剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信...剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。展开更多
针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数...针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。展开更多
准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状...准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状态评估与寿命预测方法进行了大量研究,提出了多种方法。首先,介绍了SOC与SOH的定义及已有估算方法,并进行了对比;然后,介绍了RUL的定义,并对主要方法进行了分类与比较;最后,总结了锂离子电池状态估计与寿命预测方面存在的挑战,并提出了未来的发展方向。展开更多
Nonlinearity and implicitness are common degradation features of the stochastic degradation equipment for prognostics.These features have an uncertain effect on the remaining useful life(RUL)prediction of the equipmen...Nonlinearity and implicitness are common degradation features of the stochastic degradation equipment for prognostics.These features have an uncertain effect on the remaining useful life(RUL)prediction of the equipment.The current data-driven RUL prediction method has not systematically studied the nonlinear hidden degradation modeling and the RUL distribution function.This paper uses the nonlinear Wiener process to build a dual nonlinear implicit degradation model.Based on the historical measured data of similar equipment,the maximum likelihood estimation algorithm is used to estimate the fixed coefficients and the prior distribution of a random coefficient.Using the on-site measured data of the target equipment,the posterior distribution of a random coefficient and actual degradation state are step-by-step updated based on Bayesian inference and the extended Kalman filtering algorithm.The analytical form of the RUL distribution function is derived based on the first hitting time distribution.Combined with the two case studies,the proposed method is verified to have certain advantages over the existing methods in the accuracy of prediction.展开更多
文摘剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。
文摘针对航空发动机结构复杂、性能退化参数众多、寿命预测精度低等问题,提出了一种基于退化特征相似性的寿命预测方法。首先通过基于Relief算法的退化特征筛选、基于主成分分析(principal component analysis,PCA)的特征提取和基于核函数的特征平滑,提取低维正交多变量退化特征;然后进行特征的相似性匹配,寻找与当前样本特征片段最相似的一组历史样本中的特征片段集合,将这些片段对应的RUL信息融合并采用密度加权方法得到当前样本的寿命预测估计值;最后通过美国国家航空航天局(national aeronautics and space administration,NASA)提供的航空涡轮扇发动机仿真数据集验证了该方法的有效性,其寿命预测性能高于现有几种代表性方法。
文摘准确估计锂离子电池荷电状态(state of charge,SOC)、电池健康度(state of health,SOH)以及预测电池剩余寿命(remaining useful life,RUL)是电池管理的重要内容,对延长电池寿命和保证电池系统可靠性具有重要意义。各国研究人员对电池状态评估与寿命预测方法进行了大量研究,提出了多种方法。首先,介绍了SOC与SOH的定义及已有估算方法,并进行了对比;然后,介绍了RUL的定义,并对主要方法进行了分类与比较;最后,总结了锂离子电池状态估计与寿命预测方面存在的挑战,并提出了未来的发展方向。
基金supported by the National Defense Foundation of China(7160118371901216)the China Postdoctoral Science Foundation(2017M623415)
文摘Nonlinearity and implicitness are common degradation features of the stochastic degradation equipment for prognostics.These features have an uncertain effect on the remaining useful life(RUL)prediction of the equipment.The current data-driven RUL prediction method has not systematically studied the nonlinear hidden degradation modeling and the RUL distribution function.This paper uses the nonlinear Wiener process to build a dual nonlinear implicit degradation model.Based on the historical measured data of similar equipment,the maximum likelihood estimation algorithm is used to estimate the fixed coefficients and the prior distribution of a random coefficient.Using the on-site measured data of the target equipment,the posterior distribution of a random coefficient and actual degradation state are step-by-step updated based on Bayesian inference and the extended Kalman filtering algorithm.The analytical form of the RUL distribution function is derived based on the first hitting time distribution.Combined with the two case studies,the proposed method is verified to have certain advantages over the existing methods in the accuracy of prediction.
