焊接结构对某型金属波纹管使用寿命的影响分析

针对某补偿器波纹管出现的疲劳泄漏问题,开展了焊接结构对波纹管使用寿命的影响分析研究.首先,利用微结构分析的方法研究焊接结构形貌特性,并分析裂纹扩展机理,建立焊接结构的有限元模型;然后,利用子模型方法,对不同厚度焊缝的工作应力进行了计算分析,并提出波纹管焊接结构优化方案;最后,基于计算结果和疲劳寿命理论,对原始、改进波纹...     

基于长短期记忆网络与轻梯度提升机的航空发动机大修期内剩余寿命预测

针对航空发动机大修期内由性能主导的剩余使用寿命预测中复杂设备具有状态变量多、非线性特征严重的特点以及单 一模型面临特征提取不充分、预测精度不足等问题,提出一种长短期记忆网络（LSTM）与轻梯度提升机（LightGBM）的组合新模型 方法进行大修期内剩余使用寿命（RUL）预测。通过LSTM对原始数据进行特征提取,将LSTM的输出门中特征提取后的数据作为 LightGBM模型的输入进行RUL预测。利用NASA提供的发动机实测数据集进行了仿真试验,实现了对单个发动机的RUL预测, 并与其他6种模型预测结果进行对比,对其预测剩余使用寿命的有效性进行验证。结果表明：LSTM和LightGBM组合模型比其他 模型的预测误差显著减小,其4组数据集均方根误差仅为12.45、20.23、12.58、21.75。     

基于SFEM的结构元件疲劳可靠性分析

将结构元件的弹性模量、泊松比、几何尺寸定义为随机场,并将随机场离散成随机变量,将抗拉强度定义为随机变量,采用Monte Carlo随机有限元法(MCSFEM),给出了元件危险点应力的随机分布。由危险点应力分布、材料的p-S-N曲线和Miner理论给出了概率名义应力法,计算常幅载荷下元件的寿命分布,并利用剩余寿命模型计算元件的可靠度。给出了两个算例,结果表明:计算结果与试验结果吻合良好。     

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。     

静止轨道自旋卫星离轨控制策略的研究

对静止轨道自旋卫星离轨控制策略进行了分析。通过某静止卫星离轨控制的实际工作,分析了有关离轨控制策略制定原则,详细阐述离轨控制策略制定及离轨控制过程中需要考虑的约束条件,总结出适于静止轨道自旋卫星的离轨控制策略。     

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。     

复合材料直升机平尾结构概率损伤容限评估

考虑工作应力和剩余强度的随机性，建立了航空复合材料结构概率损伤容限评估的应力-剩余强度干涉模型，以复合材料直升机平尾结构为研究对象，统计分析了工作应力、损伤尺寸、初始强度和疲劳极限等随机因素，基于考虑损伤尺寸效应的剩余强度模型，利用Monte-Carlo方法，评估了复合材料直升机平尾结构的失效概率。结果表明，建立的航空复合材料结构概率损伤容限评估方法是可行的，考虑了复合材料结构制造和服役过程中众多随机因素对剩余强度的影响，符合实际情况；损伤类型和损伤修复效率对复合材料直升机平尾结构的失效概率有显著影响，穿透型损伤对平尾结构可靠度的不利影响大于分层损伤，平尾结构的失效概率随着修复效率增大而降低。     

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Box-Cox变换与随机系数回归模型的非线性退化设备剩余寿命预测方法

准确预测退化设备的剩余寿命可以为设备维护管理提供重要信息支撑，进而避免设备运行中发生计划外失效、减少设备运行维护成本。针对工程实际设备广泛存在的非线性退化现象，提出了基于Box-Cox变换与随机系数回归模型的非线性退化设备剩余寿命预测方法。首先，采用Box-Cox变换对非线性退化数据进行线性化处理，在此基础上通过随机系数回归模型构建退化模型，并运用Bayesian理论与蒙特卡洛-期望最大化算法在线更新模型参数；然后，基于随机系数回归模型的特性，推导出剩余寿命的分布函数以及其点估计值；最后，通过数值仿真和锂电池实际退化数据验证所提方法的有效性。     

装备系统剩余使用寿命预测技术研究进展

社会的稳定发展离不开制造业的高水平发展，生产是制造业的关键步骤，长期持续稳定的产出依赖于装备系统的稳定运行。系统故障引起的停产势必会造成一定的经济损失。如何尽早地发现装备系统的故障来避免停工停产带来的经济损失，已经成为了当前应用研究中的热点。采用定期人工检查的传统方法不仅提高了生产成本，还使得问题发现较为滞后，达不到实时监控的目的。而且，随着信息技术的高速发展，装备系统的监测也变得更加智能化。利用装备系统的历史数据检测其状态能够更敏捷、更高效地发现装备运行中的“亚健康”问题，能给装备管理者提供有益的决策支持。基于装备剩余使用寿命的数据预测，能够提供高效智能的解决方案，在工业领域有着宽广的应用前景。因此，本文聚焦于装备系统剩余使用寿命预测技术的研究进展，对近年来剩余使用寿命预测的研究进行归纳总结，并讨论各剩余使用寿命预测理论与方法的优缺点。最后，总结并展望装备系统剩余使用寿命预测技术的未来研究方向和发展趋势。