基于不完美先验信息的随机系数回归模型剩余寿命预测方法

剩余寿命预测是设备预测与健康管理的核心问题，准确的剩余寿命预测可以在故障发生前进行有效的维护保养，以减小设备故障发生的概率。针对实际剩余寿命预测中先验信息不足或缺乏的问题，提出一种克服不完美先验信息影响的启发式剩余寿命预测方法。首先，利用非线性随机系数回归模型进行退化建模。其次，证明了基于单个设备现场退化数据，期望最大化（EM）算法的参数估计结果收敛于极大似然估计（MLE）算法的参数估计结果，并提出一种合理融合先验信息和现场信息的启发式剩余寿命预测方法。最后，通过数值仿真数据和实际锂电池退化数据对提出的结论和方法进行了验证，结果表明:启发式剩余寿命预测方法相比传统贝叶斯方法能够较好地克服不完美先验信息的影响，更为准确的预测设备地实际剩余寿命。      

基于Wiener过程的发动机多阶段剩余寿命预测

针对现阶段发动机的寿命预测研究没有考虑到非线性与多阶段的问题,提出了基于多阶段非线性Wiener过程的航空发动机实时剩余寿命预测的方法。该方法融合了同类型发动机的历史性能退化监测数据与个体发动机的实时监测数据。首先,考虑了发动机性能退化非线性的特点,并采用多阶段Wiener过程建立发动机的性能退化模型。然后,根据发动机的历史性能监测数据,利用极大似然估计和一维搜索方法进行参数先验分布的估计。再次,在先验分布和个体发动机的退化数据的基础上,用贝叶斯方法对参数分布更新。最后,得到个体发动机剩余寿命的实时预测值。通过实例验证本文方法预测的准确性。      

状态划分下基于Bi-LSTM-Att的轴承剩余寿命预测

准确预测滚动轴承剩余使用寿命(remaining useful life, RUL),对于保证工程设备安全稳定可靠运行具有极其重要的作用.现有深度学习预测方法往往直接建立振动监测数据与剩余寿命之间的映射关系,通常忽略滚动轴承性能退化的不同状态差异性,且并未考虑深度学习模型所提取各类特征的差异性,给剩余寿命预测结果带来了极大的偏差.鉴于此,提出一种新型滚动轴承退化状态划分方法和RUL预测方法.提取轴承振动信号的特征,利用Mann-Kendall检验法进行趋势判断,确定出退化期的起始点;通过归一化奇异值相关系数走势确定出慢速退化期的终点;构建基于融合注意力机制的双向长短时记忆网络(bidirectional long short-term memory with attention, Bi-LSTM-Att)的滚动轴承RUL预测模型,利用所截取的慢速退化期数据与对应RUL标签训练预测模型实现RUL预测.通过轴承公开数据集验证所提方法对轴承RUL预测的准确性和有效性.     

基于Wiener过程的载人飞船热控泵寿命预测

载人飞船热控制循环泵(以下简称热控泵)属于高可靠性航天产品,在试验和使用中出现的寿命失效数据极少,采用传统的基于大样本寿命数据的可靠性分析方法难以满足工程要求。首先根据热控泵的试验数据和退化失效机理,确定关键性能参数为扬程和功率,采用带有正向漂移的Wiener过程拟合这两项性能的退化数据,建立性能退化轨道模型,并用随机加权方法解决模型参数估计时的小子样问题;根据退化失效的定义确定热控泵的寿命分布模型,与传统寿命分布模型不同的是,分布模型中的参数具有明确的物理含义;最后根据试验数据对热控泵的寿命进行预测,验证方法的有效性。     

基于超统计的多阶段航空发动机剩余寿命预测

针对传统航空发动机剩余寿命（RUL）预测模型无法客观描述多阶段性能衰退过程及对于RUL预测精度不高的问题, 提出了一个新的多阶段航空发动机RUL预测模型, 包括超统计理论、突变点检测、无迹卡尔曼滤波（UKF）与非线性预测4部分内容。提出了基于超统计理论的多阶段分割滤波（BS-MSF）算法。首先, 该算法采用超统计理论进行突变点检测, 将航空发动机的健康数据划分为多个退化阶段；其次, 应用UKF对融合的时变参数进行滤波处理；最后, 通过非线性拟合对发动机RUL进行预测, 实验采用美国NASA发布的航空发动机数据进行数据分析和验证。结果表明:所提算法在发动机性能退化中的预测具有更好的适应性和更小的拟合误差, 能更准确地预测发动机的RUL, 预测精度比单阶段方法提高5.5%。      

基于多尺度时间卷积网络的航空发动机寿命预测

剩余寿命预测对于航空发动机设备的安全运行、制定维修计划具有重要的意义.目前现有方法无法有效提取设备复杂工况和复杂故障下的退化特征.针对此问题,提出一种基于多尺度时间卷积网络(MTCN)的发动机寿命预测方法.该方法利用时间卷积网络提取数据时序信息,并通过多尺度卷积核的不同感受野提取设备复杂工况下的退化特征,从而更好地预测极端条件下的设备剩余使用寿命(RUL)值.为了验证所提出方法的有效性,在航空发动机C-MAPSS数据集上进行试验.结果表明所提出方法能有效提高设备在复杂工况和复杂故障下的RUL预测精度.     

基于变分自编码器的多维退化数据生成方法

数据驱动的剩余使用寿命（RUL）预测方法不依赖于复杂的物理模型，可以直接利用设备历史运行数据与当前监测数据对设备RUL进行预测，对制定合理的维修策略，降低设备的维护成本具有重要意义。但是数据驱动的RUL预测方法依赖于大量历史数据，在数据不足时，尤其是多维退化数据，模型难以取得良好的预测效果。针对这一问题，提出一种多维退化数据生成方法，所提方法构建了一种全局优化模型，以条件变分自编码器作为生成模型，提取多维退化数据特征并生成相似数据扩充RUL预测模型训练集，利用长短时记忆网络作为RUL预测模型，所提方法能够通过RUL预测模型更新生成模型的参数提高模型的效果，同时利用更新后的生成模型提高剩余寿命预测模型在退化数据不足情况下的效果。使用航空发动机退化数据进行了案例验证，通过对比未加入生成数据训练得到的RUL预测模型与加入生成数据训练得到的RUL预测模型的表现，验证了所提方法在解决RUL预测模型训练数据不足方面的优越性。     

基于DS证据理论的航天设备寿命预测方法

以动量轮为研究对象,提出一种基于D S证据理论和Bayes理论的信息融合及寿命预测方法。首先,挖掘多个寿命信息源的内、外部信息作为Bayes多源验前信息,并构建证据集合;其次,利用合成规则对证据集合进行合成,得到合理的验前融合权重的分配结果;然后,利用Bayes方法求解寿命参数的融合验后分布,并计算寿命参数的估计值;最后,根据参数估计值预测设备的剩余寿命。仿真结果表明,基于多源寿命信息融合的预测结果与单一来源的寿命预测结果相比,更加接近于设备的真实寿命信息。     

面向装备RUL预测的平行仿真技术

装备平行仿真是系统建模与仿真领域的新兴仿真技术,已经成为研究热点。在装备维修保障领域中,分析了装备剩余寿命（RUL）预测存在的突出问题,即模型参数固定、不具备自适应演化能力,成为阻碍实现装备剩余寿命自适应预测的首要因素。结合装备平行仿真理论,在建模分析的基础上提出了面向装备剩余寿命预测的平行仿真框架,该框架以Wiener状态空间模型为基础仿真模型,在动态注入的装备退化观测数据驱动下,利用期望最大化（EM）算法在线更新模型参数,并利用卡尔曼滤波（KF）算法实现仿真输出数据与观测数据的同化（DA）,从而实现仿真模型动态演化,使得仿真输出不断逼近装备真实退化状态,为准确预测剩余寿命提供高逼真度仿真模型和数据输出。以某轴承性能退化数据为数据驱动源,对该框架进行了验证,仿真结果表明平行仿真方法能准确仿真装备性能退化过程,在提高预测精度的基础上实现了装备剩余寿命的自适应预测,有力证明了平行仿真方法的可行性和有效性。      

变工况条件下基于相似性的剩余使用寿命预测方法

剩余使用寿命(RUL)预测是预测与健康管理(PHM)中的核心环节。提出一种变工况条件下基于相似性的RUL预测方法。结合相似性预测方法无需进行复杂的退化过程建模而能提供合理预测的优势,引入工况即设备工作时所处的环境或操作载荷等因素的影响来提升设备RUL预测准确性。对参考样本建立多工况的设备退化模型提升模型精度,在服役样本相似性度量预测中进行工况的匹配以实现在变工况下的RUL预测。方法能够更准确地描述实际工程中设备的退化过程和个体差异。依据相同准确度标准完成多组基本相似性方法和本文方法的对比实验结果表明,本文方法能够有效提高RUL预测准确度。      

考虑冲击韧性的退化-冲击相依竞争失效建模

复杂系统的失效通常是退化失效与随机冲击导致的突发失效之间耦合竞争的结果。针对某些具有冲击韧性的系统，提出了一种基于非线性Wiener过程的退化-冲击相依竞争失效模型与可靠性评估方法。首先，采用m-δ冲击模型考虑了系统抵抗冲击载荷的能力，即只有随机冲击频率高于一定水平才会导致突发失效，其余情况只会对退化过程产生影响。然后，在此基础上，通过修正非线性Wiener过程模型来考虑随机冲击对系统退化在退化增量和退化速率两方面的影响。最后，采用某空间用存储芯片案例对所提方法进行验证，并开展了参数敏感性分析，结果表明了所提方法的合理性与有效性。      

基于随机相关的电子部件二元加速退化可靠性评估

针对加速应力下电子部件二元相关退化可靠性分析难题,提出一种基于随机相关的可靠性分析方法。采用考虑个体差异的Wiener过程模型建立边缘退化过程模型,并基于加速因子不变原则建立了模型参数与加速应力的关系;构建了基于Copula函数的随机相关模型,采用两阶段贝叶斯参数估计方法进行参数估计,综合运用散点图、偏差信息准则（DIC）值以及Kendall τ的非参数估计值等方法进行随机相关模型选择,并采用蒙特卡罗仿真方法进行可靠度计算。最后采用实例验证了所提方法有效性,为考虑个体差异的贮存可靠性评估提供了技术支撑。      

基于退化量分布时序分析的产品寿命预测

针对现有性能退化预测方法采用单调回归函数对产品退化随机过程描述不够合理的问题,从产品在各时刻退化量分布角度出发,分析退化量分布参数估计的非平稳时序类型,并对各参数估计分别采用相应类型的非平稳时序分析方法建模,进而给出一种与实际退化随机过程更为相符的基于退化量分布的产品寿命及可靠度预测方法.通过对某电子产品的退化试验,采用所提出的寿命预测方法进行了该电子产品寿命及可靠度预测.结果表明该方法相比传统方法更符合实际.      

基于Transformer模型的滚动轴承剩余使用寿命预测方法

准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率，提出一种基于Transformer模型的轴承RUL预测方法，充分利用其自注意力机制与编码器-解码器结构的优势，解决轴承RUL预测中序列过长而导致的记忆力退化问题，挖掘出输入特征与轴承RUL之间复杂映射关系。同时，采用三角函数变换与累积变换来修正输入特征的单调性与趋势性，使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明：所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%，平均得分分别提高了2.78%、19.79%、29.38%；在XJTU-SY数据集上的实验结果表明，所提方法相比于对比方法均方根误差降低了17.4%，平均得分提高了18.6%，进一步证明了其可行性与优越性。     

飞机液压泵二维性能退化的可靠性评估

飞机液压泵为飞机操纵、起落架收放和刹车提供高压能源,其安全性和可靠性至关重要。针对飞机液压泵二维退化可靠性评估问题,构建了基于液压泵微观表面混合润滑的转子-配流盘摩擦副和轴尾密封副的摩擦磨损退化模型,基于统一随机过程模型描述2个性能指标的退化规律,利用Copula函数表征二维性能退化的相关关系,使用贝叶斯马尔可夫链蒙特卡罗法得到其考虑二元相关退化模型的未知参数估计,进而对飞机液压泵进行了可靠性评估。通过液压泵回油流量及轴尾密封摩擦力矩2个性能退化指标的实际退化数据,验证了所提出的理论和方法。结果表明,考虑2个性能退化指标相关的退化模型有效提高了可靠性评估及寿命预测精度。     

双时间尺度下基于Transformer的锂电池剩余寿命预测

准确预测锂离子电池剩余使用寿命对于掌握其健康状况和管理备件资源具有重要作用.现有锂电池剩余寿命预测方法大多局限于以循环次数为主的预测结果,本质上属于面向单一时间尺度的方法,忽略了锂电池健康状态受循环次数与工作时长双重时间尺度下的退化综合影响的现实问题.提出一种双时间尺度下基于Transformer的锂电池RUL预测模型.该方法选取容量作为表征其性能退化的关键指标,通过Kalman滤波和滑动时间窗对电池容量数据进行处理获取训练集和测试集,有效提取双时间尺度中蕴含的寿命信息,并充分考虑不同时间尺度寿命信息间的相互关系,建立容量与双重时间尺度的映射关系,实现了锂电池在双时间尺度下的RUL准确预测.通过锂电池实例验证了所提方法的有效性和潜在应用价值.     

BLDC电机温度退化多段Wiener过程建模

无刷直流（BLDC）电机应用广泛,其温度退化过程呈现多段性,需建立多段退化模型,而模型参数较多时,参数估计过程对初始值敏感且易陷入局部最优。首先,针对电机的加速退化数据进行研究,采用正态加权平均（Gauss滤波）的方式滤波,改进实际数据在模型参数的估计中的应用。然后,引入转换函数对Wiener模型改进,建立多段Wiener模型。其次,以极大化似然函数进行参数估计,计算时采用改进粒子群优化（PSO）算法得到估计值,对比非线性模型的残差的正态性,同时分析各模型理论寿命分布及实际该批次失效分布,确定多段模型合理性;得到的模型结果说明电机在退化过程中发生了退化机理的改变,且变换速度快。最后,以非线性模型不同时刻的寿命分布给出该应力下电机的寿命预测,这对电机的预测与健康管理（PHM）有重要意义。      

产品性能可靠性评估的时序分析方法

针对航空航天产品高可靠性、长寿命的特点,通过综合时序模型对随机序列自拟合性强与短期预测精度高的优点,提出了两类基于性能退化数据的产品可靠性评估时序模型方法.首先,从性能退化量分布的角度出发,在假设退化量分布类型不随时间变化的前提下,利用时间序列建立了性能退化分布参数的分析模型,进而根据可靠度与性能退化量分布的关系进行可靠性评估.然后,从退化轨迹的角度出发,对所有样本的退化轨迹进行时序分析与建模,外推伪失效区间与伪失效寿命值,进而采用完全寿命试验数据的统计方法进行可靠性评估.最后,对某金属材料疲劳裂纹扩展数据进行可靠性评估与寿命预测,结果表明该方法具有良好的稳健性.     

多机理下的卫星寿命预测方法与应用

针对卫星寿命预测的需求和以往方法未考虑突发故障及退化失效的不足,提出了综合多种机理进行寿命预测的方法。归纳了星上产品的寿命特征和卫星到寿原因,指出了卫星随机失效的分布特征;针对随机失效,建立随单星工作时间和系统结构变化的剩余寿命预测模型,给出了利用动态的在轨工作状态数据求解多阶段分布参数的算法,从而实现剩余寿命的动态分析;综合随机失效、退化、消耗及其在轨变化规律,提出了适用于多机理的、竞争性的寿命预测方法。案例分析表明,综合考虑突发故障、退化失效和消耗,可以得到更合理的寿命预测结果,在星座维持策略中提高备份星计划的可信性。     

基于相关分析和组合神经网络的退化预测

产品剩余寿命预测是加速退化试验和故障预测与健康管理两大热点领域中的关键技术之一.为了解决复杂退化的预测问题,提出了一种新型预测方法,对退化轨迹能够实现较长距离的预测.此方法首先对复杂退化数据进行小波变换,通过Durbin-Watson方法和偏相关图分析各级分解序列的自相关性,最后根据序列的特点,组合BP(Back Propagation)和小波神经网络对退化轨迹进行预测.为了验证所提组合神经网络方法的有效性,采用小波神经网络的预测结果进行对比分析.实际退化数据的预测结果表明,所提方法比单独采用小波神经网络,具有更小的均方差(MSE,Mean Square Error),对剩余寿命(RUL,Remaining Useful Life)也具有更高的预测精度.