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。     

基于性能非线性退化统计模型的发动机剩余寿命预测

针对航空发动机在性能退化过程中普遍存在的非线性和不确定性问题,提出一种基于非线性退化数据的统计模型和剩 余寿命预测方法。通过对发动机性能真实退化轨道的分析,采用统计回归的建模方法建立发动机退化轨道模型,利用发动机的历 史数据,通过最小二乘估计求解模型中的未知参数;根据贝叶斯准则,以发动机实时监测数据与参数的先验分布对模型中的参数 进行实时更新,以发动机性能退化量首次达到红线值作为失效依据,采用蒙特卡洛仿真的方法得到发动机剩余寿命分布,实现了 对个体发动机剩余寿命的预测;通过试验数据进行发动机剩余寿命的预测,验证了该方法的准确性。结果表明：根据发动机退化 数据结合退化模型得到的个体发动机剩余寿命实时预测值末端均方根误差为0.02588,可以辅助指导维修决策。     

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。     

基于Wiener过程的民用航空发动机性能可靠性预测

通过对民用航空发动机性能退化数据的分析,提出了一种有效融合先验退化数据和现场退化数据的性能可靠性评估和剩余寿命预测方法.首先在先验退化数据的基础上确定Wiener过程参数的先验分布,然后利用贝叶斯方法融合新增的现场数据,对Wiener过程参数进行更新,并在此基础上对单台发动机进行性能可靠性评估和剩余寿命预测.该方法能根据现场退化数据不断地对可靠性和剩余寿命进行更新.最后通过某航空公司发动机性能退化数据验证文中提出的方法,结果表明41号发动机在2000循环和3000循环时预测的剩余寿命相对误差分别为0.060和0.018,可以满足航空公司发动机下发计划制定的实际需要.     

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。     

考虑起飞工况的航空发动机性能退化预测研究

针对现阶段航空发动机性能退化建模研究没有考虑起飞工况的影响问题，提出了基于修正的非线性维纳过程发动机性能退化建模方法。该方法结合了同类型号发动机的历史性能退化数据与个体发动机的实时退化和工况数据。首先，考虑发动机每次起飞的工况不同，把工况修正引入非线性维纳过程建立发动机的性能退化模型。然后利用极大似然估计方法求得退化模型离线估计值，基于贝叶斯理论对退化参数进行在线更新，最后基于局部线性嵌入算法，对工况参数进行融合构建工况因子，修正退化参数，实现了基于起飞工况的单台发动机性能退化预测。结果表明，采用融合工况因子修正模型，与未修正和压比修正模型相比，平均绝对百分比误差分别降低1.50%和1.01%。证明融合工况因子修正模型能降低发动机起飞工况差异和仅用单工况参数修正所造成的预测误差，可以用来辅助指导下发决策。     

基于气路参数融合的涡扇发动机性能退化预测

针对单参数驱动的涡扇发动机性能退化预测精度不高的问题，提出了一种基于气路参数融合的涡扇发动机性能退化预测的方法。通过监测发动机性能退化过程中多源参数，采用专家经验和核主成分分析相结合的方法，进行发动机性能参数的选择和融合，从而构建健康参数。基于非线性Wiener过程构建涡扇发动机退化模型，采用极大似然方法求得发动机退化模型的离线参数估计值；由于不同发动机性能退化的差异性，基于贝叶斯更新理念对随机参数进行实时更新，可以实现对单台发动机的性能退化实时预测。通过实例验证，采用此方法在预测末端方均根误差为0.028 3，整体预测精度提升了54.5%，可以辅助指导维修决策。      

潜在故障期内航空发动机的剩余寿命预测

在航空发动机的潜在故障期内,状态参数的变化规律可以间接地预测发动机的剩余寿命。针对潜在故障期内的特点,利用随机滤波理论建立了航空发动机的剩余寿命预测模型,并采用K-M法检验发动机性能参数的退化数据服从威布尔分布,按照最优线性无偏估计的点估计方法和极大似然函数法对相关参数进行点估计,举例对某型航空发动机在潜在故障期内的剩余寿命进行了预测。模型有效地预测了航空发动机的剩余寿命,为航空发动机的视情维修提供了决策依据。     

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。     

Remaining useful life prediction based on variation coefficient consistency test of a Wiener process

High-cost equipment is often reused after maintenance, and whether the information before the maintenance can be used for the Remaining Useful Life (RUL) prediction after the maintenance is directly determined by the consistency of the degradation pattern before and after the maintenance. Aiming at this problem, an RUL prediction method based on the consistency test of a Wiener process is proposed. Firstly, the parameters of the Wiener process estimated by Maximum Likelihood Estimation (MLE) are proved to be biased, and a modified unbiased estimation method is proposed and verified by derivation and simulations. Then, the h statistic is constructed according to the reciprocal of the variation coefficient of the Wiener process, and the sampling distribution is derived. Meanwhile, a universal method for the consistency test is proposed based on the sampling distribution theorem, which is verified by simulation data and classical crack degradation data. Finally, based on the consistency test of the degradation model, a weighted fusion RUL prediction method is presented for the fuel pump of an airplane, and the validity of the presented method is verified by accurate computation results of real data, which provides a theoretical and practical guidance for engineers to predict the RUL of equipment after maintenance.     

A step parameters prediction model based on transfer process neural network for exhaust gas temperature estimation after washing aero-engines

The prediction of Exhaust Gas Temperature Margin(EGTM) after washing aeroengines can provide a theoretical basis for airlines not only to evaluate the energy-saving effect and emission reduction, but also to formulate reasonable maintenance plans. However, the EGTM encounters step changes after washing aeroengines, while, in the traditional models, a persistence tendency exists between the prediction results and the previous data, resulting in low accuracy in prediction. In order to solve the pr...     

Lifetime prediction based on Gamma processes from accelerated degradation data

Accelerated degradation test is a useful approach to predict the product lifetime at the normal use stress level, especially for highly reliable products. Two kinds of the lifetime prediction based on Gamma processes were studied. One was to predict the lifetime of the population from accelerated degradation data, and the other was to predict the lifetime of an individual by taking the accelerated degradation data as prior information. For an extensive application, the Gamma process with a time transformation and random effects was considered. A novel contribution is that a deducing method for determining the relationships between the shape and scale parameters of Gamma processes and accelerated stresses was presented. When predicting the lifetime of an individual, Bayesian inference methods were adopted to improve the prediction accuracy, in which the conjugate prior distribution and the non-conjugate prior distribution of random parameters were studied. The conjugate prior distribution only considers the random effect of the scale parameter while the non-conjugate prior distribution considers the random effects of both the scale and shape parameter. The application and usefulness of the proposed method was demonstrated by the accelerated degradation data of carbon-film resistors.     

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。     

Remaining useful life prediction of aircraft lithium-ion batteries based on F-distribution particle filter and kernel smoothing algorithm

As an emergency and auxiliary power source for aircraft, lithium (Li)-ion batteries are important components of aerospace power systems. The Remaining Useful Life (RUL) prediction of Li-ion batteries is a key technology to ensure the reliable operation of aviation power systems. Particle Filter (PF) is an effective method to predict the RUL of Li-ion batteries because of its uncertainty representation and management ability. However, there are problems that particle weights cannot be updated in the prediction stage and particles degradation. To settle these issues, an innovative technique of F-distribution PF and Kernel Smoothing (FPFKS) algorithm is proposed. In the prediction stage, the weights of the particles are dynamically updated by the F kernel instead of being fixed all the time. Meanwhile, a first-order independent Markov capacity degradation model is established. Moreover, the kernel smoothing algorithm is integrated into PF, so that the variance of the parameters of capacity degradation model keeps invariant. Experiments based on NASA battery data sets show that FPFKS can be excellently applied to RUL prediction of Li-ion batteries.