融合多传感器数据的发动机剩余寿命预测方法

针对基于单一传感器数据的剩余寿命预测方法存在数据利用率低和预测精度不高的问题，论文提出了一种融合多传感器数据的发动机剩余寿命预测方法。首先将多个传感器数据融合成一个复合健康指标来表征发动机的退化性能，采用线性维纳过程对复合健康指标进行退化建模，通过极大似然估计方法确定模型参数，进而得到发动机的预测寿命。为了确定融合系数，提出了一种利用真实寿命与预测寿命的预测均方误差最小化的方法。融合系数确定后，基于训练发动机历史寿命数据，确定出模型参数的离线估计值；然后利用Bayesian公式，同时结合发动机的实时监测数据与参数的先验分布对模型参数进行实时更新，接着在首达时间的意义下推导出剩余寿命的概率分布，进而实现了发动机的剩余寿命在线预测。最后，选择商用模块化航空推进系统仿真数据集进行数值仿真实验，结果表明：相较于基于单一传感器的方法，论文所提方法能够提高剩余寿命预测的准确性，其剩余寿命预测的相对均方误差降低了2%左右。     

一种基于神经网络的航空发动机剩余寿命预估方法

针对航空发动机剩余寿命预估中模型建立困难且计算精度低等问题,提出了一种基于卷积神经网络和长短期记忆神经 网络进行航空发动机剩余寿命预估的方法。利用卷积神经网络中的卷积层与池化层提取传感器数据中的特征,并依据卷积层提 取出的特征,利用长短期记忆神经网络进行时间序列预测,并使用全连接层输出航空发动机剩余寿命。在NASA的C-MAPSS提 供的涡扇发动机退化仿真数据集上对该方法进行了验证。结果表明：基于卷积神经网络和长短期记忆神经网络的航空发动机剩 余寿命预估方法,可以在保证预测精度的前提下,对航空发动机剩余寿命进行较为保守的预估,在保证资源不被浪费的情况下,尽 可能提前发出故障预警信号,从而提高飞行的安全性,进而为航空发动机健康管理系统提供有用信息。该预测方法在对称指标和 非对称指标上均优于此前提出的方法。     

基于非线性Wiener过程航空发动机性能退化预测

针对线性随机过程航空发动机剩余使用寿命预测精度不高的问题,提出一种漂移系数为指数形式的非线性Wiener过程发动机性能退化建模,进而预测航空发动机的剩余寿命。基于直接监测发动机性能退化数据,构建发动机性能退化模型,根据Wiener过程首达阈值时间的数学性质,推导出剩余寿命的概率分布。通过极大似然估计构建退化模型中未知参数的似然函数,利用遗传算法得到发动机总体模型参数的离线估计值。考虑到不同发动机个体间的差异性,采用贝叶斯公式,结合发动机的实时监测数据与总体模型参数的先验分布对模型中随机参数进行实时更新,从而对个体发动机的剩余寿命实时预测。最后,选择商用航空发动机仿真数据集(C-MAPSS)进行实验,结果表明：针对个体发动机基于非线性随机过程方法,实时更新非线性Wiener方法能够提高航空发动机循环中期剩余寿命预测的准确性,提供更加可靠的预防性维修决策。     

基于残差NLSTM网络和注意力机制的航空发动机剩余使用寿命预测

针对长短期记忆（LSTM）网络对于多维数据特征识别和提取上存在不足的问题，在其改进模型嵌套式长短期记忆（NLSTM）网络的基础上，提出了一种基于注意力机制和残差NLSTM网络的剩余使用寿命预测方法。该方法将双层NLSTM网络代替残差块中的主网络，保留捷径连接中的卷积神经网络结构，既能充分提取时序特征又能保证有用数据在网络层中的跳层传递，并融入注意力机制构建多层残差网络，注意力机制的使用能够选择出对预测结果有重要影响的信息，有效提高预测的准确率。在航空发动机退化实验数据集上进行实验分析，结果表明：所述方法能有效建立监测数据与发动机健康状态之间的关系，剩余使用寿命预测误差较未改进残差结构方法平均降低10.8%，比未融入注意力机制方法平均降低18.9%，有效提高了预测精度。     

基于KPCA-BLSTM的航空发动机多信息融合剩余寿命预测

复杂航空发动机在运行过程中易出现多退化信息而导致寿命预测不精确的问题,为此提出基于核主成分分分析（KPCA）和双向长短时记忆（BLSTM）神经网络的多信息融合寿命预测模型。首先采用KPCA 对多维退化数据集进行降维处理和信息融合,得到能够表征设备退化的低维特征数据集;然后利用BLSTM 神经网络模型对带有多维退化信息的航空发动机剩余寿命进行预测,得到监测数据与剩余寿命的映射关系;最后采用C-MAPSS 航空发动机退化数据集对提出的多信息融合寿命预测模型进行仿真验证,并与其他三种模型结果进行对比。结果表明：KPCA-BLSTM 能够对多维退化信息下的剩余寿命进行精准预测,本文提出的预测模型的误差与得分优于其他三种模型,而且预测精度更高。     

基于粒子滤波的结构疲劳裂纹扩展动态贝叶斯推断方法

准确预测结构的疲劳裂纹扩展过程是开展飞机单机寿命监控与剩余寿命估算的基础。提出一种基于动态贝叶斯网络的结构疲劳裂纹扩展预测方法,结合疲劳裂纹扩展的先验知识与后验知识来准确地推断裂纹长度;研究粒子滤波算法中不同粒子数对动态贝叶斯网络推断精度的影响规律;通过对单孔板结构与耳片连接结构件在随机载荷谱下进行裂纹扩展研究。结果表明：动态贝叶斯网络方法可以对复杂结构的疲劳裂纹扩展进行准确预测,预测精度相对于传统方法提高50% 以上。     

多重应力下滚动轴承剩余寿命预测

为了实现多重应力下滚动轴承的剩余寿命预测，有效利用不用应力下的退化数据，提出了一种基于加速模型和贝叶斯（Bayesian）理论的滚动轴承剩余寿命预测方法。通过拟合优度检验和威布尔（Weibull）概率图检验法对滚动轴承试验中的数据进行有效性分析。利用switching Kalman filters(SKF)判断滚动轴承各时刻的退化状态。当滚动轴承进入加速退化时，用指数模型拟合轴承退化过程，利用广义线性对数模型表示退化模型参数与应力的关系，根据修正后的轴承实时退化数据利用贝叶斯算法更新模型参数，得到滚动轴承剩余寿命的概率密度函数，从而实现滚动轴承剩余寿命预测。采用XJTU-SY轴承数据集进行验证，预测结果的均方根误差在20 min以内，证明该方法能够有效预测滚动轴承的剩余寿命。     

多特征注意力的航空发动机剩余寿命预测模型

航空发动机性能退化趋势复杂,适时地对其进行剩余寿命预测和检修维护十分重要。提出一种基于多特征注意力的膨胀卷积网络模型来预测航空发动机剩余使用寿命,利用膨胀卷积增强提取序列数据时序信息的能力,同时建立残差连接以改善传统卷积网络中的梯度消失问题。首先采用定长滑动时间窗沿时间维度截取数据,对数据进行重构;再对每个特征对应的时间序列单独应用膨胀卷积提取时序信息;引入特征注意力机制计算各特征之间的相对重要性;在公开的航空发动机数据集上进行验证,并对比现有的主流预测方法。结果表明：该模型在时间序列数据预测方面有着更高的精度。     

基于半随机滤波-期望最大化算法的剩余寿命在线预测

剩余寿命(RL)预测是设备预测维护的关键环节。准确在线预测能够为维护策略的实时安排提供更加精确的技术支持,有效避免失效的发生。工程实际中,反映设备退化过程的性能指标往往不能直接监测,为解决隐含退化过程的剩余寿命在线预测问题,提出一种基于半随机滤波-期望最大化(EM)算法的预测方法。首先以剩余寿命为隐含状态,构建状态空间模型描述直接监测数据与设备剩余寿命间的随机关系。为实现单个设备剩余寿命的在线预测,依据到当前时刻为止的监测数据,采用扩展卡尔曼滤波(EKF)与期望最大化算法相互协作的方法实时估计与更新模型未知参数和剩余寿命分布。最后,将该方法用于惯性测量组合(IMU)剩余寿命在线预测问题,实验结果表明该方法能够提高预测的准确性并减少预测的不确定性。     

基于InfoLSGAN和AC算法的滚动轴承剩余寿命预测

为解决小样本和噪声干扰下滚动轴承剩余寿命(RUL)预测准确率低的问题,提出一种基于信息最小二乘生成对抗网络(information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(actor-critic,AC)算法的滚动轴承剩余寿命预测方法。将堆叠降噪自动编码器、信息生成对抗网络和最小二乘生成对抗网络相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中滚动轴承的剩余寿命。通过滚动轴承加速疲劳寿命试验验证该方法的有效性。试验结果证明,当信噪比等于0时,该方法对滚动轴承测试样本的寿命预测准确率至少提高了10%。在小样本情况下,滚动轴承剩余寿命预测的平均准确率达9584%。     

复杂系统平均剩余寿命综合评估方法

 针对工程中广泛关注的平均剩余寿命问题， 首先利用信仰推断给出单个设备可靠度的置信分布， 包括指数分布、 威布尔分布和对数正态分布； 然后基于组成系统的设备试验信息， 结合系统的组成结构， 给出系统可靠度的置信分布， 接着根据可靠度和平均剩余寿命之间的关系， 建立复杂系统平均剩余寿命综合评估模型并给出具体的评估算法。 对于在设备试验中经常出现的右删失等不完全数据， 给出了将不完全数据虚拟成等效的完全数据的转化方法。 最后， 通过模拟研究和实例验证， 结果表明本文的方法较为精确， 能够满足工程的实际需求。     

基于融合神经网络的航空发动机剩余寿命预测

航空发动机的性能退化是影响飞机飞行安全的重要因素。准确预测发动机的退化过程,对于飞机安全飞行具有重要意义。针对航空发动机剩余寿命预测问题,本文提出了一种将卷积神经网络和长短期记忆网络相融合的数据驱动模型。与常规使用单一的神经网络不同,所提出的融合模型结合了两种神经网络的优点,利用卷积神经网络提取数据中的空间特征并采用长短期记忆网络提取时间特征。实验结果证实,在寿命预测中,所提出的数据驱动模型与已有的方法相比,评分和均方根误差分别下降了32%和6.4%,因此,所提出的数据驱动模型可对数据中所包含的信息进行充分挖掘,其对航空发动机寿命预测精度较高,并具有良好的稳定性。     

基于神经网络的轴承故障预测模型

利用在故障预测领域广泛应用的神经网络模型,对轴承监测数据的特征提取与建模,挖掘出监测数据与剩余寿命间内在关联,从而对轴承剩余寿命做出评估。在轴承全寿命数据的实际实验中,证实了该模型的有效性。     

基于在线学习的数控加工刀具寿命动态预测方法

预测刀具寿命对保证零件质量和控制加工成本意义重大,但刀具磨损过程复杂多变,刀具剩余寿命受工况影响难以准确预测。针对以上问题,提出了一种基于在线学习的刀具寿命动态预测方法,以长短时记忆网络为基础模型,融合在线学习模块,使得模型能够在加工过程中自动更新参数,实现变工况下刀具寿命的精确预测。进行了铣削加工试验,结果表明,刀具寿命动态预测方法可以有效提升刀具寿命预测精度。     

多传感器监测飞机部件非线性退化评估

飞机部件一般采用多传感器进行状态监控,针对退化过程具有非线性特征的民机典型部件剩余寿命（RUL）预测及评估问题,首先建立了部件性能参数的一般非线性Wiener退化过程,推导出基于多传感器监测数据的剩余寿命预测框架和概率密度函数,随后利用状态空间模型进行隐退化状态估计并同时利用最大期望算法（EM）实现参数递推估计,最后形成了飞机部件多传感器监测下的剩余寿命非线性退化评估方法。通过数值仿真案例和民航发动机剩余寿命预测案例,对比线性退化模型和基于单一传感器监测数据的非线性退化模型,验证了所提方法在提高剩余寿命预测精度的有效性,可为飞机及其部件的剩余使用寿命预测和视情维护决策提供技术支撑。     

基于LASSO变量选择的航空发动机相似性剩余寿命预测

由于航空发动机监测变量众多,传统方法直接选取性能退化趋势明显的变量进行寿命预测,所以提出一种基于LASSO(least absolute shrinkage and selection operator)的变量选取方法,结合相似性寿命预测方法有效提高了预测精度。基于K-means聚类区分不同工况,对航空发动机多个监测变量根据聚类结果进行变量转换。基于LASSO方法选取最优传感器变量。基于相似性方法进行航空发动机剩余寿命预测。将基于LASSO的变量选取方法与传统的根据退化趋势大小进行选择的方法进行剩余使用寿命预测的结果进行了对比研究。结果表明：基于LASSO选取变量的相似性寿命预测误差的标准差在3种运行周期下分别减少了约1.84、3.46、4.23。     

基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命预测

针对航空发动机在性能衰减过程中普遍存在的非线性和三源不确定性问题,提出了一种基于非线性Wiener过程的航空发动机性能衰减建模与剩余寿命（RUL）预测方法。首先,为解决目前大多数剩余寿命预测方法中潜在假设的局限性,即当前时刻估计的漂移系数与上一时刻漂移系数的后验估计完全相等,在状态空间模型的框架下建立了一类新的同时考虑非线性和三源不确定性的性能衰减模型,并在首达时间下推导出剩余寿命的分布。然后,针对新研发航空发动机缺乏历史数据和先验信息的问题,提出了一种基于Kalman滤波和条件期望最大化（ECM）算法的参数估计方法,使得估计的模型参数不依赖于历史数据量。同时能够在获得一个新的性能衰减数据后,实现对模型参数的自适应估计和在线更新,进而实时地更新航空发动机的剩余寿命分布。实验结果表明,本文方法可以有效地提高剩余寿命预测的准确性,能为航空发动机的维修决策提供可靠的依据。     

基于SAE-SA-1D-CNN-BGRU的涡扇发动机剩余寿命预测

为解决涡扇发动机监测数据维度高和寿命预测准确度低的问题,提出一种基于深度学习的寿命预测方法,开展了利用 神经网络获取涡扇发动机剩余寿命的研究。利用堆叠自编码（SAE）网络从高维传感器数据中提取健康因子（HI）,采用1维卷积神 经网络-双向门控循环单元（1D-CNN-BGRU）方法捕捉HI序列中的空间和时间特征,并引入自注意（SA）机制对捕捉的特征分配 权重,使用全连接层输出涡扇发动机剩余使用寿命（RUL）,以此构建复合神经网络进行面向涡扇发动机高维数据的寿命预测。结 果表明：利用NASA官方网站提供的涡扇发动机寿命试验公开数据集C-MAPSS对该方法进行验证,取得了均方根误差16.22和评 分函数225的结果。证明了基于SAE-SA-1D-CNN-BGRU的寿命预测方法可实现涡扇发动机寿命的有效预测,能为涡扇发动机 维修保障及健康管理提供有效决策支撑。     

多退化变量下基于Copula函数的陀螺仪剩余寿命预测方法

针对惯性导航系统中陀螺仪多退化变量条件下的剩余寿命（RUL）预测问题,提出了一种基于Copula函数的多退化变量剩余寿命预测方法。首先,针对退化变量间不同的退化轨迹,采用不同的方法进行退化建模,并对于陀螺漂移系数样本标准差数据波动性随时间递增的特性,提出了一种方差时变的正态随机过程退化建模方法,得到了陀螺仪剩余寿命的边缘分布函数。然后,通过Copula函数来描述退化变量之间的相关性,将得到的剩余寿命的边缘分布进行融合,得到了陀螺仪剩余寿命的联合分布函数。最后,通过陀螺仪实例分析验证了方法的适用性和可行性。     

固体火箭发动机装药贮存寿命预测方法

针对固体火箭发动机装药贮存寿命预估的难题,开展了固体火箭发动机贮存可靠性、装药老化性能、药柱结构完整性分析等几个方面的研究,建立了GM-RBF网络模型、基于修正Ar-rhenius的交变温度预测模型、基于加速老化和结构完整性分析的装药贮存寿命预估模型,从不同角度来对装药贮存寿命进行组合预测.在此基础上,设计和开发了预测系统,通过实验数据和仿真分析,得到实例的装药贮存寿命区间为10.5～13.2y.研究表明:这种组合预测的方法避免了单一算法的局限性,提高了预测精度.