型$并对各个性能退化模型的适用范围和优点进行对比分析%乔青云等)#*总结了对继电器可靠性造成影响的环境因素并分析了其失效机理$在此基础上概述了几种可靠性评估方法和寿命预测方法$介绍了各类方法存在的问题和优势%孙训俊)"(*研究了在贮存条件下导致继电器失效的因素$分析了继电器的失效机理$针对经典的灰色理论[3!"$"#和灰色\@J MC?G D模型做出了.种改进并应用于继电器的贮存寿命预测%王召斌等)""*研制了温度应力航天继电器加速贮存退化试验测试系统$可同时对多达)(只继电器进行全自动的退化参数监测$为进一步对航天继电器贮存可靠性评估和贮存寿命预测提供了理论依据和参考%苗健伟等)"&*选择]Y神经网络算法对低压继电器的寿命进行预测分析$得到理想效果%在目前的研究中$W H X预测技术分类如图"所示%图"!W H X预测技术分类"6"6"!基于物理模型的W H X预测技术基于物理模型的W H X预测技术根据运行设备的失效机理或退化趋势来建立相应的物理模型$并结合采集到的状态监测数据实现对运行设备剩余寿命的预测%学者们已围绕该方法进行了大量研究$如文献)".*针对疲劳裂纹扩展问题建立了Y F=J G5^J L>A F;模型$广泛应用在机械设备的W H X 预测中%但是对于一些结构相对复杂的元器件来说$在针对故障建模时会产生多种失效机理相互耦合的情况$预测精度会大大减小)")*%因此$基于物理模型的W H X预测方法在复杂实际工程中的应用越来越难以实现%"6"6&!基于数据驱动的W H X预测技术基于数据驱动的W H X预测技术是指运用统计模型或智能算法$通过设备系统运行时采集的状态监测数据对系统进行直接建模$挖掘设备的退化信息并获得剩余使用寿命%该建模方法不依赖于设备系统的相关领域知识$解决了基于物理模型方法对复杂设备系统建模困难的问题$随着传感器技术的发展$状态监测数据的采集与获取变得越来越便捷$基于数据驱动的方法的应用越来越热%常用的数理统计方法有_=@;@J过程)"'*&[F E E F过程)"7*&马尔可夫链)"$*和随机系数回归模型)"%*等%李雅等)"#*针对目前基于深度学习的W H X预测方法$能够有效地挖掘传感器序列的时间信息$但是难以对传感器之间的空间关系进行有效建模的问题$提出了一种基于多尺度卷积和图注意力网络的W H X预测模型%综上所述$目前$基于物理模型和基于数据驱动的方法都有着较为成熟的研究成果$随着工业)6(时代的到来$电器设备的复杂程度迅速提高$基于物理模型的方法在建模时会遇到各种故障模型相互耦合的复杂情况$因此很难再去精确构建能准确反映设备失效过程的模型$在工程实际应用中也就越来越难以实现%而伴随着传感器技术的发展$状态监测数据的获取变得越来越简便$基于数据驱动的方法已经成为当前研究的重点)&(*%'&!F基于数据驱动的+9<预测技术分类"6&6"!基于数理统计模型的W H X预测技术基于数理统计的W H X预测技术是依靠经验知识的统计模型来获取W H X的概率分布的$典型的数理统计模型包括_=@;@J过程&自回归移动平滑!4W34#)&"*以及马尔科夫模型%文献)&&*提出了一种线性_=@;@J过程模型通过贝叶斯方法更新模型参数$从而得到对W H X预测后验分布的估计$并应用到滚珠轴承上进行了验证%"6&6&!基于机器学习的W H X预测技术基于机器学习的方法是指使用机器学习技术和传感器状态监测数据对设备的剩余使用寿命进行直接建模$机器学习技术具有强大的数据处理能力$随着近年来人工智能技术的飞速发展$该方法逐渐得到了越来越多的关注)&.*%基于机器学习的方法主要包括基于神经网络和基于支持向量机的方法%]@V F V=等)&)*提出一种基于3X Y网络的W H X预测方法$并对复合材料结构的状态监测数据进行验证%Y=@J:@等)&'*在此基础上对3X Y网络的不确定性和鲁棒性进行了研究%&!深度学习模型及相关研究!&'F深度学习与+9<预测技术随着物联网技术以及制造产业的高速发展$状态监测数据的获取变得越来越便利$与其相关的技术已经大量应用于发电机&发动机&武器装备等领域$大数据的时代正在到来%在数据驱动的诸多方法中$传统的机器学习方法对于数据的手动特征提取具有很强的依赖性$限制了海量数据的监测能力$而深度学习因为其强大的特征数据提取能力得到了越来越多的关注%由于深度学习无可比拟的优势$为W H X预测技术的进一步发展打开了空间%一方面$在基于深度学习的W H X预测技术的主要流程中$特征工程不是必需的%这是因为基于深度学习的W H X 预测技术可以实现退化特征的自动提取$进而实现端到端的W H X预测%这种革新在一定程度上有助于降低对W H X预测领域先验知识的依赖$提高W H X预测方法的适用性$使得深度学习在W H X 预测中的应用更为便利%另一方面$随着工业)6(的到来$工业大数据的发展必然会导致对W H X预测算力要求的提高%而深度学习由于具有强大的计算能力$恰好满足了上述需求%综上所述$研究基于深度学习的W H X预测技术具有实际的现实意义%!&!F 常见算法模型及相关研究&6&6"!深度神经网络神经网络是基于感知机的扩展$而深度神经网络!Q ``#可以理解为有很多隐藏层的神经网络%Q``有时也叫作多层感知机%按不同层的位置划分$Q ``内部的神经网络层可以分为三类'输入层$隐藏层和输出层%Q ``结构示意图如图&所示%一般来说第一层是输入层$最后一层是输出层$而中间的层数都是隐藏层%图&!Q ``结构示意图!!层与层之间是全连接的$也就是说$第)层的任意一个神经元一定与第)a "层的任意一个神经元相连%虽然Q ``看起来很复杂$但是从小的局部模型来说$还是和感知机一样$即一个线性关系.b "!)3)a/加上一个激活函数"!4#$其中3为输入$!为线性关系系数$/为偏倚%由于Q ``层数多$则线性关系系数!和偏倚O 的数量也就很多%随着无监督表示学习模型)&7*与逐层学习Q ``方法)&$*迅速发展$Z =;D >;)&%*在#5)(05(上发表论文成功利用该学习方法实现对高维数据降维$引发了对Q ``研究的热潮%文献)&#*从Q ``模型及优化这一基础理论出发$研究出更加鲁棒的Q ``模型和高效的优化方法$同时面向具有重要意义的实际问题逐渐深入$解决具有前景但同样存在巨大挑战性的变化预测难题%然而$随着Q ``深度的增加$理想的计算精度必然需要强大的计算能力和充足的计算时间来保证%在对于继电器的寿命预测中$继电器的失效次数往往会在几万至十万次$并且由传感器传回的数据往往会出现异常点和重复值$这些重复的数据一旦被分类为不同的标签$则会造成模型无法正确识别$从而导致训练时间延长$准确率降低%因此$将Q ``应用于继电器的寿命预测领域还有很长的路要走%&6&6&!卷积神经网络卷积神经网络!,``#主要由输入层&卷积层$W@X H 层&池化层和全连接层构成%通过将这些层组合起来$就可以形成一个,``%在实际应用中卷积层与W @X H 层往往被合并称作卷积层$故卷积层经过卷积操作也是要经过激活函数的%卷积层和全连接层对输入执行变换操作$而W @X H 层和池化层则是进行一个固定不变的函数操作%卷积层和全连接层中的参数会随着梯度下降被训练$这样故计算出的分类评分就能和训练集中的每个图像的标签吻合了$因此该网络在图像处理领域有着广泛的应用%尽管,``早已经应用于计算机视觉$自然语言处理$语音识别等任务$但文献).(*首次尝试在预测中采用,``进行W H X 估计%结果表明$提出的基于深度卷积神经网络的W H X 估计回归方法不仅更有效$而且更准确%崔和臣)."*在研究关于交流接触器电寿命的预测时$利用,``和深度学习软件2@;G >J U ?>T $通过回归方式获得交流接触器电寿命预测模型$来实现对触头总质量损失误差百分比的计算$从而实现寿命预测%针对电器设备在复杂工作环境中的寿命预测$季文强)")*结合自编码器!4CD >@;:>L@J #和时间卷积网络!2,`#各自的优势$提出了基于4CD >@;:>L@J 52,`网络的寿命预测方法%一方面$针对输入数据中的高维数据$采用自动编码器对其进行维度削减$可以降低计算的复杂度(另一方面$利用2,`挖掘获取长时间序列信息中不同时间的信息$识得特征与W H X 的内在联系%同时把预测得到的结果同近年来其他文献中的预测方法进行比较$发现该方法在复杂工作环境中的表现优于其他算法$预测准确率也更高$并且预测结果更倾向于超前预测$能够实现在故障发生之前提前进行预测性维护$降低发生故障所导致的损失$具有很好的实际应用价值%然而$池化层的存在会导致许多非常有价值的信息丢失$同时也会忽略掉整体与部分之间的关联$可以尝试通过数据扩增等方法来改善这些不足%另外$,``的当前时刻只与前一时刻的信息有关$这大大限制了其在长期预测领域的表现%&6&6.!循环神经网络循环神经网络!W ``#的简单原理图如图.所示%图.!循环神经网络!W ``#的简单原理图!!W ``由输入层&隐藏层和输出层组成%如果把上面的*环节去掉$就变成了最普通的全连接神经网络%!是一个向量$表示输入层的值("是一个向量$表示隐藏层的值(#是输入层到隐藏层的权重矩阵($也是一个向量$表示输出层的值(%是隐藏层到输出层的权重矩阵%由图.可知$W ``的隐藏层的值"不仅取决于当前这次的输入!$还取决于上一次隐藏层的值"%权重矩阵&就是隐藏层上一次的值作为这一次的输入的权重%将W ``按时间展开$则很清晰地看出前一时刻的隐藏层是如何影响当前输出的$即当前时刻隐藏层的输出不仅与当前时刻的输入有关$还与前一时刻的隐藏层输出有关%这就形成了W ``相较于传统神经网络独有的特点$W ``利用历史信息与当前时刻的输入信息来输出当前层的信息%W ``的时间线展开图如图)所示%图)!W ``的时间线展开图!!W ``最具吸引力的一点是能把之前的信息连接到当前的任务上%但是随着距离不断拉大$W ``会逐渐难以学习其中的连接信息%针对这种情况$曹宇等).&*面向超长稠密序列$设计了一种基于时空窗口循环神经网络的位置预测模型$实验结果表明$此方法能够克服长依赖序列的梯度消失问题%文献)..*提出的Q ]0,4`5W ``算法在W ``输入层的数据源上进行了聚类处理$保证了输入数据的均衡性$使得算法处理数据的速度得到了提升$另外使用W``处理连续序列数据$保证了前后数据的相关性$得出的精确度更高%综上$W ``可以解决处理序列数据$使神经网络具有记忆的功能$但是如果序列太长会导致梯度消失或者梯度爆炸$而梯度消失问题就导致W ``无法长期记忆%&6&6)!长短期记忆递归神经网络传统W ``在处理长时间依赖序列问题上存在缺陷$而长短期记忆!X 023#网络给解决该问题提供了一种思路%0@PP Z >:MJ @=D @J ).)*于"##7年提出了X 023网络这一概念$其对时间序列数据提取特征的能力大大提高%X 023网络实质上是一种特殊的W ``$由于W ``在长期计算时会出现梯度爆炸和梯度消失的现象$X 023网络的设计目的非常明确$那就是避免长期依赖性问题%对X 023网络来说$长时间+记住,信息是一种默认的行为$而不是难以学习的东西%X 023神经单元示意图如图'所示%X 023网络具有遗忘门'6&输入门)6以及输出门&6这三个门控单元$被用来控制记忆的更新与丢弃%遗忘门控制着有多少6c "时刻的状态56c "保留到目前时刻的状态56中$输入门控制着有多少6时刻的输入保留到当前状态中$输出门控制着有多少状态将被输出到网络当前输出中%图'!X 023神经单元示意图!!X 023网络凭借着其独特的门控单元和记忆单元$成为了处理序列任务中最为有效的模型之一%随着对X 023网络的深入研究$其各种变体网络不断被提出$如门控循环单元![W H#).'*和双向长短时记忆!]=5X023#网络).7*%基于X023网络实现了故障分类$将其应用于航空Q0^[整流电路的故障诊断%高士珍).$*在进行交流接触器剩余寿命预测研究时$对比了几种模型$最后得到结论$X023神经网络的精确度和稳定性表现更优$为开关电器设备剩余寿命预测问题提供了新思路%当面对复杂预测问题时$单一网络结构的深度学习算法通常难以兼顾预测准确性与训练时长这两个方面$由此陈自强).%*提出了一种基于多层X023网络的直接剩余预测方法).%*%此外$针对X023循环网络训练时间过长的问题$提出了一种基于,``5X023网络混合W H X预测模型$在部分数据集上可以取得相近的预测精度$但是训练时间可以缩短&' %可见$X023解决了W``容易出现的梯度消失问题$能够更好地根据历史数据信息来进行预测$其预测精确度得到提升%与此同时$其长期记忆的能力也带来了对于硬件要求的提高%.!基于深度学习的继电器W H X预测研究展望!!目前$电器可靠性理论与实践在不断地丰富和发展%继电器W H X预测方面的研究对于提高电器及系统可靠性至关重要$相关研究正在开展$其中深度学习方法给相关研究提供了一些很好的思路%通过上述文献分析$目前基于深度学习的继电器W H X的研究中多数仅使用了特定的故障数据集进行算法验证$相对来说具有局限性$下一阶段$可以考虑进一步将算法模型应用于更多的故障数据集中$构建鲁棒性更好的预测模型%另外$研究者对于W H X预测进行的研究主要集中在预测算法的层面$若能在此前提下结合Y Z3技术$综合考虑多种失效模式下的耦合作用对电气设备寿命的影响$并且将Y Z3决策系统与W H X预测有效结合起来$那么电器W H X预测的应用价值将会能够更好地体现出来%)!结!语近年来$已经有很多学者开始将深度学习应用于寿命预测领域的研究$但是涉及继电器等电器设备方面的还不多%本文对继电器的W H X预测研究现状进行了概述$介绍了Q``$,``$W``和X023在继电器等电器设备W H X预测领域的应用$分析了各个网络模型的优势与不足$为日后深入研究做了铺垫与准备$并且对未来的研究进行了合理展望$相信随着科技的发展进步$深度学习在继电器W H X预测领域会得到全面而长足的发展%参考文献)"*!陆俭国$王景芹$陆宾6电器可靠性工作概况与发展前景)1*6低压电器$&(")!&#'"5$6)&*!余琼$任立$翟国富6航天继电器寿命试验技术的探讨)1*6低压电器$&((%!&"#'7(57&$7'6).*!乔维德6电磁继电器剩余电寿命智能预测研究)1*6电工电气$&(&(!"&#'.(5.)6))*!刘百鑫$王召斌$乔青云$等6基于深度学习的继电器寿命预测方法研究综述)1*6电器与能效管理技术$&(&"!"&#'"57$..6)'*!刘惠$刘振宇$郏维强$等6深度学习在装备剩余使用寿命预测技术中的研究现状与挑战)1*6计算机集成制造系统$&(&"$&$!"#'.)5'&6)7*!马东娟6基于数据驱动的电器产品寿命预测方法研究)Q*6天津'河北工业大学$&("76)$*!许丽佳6电子系统的故障预测与健康管理技术研究)Q*6西安'电子科技大学$&((#6)%*!李久鑫$王召斌$朱佳淼6继电器贮存可靠性研究方法综述)1*6电器与能效管理技术$&(&&!7#'"5'$."6)#*!乔青云$王召斌$陈康宁$等6继电器贮存可靠性分析和加速退化试验综述)1*6电器与能效管理技术$&(&&!"#'"576)"(*!孙训俊6电器产品贮存寿命分析方法的研究)Q*6天津'河北工业大学$&(")6)""*!王召斌$蔡昭文$翟国富$等6航天继电器加速贮存退化可靠性建模和统计分析)1*6低压电器$&("&!"$#'"5$6)"&*!苗建伟$王文军$李斌6低压继电器寿命的智能预测分析)1*6电器与能效管理技术$&("%!)#'7"57'6 )".*!Y4W d0Y$^W Q e[4`U64:J=D=:F?4;F?K G=G>B,J F:< Y J>PF A F D=>;X F T G)1*61>CJ;F?>B]F G=:^;A=;@@J=;A$"#7.$%'!)#''&%5'..6)")*!季文强6基于深度学习和不确定性量化的数据驱动剩余寿命预测方法研究)Q*6合肥'中国科学技术大学$&(&(67。

基于相空间重构和粒子滤波的锂电池剩余寿命预测方法[发明专利]

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 201910802571.X(22)申请日 2019.08.28(71)申请人武汉科技大学地址 430081 湖北省武汉市青山区和平大道947号(72)发明人张永　陈廖格豪　李曦　付晓薇　(74)专利代理机构上海精晟知识产权代理有限公司 31253代理人辇甲武(51)Int.Cl.G01R 31/367(2019.01)G01R 31/392(2019.01)(54)发明名称基于相空间重构和粒子滤波的锂电池剩余寿命预测方法(57)摘要本发明公开了基于相空间重构和粒子滤波的锂电池剩余寿命预测方法，包括如下步骤：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标，对该指标使用BCT加强与电容的线性相关性；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，把SVR的预测值代入系统状态空间模型用PF对状态进行更新。

通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。

权利要求书2页说明书5页附图5页CN 110687450 A 2020.01.14C N 110687450A1.基于相空间重构和粒子滤波的锂电池剩余寿命预测方法，其特征在于：步骤一：选取电池容量和等时间间隔放电电压差作为两个健康因子，选定T时刻为预测起始点，即T时刻之前的时间序列为训练集，步骤二：为了加强等时间间隔放电电压差与电池容量之间的线性关系，对之进行BOX-COX变换，步骤三：在训练支持向量机SVR模型时，利用相空间重构PSR分别得出两种健康因子时间序列的时延和嵌入维数，进行多变量相空间重构，由此定义训练SVR的输入与输出，步骤四：选用双指数退化模型Z k＝a k exp(b k·k)+c k exp(d k·k)作为粒子滤波测量方程，其中状态x k＝[a k，b k，c k，d k]，系统的状态方程为x k+1＝x k+v k，其中v k为过程噪声，在训练集用粒子滤波PF进行滤波过程，得到系统最新状态x T-1，等到SVR的预测值计算完成，用该预测值对系统状态进行更新，最后通过粒子滤波测量方程得到电池容量的最终预测值，如果预测的容量达到了失效阈值，则剩余使用寿命RUL为该时刻到失效阈值点之间的时间。

一种基于推进剂物性的航天器推进剂剩余量测量方法[发明专利]

专利名称：一种基于推进剂物性的航天器推进剂剩余量测量方法
专利类型：发明专利
发明人：王申,袁磊,周红玲,黄含冰,路子阳,刘涛,贾柯,陈海辉,张博
申请号：CN201811486729.9
申请日：20181206
公开号：CN109405918A
公开日：
20190301
专利内容由知识产权出版社提供
摘要：一种基于推进剂物性的航天器推进剂剩余量测量方法，包括下列步骤：(1)获得推进剂密度、饱和蒸气压等物性随温度的变化；(2)围绕推进剂贮箱配置压力传感器、温度传感器和主动热控措施；(3)调整贮箱主动温控策略，使得贮箱经历存在明显差异的两种温度状态；(4)利用步骤(3)两种状态贮箱压力、温度数据及推进剂物性随温度变化特性，计算推进剂剩余量。

本发明实现了低成本航天器推进剂剩余量精确测量，提高了航天器寿命预估精度，可延长航天器服役时间，增加了航天器在轨运行的经济效益。

申请人：上海空间推进研究所
地址：201112 上海市闵行区浦江镇万芳路801号
国籍：CN
代理机构：上海航天局专利中心
代理人：余岢
更多信息请下载全文后查看。

基于多阶段-随机维纳退化过程的产品剩余寿命预测方法

基于多阶段-随机维纳退化过程的产品剩余寿命预测方法魏高乐;陈志军【摘要】针对退化失效型产品的剩余寿命预测是开展其视情维修的关键前提.考虑到一些产品性能退化过程具有多阶段非单调的特点,提出基于多阶段-随机维纳退化过程的产品剩余寿命预测方法.针对产品退化过程的每一阶段,主要考虑以高应力加速退化试验数据为先验信息,不预先给予Wiener过程参数的假定分布,而利用加速因子将高应力下的参数估计值折算到正常应力下的参数值;再通过使用Anderson-Darling方法确定参数的最优分布,作为参数的先验分布;然后通过Bayes方法利用产品正常应力下实时退化数据对参数先验分布进行更新,得到参数后验分布,进而对产品的剩余寿命进行预测;最后以某型加速度计为实例验证了所提出的方法适用性和有效性.【期刊名称】《科学技术与工程》【年(卷),期】2015(015)026【总页数】8页(P27-34)【关键词】多阶段;Wiener过程;加速因子;Anderson-Darling方法;先验分布;后验分布;剩余寿命【作者】魏高乐;陈志军【作者单位】空军工程大学装备管理与安全工程学院,西安710043;北京航空航天大学可靠性与系统工程学院,北京100191【正文语种】中文【中图分类】TB114.3随着科学技术的不断发展，在军工、航空航天等领域，高可靠、长寿命产品越来越多，针对这些产品准确评估其寿命显得尤其重要，是做好产品预防性维修工作以及提高产品战备完好性的首要前提。

由于产品具有高可靠、长寿命的特点，难以在短时间内得到足够的失效时间数据;即使是在加速寿命试验中也难以失效。

因此传统的基于失效数据的方法无法有效预测这类产品的寿命。

一些高可靠、长寿命产品属于退化失效型产品，此类产品的某些性能指标随着时间产生退化，根据这些性能退化量可以外推出产品的寿命信息。

目前，国内外已建立不少描述产品失效过程的性能退化模型，如疲劳裂纹模型［1］、累计损伤模型［2］、基于随机过程的性能退化模型［3］等。

基于机器学习的剩余使用寿命预测实证研究

基于机器学习的剩余使用寿命预测实证研究王加昌;郑代威;唐雷;郑丹晨;刘梦娟【期刊名称】《计算机科学》【年(卷),期】2022(49)S02【摘要】剩余寿命预测是设备预测性维护的3个核心任务之一。

目前最新的研究进展是利用机器学习来建立剩余使用寿命预测模型。

论文首先梳理了设备剩余使用寿命预测主要采用的机器学习模型,包括支持向量回归模型、多层感知机模型、卷积神经网络和循环神经网络;然后介绍了3个在剩余使用寿命(Remaining Useful Life,RUL)预测中主要采用的公开数据集,以及两个广泛采用的预测性能评价指标。

特色之处是基于NASA提供的涡扇发动机仿真数据集C-MAPSS展示了RUL预测建模的基本步骤和关键技术细节,详细比较了几种代表性预测模型的性能。

实验结果显示浅层结构的支持向量回归模型的性能确实显著弱于包含深度神经网络的模型;而在深度神经网络中,卷积神经网络和循环神经网络又显示出了各自在挖掘复杂特征交互以及时序特征交互之间的强大能力。

最后展望了剩余寿命预测技术的发展前景并讨论了面临的主要挑战。

【总页数】9页(P937-945)【作者】王加昌;郑代威;唐雷;郑丹晨;刘梦娟【作者单位】中国核动力研究设计院核反应堆系统设计技术重点实验室;电子科技大学网络与数据安全四川省重点实验室【正文语种】中文【中图分类】TP181;TB114.3;TH17【相关文献】1.基于NARX神经网络的设备剩余使用寿命预测研究2.基于机器学习的压力传感器故障诊断及剩余寿命预测模型研究3.基于BiLSTM与注意力机制的剩余使用寿命预测研究4.基于SVDD和PF的剩余使用寿命预测方法研究5.基于DNN-DT的轴承剩余使用寿命预测方法研究因版权原因，仅展示原文概要，查看原文内容请购买。

基于维纳过程的电池剩余使用寿命预测

基于维纳过程的电池剩余使用寿命预测朱晓栋;陈则王【摘要】电池的剩余使用寿命预测是电池健康管理中的一个关键问题.针对传统的退化过程建模不能考虑同批次电池中个体差异的问题,提出了一种基于维纳过程的随机变量模型对电池在复杂环境下的退化特性进行建模,传统的线性维纳过程是其特例.依据该模型,可以得到电池的可靠性指标和剩余使用寿命.实验结果表明,所提出的退化过程建模方法比传统方法精度高,且具有一定的工程应用价值.【期刊名称】《机械制造与自动化》【年(卷),期】2018(047)004【总页数】4页(P197-200)【关键词】电池;剩余使用寿命;退化;维纳过程【作者】朱晓栋;陈则王【作者单位】南京航空航天大学自动化学院,江苏南京211106;南京航空航天大学自动化学院,江苏南京211106【正文语种】中文【中图分类】TM9120 引言近年来，伴随着电池技术的日趋完善，以蓄电池作为主要供能或储能原件的系统设备已广泛应用在各个领域，如各种便携式处理终端(作为手机、数码相机、笔记本电脑等电子产品的电源)、航空航天(作为飞机、卫星、空间站等高科技系统的供能与储能原件)、电动汽车(作为电动汽车的供电电源)、军事(为潜艇、坦克和舰船等军事装备供电)等。

然而，蓄电池在使用过程中存在着可靠性和安全性不高的缺点。

蓄电池能否正常运行，将直接决定着系统设备能否安全可靠地运行。

因此，对电池进行剩余寿命预测，保障电池的可靠性和安全性具有十分重要的意义[1-2]。

面对电池这种高可靠、长寿命的产品，传统的以大量寿命数据为基础，通过统计分析确定寿命分布的方法已不再适用。

考虑到电池剩余使用寿命预测具有随机、不确定性等特征，通过随机过程模型，在概率的框架下得到剩余使用寿命的概率分布，进而估计其可靠性和剩余使用寿命成为近年来一种热门的方法。

文献[3-4]采用截断正态分布估计电池退化状态，同时考虑了测量不确定性的影响，以获得更准确的剩余使用寿命分布。

基于深度学习方法的航空发动机寿命预测模型

基于深度学习方法的航空发动机寿命预测模型
郭晓静;贠玉晶;徐晓慧
【期刊名称】《振动．测试与诊断》
【年(卷),期】2024(44)2
【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。

【总页数】8页(P330-336)
【作者】郭晓静;贠玉晶;徐晓慧
【作者单位】中国民航大学航空工程学院;中国民航大学电子信息与自动化学院【正文语种】中文
【中图分类】TH17;TP183;V23
【相关文献】
1.基于自回归预测模型的深度注意力强化学习方法
2.基于数据优化的改进深度学习方法光伏出力超短期预测模型
3.基于多尺度融合预测模型的航空发动机剩余寿命预测
因版权原因，仅展示原文概要，查看原文内容请购买。