电子系统可靠性与剩余寿命的实时预测算法
成 都 电 子 科 技 大 学
UNIVERSITY OF ELECTRONIC SCIENCE AND TECHNOLOGY OF CHINA
专业学位硕士学位论文
MASTER THESIS FOR PROFESSIONAL DEGREE
论文题目 电子系统可靠性与剩余寿命的实时预测算法设计与实现
专业学位类别 工程硕士
学 号 201122070115
作 者 姓 名 宋辰亮
指 导 教 师 刘震 副教授
分类号 密级
UDC注1
学 位 论 文
电子系统可靠性与剩余寿命的实时预测
算法设计与实现
（题名和副题名）
宋辰亮
（作者姓名） 指导教师 刘震 副 教 授
成都电子科技大学 成 都
（姓名、职称、单位名称）
申请学位级别 硕士 专业学位类别 工程硕士
工程领域名称 仪器仪表工程
提交论文日期 论文答辩日期
学位授予单位和日期 电子科技大学 年 月 日
答辩委员会主席
评阅人
注1：注明《国际十进分类法UDC》的类号。
THE ALGORITHM’S DESIGN AND
IMPLEMENTATION OF RELIABILITY AND
REMAINING LIFE REAL-TIME PREDICTION
FOR ELECTRONIC SYSTEMS
A Master Thesis Submitted to
University of Electronic Science and Technology of China
Major: Instrumentation Engineering
Author: Song Chen-liang
Advisor: Associate Professor Liu Zhen
School: School of Automation Engineering
独创性声明
本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得电子科技大学或其它教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。
作者签名： 日期： 年 月 日
论文使用授权
本学位论文作者完全了解电子科技大学有关保留、使用学位论文的规定，有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人授权电子科技大学可以将学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存、汇编学位论文。
（保密的学位论文在解密后应遵守此规定）
作者签名： 导师签名：
日期： 年 月 日 摘要
I 摘 要
目前，故障预测与健康管理（PHM）领域面临着不断提高的技术要求和不断增长的应用需求，对于PHM中的可靠性预测、性能退化趋势预测和剩余寿命预测的研究和探索也越来越受到重视。本论文以电子产品的可靠性、性能退化趋势和剩余寿命的实时预测为核心研究课题，在文中重点探索了基于贝叶斯方法和滑动窗口样本分组法的实时可靠性预测方法、基于可靠性试验数据的实时性能退化趋势预测方法、基于差异分析和相似性的实时剩余寿命预测方法，核心内容分为四个组成部分。
第一部分将研究分析基于贝叶斯方法和滑动窗口样本分组法的可靠性实时预测方法。通过使用可靠性试验获取的历史退化数据和实时采集测量获取到的现场退化数据，基于贝叶斯方法，将现场退化数据融入与历史退化数据中，利用滑动窗口样本分组法，更新性能参数变量分布的时变参数，计算出伪失效寿命，由此进一步得到产品的可靠性的实时预测结果。这种方法适用于历史数据的数量有限但并不缺乏的情况下，可以在最大程度上利用到有限的现场数据信息，得到准确有效的实时可靠性预测信息。
第二部分将研究分析基于可靠性试验退化数据的性能退化趋势实时预测方法。通过利用现场退化数据和可靠性试验退化数据之间的关系，运用差异分析理论，分别获得由现场退化数据以及融合了现场退化数据和可靠性试验退化数据的数据集运算得到的趋势预测结果，然后根据预测结果的曲线拟合误差计算两者的权值并进行数据融合，最终得到产品的性能退化趋势实时预测结果。这种方法相较于基于现场数据时间序列的性能退化趋势的预测方法，适用范围更广，可以提供更加准确、更加稳定的预测结果。
第三部分将研究分析基于差异分析和相似性的剩余寿命实时预测方法。将可靠性试验退化数据分成若干组，运用差异分析理论，将每一组可靠性试验退化数据分别与现场退化数据进行比较分析，并得到若干个剩余寿命预测结果，根据每一组可靠性试验退化数据与现场退化数据之间的相似度分配权重值，将若干个剩余寿命预测结果融合成最终的剩余寿命实时预测结果。这种方法不需要针对退化数据进行数学建模，对退化数据的轨迹类型和统计分布特性没有依赖，对有着很强的适用性。同时又能弥补基于相似性的方法所存在的缺陷，能够进一步提升剩余寿命的预测效果。
第四部分将展示一个利用VC6.0和MATCOM编程的软件，主要用于验证前摘要
II 三部分中提到的基于贝叶斯方法和滑动窗口样本分组法的可靠性实时预测方法、基于可靠性试验退化数据的性能退化趋势实时预测方法和基于差异分析和相似性的剩余寿命实时预测方法。
关键词：可靠性，性能退化趋势，剩余寿命，差异分析，相似性ABSTRACT
III ABSTRACT
Nowadays, the field of Prognostic and Health Management (PHM) begin to face
the higher technical and application requirements. As the result, the research and
exploration of reliability prediction, performance degradation trend prediction and
remaining life prediction are put a higher and higher value on. This paper’s main
research objects are the reliability, the degradation trend and residual life real-time
prediction of electronics system. The key points are real-time reliability prediction
method based on Bayes method and sliding time series samples dividing method,
real-time performance degradation trend prediction method based on reliability
experimental data and real-time remaining life prediction method based on difference
analysis and similarity. This paper’s prime contents will be divided into four parts.
The first part will research and analysis the real-time reliability prediction method
based on Bayes method and sliding series samples dividing method. This part adopts the
Bayes method by using history degradation data and the real-time on-site data, fuses the
on-site data into history data, utilizes sliding series samples dividing method updates the
performance parameter of variable’s distribution and calculates pseudo-failure lifetime
to get the real-time reliability result. This method is suitable for the condition that
limited history data but not lacking data. This method can utilize the limited on-site data
at the largest extent and acquire accurate and effect real-time reliability prediction
information.
The second part will research and analysis the real-time performance degradation
trend prediction method based on reliability experimental data. The relationship
between the field data and reliability experimental data and difference analysis theory
can be used to acquire the two trend prediction results by on-site degradation data and
data sets including on-site degradation data and reliability experimental data
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究共3篇
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究共3篇
基于LSTM网络的设备健康状况评估与剩余寿命预测方法的研究1
随着科技的不断发展，现代设备已经成为我们生活和工作中不可或缺的一部分。设备的健康状况对于生产、工作和生活的正常进行至关重要。随着设备的使用时间的增长，设备的磨损与老化会不可避免地发生。因此，评估设备的健康状况和预测其剩余寿命是非常有必要的。
LSTM（Long Short-Term Memory）是当前被广泛应用于序列分类、时间序列预测和自然语言处理等领域的神经网络模型。在该模型中，信息的输入和输出是以时间为序的，通过时间反馈和门控机制，记忆和遗忘之间产生了复杂的动态过程。LSTM能够很好地解决传统神经网络在处理长期依赖关系时的问题，因此可以被有效应用于设备健康状况评估和剩余寿命预测。
本文针对基于LSTM网络的设备健康状况评估与剩余寿命预测方法进行了研究。该方法基于时间序列数据，通过LSTM网络对设备状况进行建模，并利用模型对设备状况进行评估和剩余寿命预测。具体实现步骤如下：
1. 数据预处理：采集设备运行状态数据，并对数据进行预处理，如去除异常值和填充缺失值等。
2. 模型训练与验证：构建LSTM网络模型，并利用历史数据对模型进行训练和验证。通过交叉验证和损失函数等方法对模型进行调优，以提高模型的预测精度。
3. 设备健康状况评估：将新的设备运行状态数据输入到训练好的LSTM模型中，得到设备当前的健康状况评估结果。根据评估结果可以及时采取相应的维护和保养措施，避免设备由于故障而出现损失。
4. 设备剩余寿命预测：根据LSTM模型对历史数据的学习和预测，可以得到设备的剩余寿命预测结果。通过监测设备状态的变化和实时预测，可以预测设备的剩余使用寿命，安排设备保养和更换计划，避免设备故障对工作和生活的影响。
本文进行了实验验证，结果表明，利用基于LSTM网络的设备健康状况评估与剩余寿命预测方法，可以有效地评估设备运行状况，预测设备剩余寿命，提高设备的安全性和稳定性，为设备的管理和运行提供了重要的支持。
电力数据驱动的电池剩余寿命预测研究
电力数据驱动的电池剩余寿命预测研究
在现代社会，电池如同我们生活中的“心脏”，为各种设备提供着源源不断的能量。然而，随着使用时间的增长，电池的性能逐渐下降，最终导致其无法正常工作。因此，准确预测电池的剩余寿命对于保障设备的正常运行具有重要意义。本文将探讨如何利用电力数据来驱动电池剩余寿命的预测研究。
首先，我们需要了解电池的工作机理。就像一辆汽车需要燃油来驱动发动机一样，电池也需要电能来产生电流。然而，与汽车不同的是，电池的“燃油”是有限的，一旦耗尽就无法再提供能量。因此，如何有效利用有限的电能成为了关键问题。
其次，我们需要收集电力数据。这些数据包括电池的充电次数、放电速率、温度等参数。通过分析这些数据，我们可以了解到电池在使用过程中的变化情况。例如，如果发现某个电池的充电次数明显多于其他电池，那么这个电池可能存在过度使用的问题；如果发现某个电池的温度过高，那么这个电池可能存在过热的风险。
接下来，我们需要建立预测模型。这个过程就像是在一张白纸上绘制一幅画卷，我们需要根据已有的数据和经验来勾勒出电池剩余寿命的轮廓。在这个过程中，我们可以采用机器学习算法来训练模型，使其能够自动识别出影响电池寿命的关键因素，并给出相应的预测结果。
最后，我们需要对预测结果进行验证和调整。这个过程就像是在一幅画作完成后进行润色和修改一样，我们需要不断地优化模型，提高预测的准确性和可靠性。同时，我们还需要注意到不同类型和规格的电池可能存在差异性，因此在实际应用中需要根据实际情况进行调整和优化。
总之，电力数据驱动的电池剩余寿命预测研究是一项复杂而富有挑战性的任务。通过深入分析和思考电力数据的特点和规律，我们可以建立起准确的预测模型，为设备的正常运行提供有力保障。同时，我们也需要注意到不同类型和规格的电池可能存在差异性，因此在实际应用中需要根据实际情况进行调整和优化。只有这样，我们才能更好地利用电力数据来驱动电池剩余寿命的预测研究，为人类社会的发展做出更大的贡献。
部件寿命服从威布尔分布时典型系统的寿命与剩余寿命估计
部件寿命服从威布尔分布时典型系统的寿命与剩余寿命估计
Z HAO Qian;JIA Xiang;CHENG Zhijun;G U O Bo
【摘 要】在实际工程中,对系统寿命以及剩余寿命的估计非常重要.在已知系统中部件寿命与可靠度的前提下,关于如何快速得到系统级寿命与剩余寿命的相关研究比较缺乏.针对这一问题,首先研究了可靠度、寿命以及剩余寿命的关系,进一步假设部件寿命服从同一威布尔分布,根据部件的寿命与可靠度函数,推导得到串联、并联和表决系统寿命与剩余寿命期望的封闭表达式,并给出了相应的计算方法.对于冷备系统,当部件寿命服从同一指数分布时,推得了系统寿命及剩余寿命期望的封闭表达式,而当部件寿命服从同一威布尔分布时,给出了系统寿命与剩余寿命的数值计算方法.仿真试验证明本文所提出的方法是准确高效的.最后,以卫星中的动量轮r／n(G)表决系统为例开展了实例研究,证明了该方法在工程实践中的有效性.%In practical
engineering ,it is significant to estimate the lifetime and residual life of a
system .The research is limited for how to obtain the lifetime and residual
life of a system efficiently by using the lifetime and reliability of
components .M otivated by this problem ,relationship betw een
reliability ,lifetime and residual life is analyzed in this paper .Further ,on the
assumption that the components are identically and independently
锂电池剩余寿命的ELM间接预测方法
锂电池剩余寿命的ELM间接预测方法
摘要：锂离子电池因其容量高、安全性好、环保等优点被广泛应用于各行各业，如电子通讯、航空航天等。但锂离子电池在使用一段时间后往往会变质，这对设备和仪器非常不利。因此，预测锂离子电池的使用寿命非常重要。
关键词：锂电池；间接预测；剩余寿命特征参数；极限学习机(ELM)
针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题，提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性，选择等压降放电时间作为锂电池间接寿命特征参数，构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型，实现锂电池的ＲUL预测。基于NASA锂电池数据集预测并评估锂电池的ＲUL，并且与ELM直接预测方法和高斯过程回归间接预测方法相比较，本方法能够有效的预测锂电池的ＲUL，预测结果的误差范围为5%左右，具备较好的锂电池ＲUL预测精度。
一、概述
锂离子电池(简称锂电池)是一种绿色高能充电电池，因其容量高，自放电率低，安全性高，循环寿命长等优点被广泛的用于电子通讯工程、交通和航空航天等领域［。然而，锂电池在使用过程中性能的退化会影响仪器设备的正常使用，甚至会造成严重的故障事故。因此，从安全性、可靠性和经济性角度出发，实现锂电池长期安全有效的运行，避免灾难性事故的发生，对锂电池剩余使用寿命(ＲUL)的监测尤为重要。近年来，关于锂电池剩余使用寿命的预测已成为国内外的研究热点。现有的国内外锂电池ＲUL预测方法可分为两类。一是基于模型的方法，即通过建立一个数学模型来表示锂电池性能退化的过程。如，失效物理故障(PoF)建模法，卡尔曼滤波(KF)法、粒子滤波(PF)法等，由于锂电池内部电化学特性的复杂，易受温度等外界因素的干扰，精确数学或物理模型的建立较困难;二是基于数据驱动的方法，该方法利用锂电池的寿命特征参数(如容量、电流、电压、阻抗等)，并借助智能算法模型(如神经网络、支持向量机、高斯过程回归等)进行检测、分析和预测，给出锂电池的剩余寿命分布、性能退化程度或失效概率，从而为维护和系统保障提供决策信息。数据驱动方法无需深入了解锂电池内部机理，只需分析外部监测数据，以其灵活的适应性和易用性获得了较多的应用和推广。锂电池寿命特征参数分为直接参数与间接参数。直接参数是指锂电池的实际容量，即充满电的电池在一定条件下所能输出的电量，其等于放电电流对放电时间的积分。实际容量的获取通常通过监测电压、电流等参数采用安时法估算得出，存在计算累积误差等问题。间接参数是指与锂电池实际容量有较强相关的、能反映锂电池健康状况的其它参数，一般包括充放电电压、电流、温度等。现有研究中，已有将放电电压熵等压降放电时间、电解质阻抗等作为锂电池间接寿命特征参数。极限学习机(ELM)理论因其高精度、快速度、简参数等优点，在时间序列预测，电力负荷预测，函数逼近等方面迅速得到了广泛的应用。
《基于深度学习的锂电池RUL预测》
《基于深度学习的锂电池RUL预测》
一、引言
随着社会科技水平的持续进步，锂电池因其高能量密度、长寿命和环保特性，在电动汽车、移动设备等领域得到了广泛应用。然而，锂电池的可靠性、安全性及维护成本等问题也日益凸显。因此，对锂电池剩余使用寿命（RUL）的预测显得尤为重要。本文将探讨基于深度学习的锂电池RUL预测方法，以期望提高锂电池的使用效率，降低维护成本，并为后续研究提供理论依据和实践指导。
二、锂电池RUL预测的重要性
锂电池的RUL预测是电池管理系统的重要组成部分，其准确性直接影响到电池的使用寿命、安全性以及维护成本。通过准确预测锂电池的RUL，可以提前发现潜在的安全隐患，避免因电池故障导致的经济损失和人员伤害。此外，RUL预测还能帮助实现电池的合理调配和使用，提高电池的整体使用寿命。
三、深度学习在锂电池RUL预测中的应用
随着深度学习技术的不断发展，其在锂电池RUL预测中得到了广泛应用。深度学习能够从海量数据中提取有价值的信息，对电池性能进行准确预测。在锂电池RUL预测中，常用的深度学习模型包括循环神经网络（RNN）、长短期记忆网络（LSTM）和卷积神经网络（CNN）等。这些模型能够处理时间序列数据、图像数据等多种类型的数据，从而实现对锂电池RUL的准确预测。
四、基于深度学习的锂电池RUL预测方法
基于深度学习的锂电池RUL预测方法主要包括数据采集、数据预处理、模型构建和模型评估四个步骤。首先，需要收集锂电池的运行数据，包括电压、电流、温度等参数；其次，对数据进行预处理，包括数据清洗、特征提取等；然后，构建深度学习模型，如RNN、LSTM或CNN等；最后，对模型进行评估和优化，以实现对锂电池RUL的准确预测。
五、实践案例分析
以某电动汽车企业为例，该企业采用基于深度学习的锂电池RUL预测方法，对电池进行实时监控和预测。首先，该企业收集了大量电池运行数据，包括电压、电流、温度等参数；然后，利用深度学习模型对数据进行处理和分析，实现对电池性能的准确预测；最后，根据预测结果制定合理的维护计划，提高了电池的使用寿命和安全性。实践证明，基于深度学习的锂电池RUL预测方法能够有效提高电池的使用效率和维护成本。
可重构卫星锂离子电池剩余寿命预测系统研究
第３４卷第９期 ２０１３年９月 仪 器 仪 表 学 报
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｓｃｉｅｎｔｉｆｉｃ Ｉｎｓｔｒｕｍｅｎｔ Ｖｏ１．３４ Ｎｏ．９ Ｓｅｐ．２０１３
可重构卫星锂离子电池剩余寿命预测系统研究水
周建宝 ，王少军 ，马丽萍 ，杨思远 ，彭 宇 ，彭喜元
（１．哈尔滨工业大学自动化测试与控制系哈尔滨１５００８０；２．上海空间电源研究所上海２００２３３）
摘要：针对卫星锂离子电池剩余寿命预测问题，提出一种基于ＦＰＧＡ的可重构卫星锂离子电池剩余寿命预测系统设计方法。 首先利用具备不确定性表达能力的相关向量机实现锂离子电池的ＲＵＬ预测，进而采用ＦＰＧＡ动态重构技术，实现了基于相关
向量机的预测算法的嵌入式计算，解决了核函数矩阵和矩阵求逆的计算方法和结构设计等关键问题，为解决硬件计算资源有限
条件下的机器学习算法计算问题提供了一种新颖的思路。实验结果表明，在与Ｐｃ平台保持相近计算精度的条件下，利用ＦＰＧＡ 实现的剩余寿命预测计算效率提升了４倍，同时证明了机器学习的可重构计算方法在嵌入式计算体系中的应用具有良好的
前景。 关键词：卫星；锂离子电池；剩余寿命预测；可重构计算；故障预测和健康管理
中图分类号：ＴＰ３９１ 文献标识码：Ａ 国家标准学科分类代码：５１０．４０３０
Ｓｔｕｄｙ ｏｎ ｔｈｅ ｒｅｃｏｎｆｉｇｕｒａｂｌｅ ｒｅｍａｉｎｉｎｇ ｕｓｅｆｕｌ ｌｉｆｅ ｅｓｔｉｍａｔｉｏｎ ｓｙｓｔｅｍ
ｆｏｒ ｓａｔｅｌｌｉｔｅ ｌｉｔｈｉｕｍ－ｉｏｎ ｂａｔｔｅｒｙ
Ｚｈｏｕ Ｊｉａｎｂａｏ ，Ｗａｎｇ Ｓｈａｏｊｕｎ ，Ｍａ Ｌｉｐｉｎｇ ，ｒａｎｇ Ｓｉｙｕａｎ ，Ｐｅｎｇ Ｙｕ ，Ｐｅｎｇ Ｘｉｙｕａｎ
（ ．Ｄｅｐａｒｔｍｅｎｔ ｏｆＡｕｔｏｍａｔｉｃ Ｔｅｓｔ ａｎｄ Ｃｏｎｔｒｏｌ，Ｈａｒｂｉｎ Ｉｎｓｔｉｔｕｔｅ ｏｆＴｅｃｈｎｏｌｏｇｙ，Ｈａｒｂｉｎ １５００８０，Ｃｈｉｎａ；
基于ELM的刀具磨损量及剩余寿命预测
基于ELM的刀具磨损量及剩余寿命预测
摘要：由于刀具磨损状态对加工质量影响较大，提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法。根据铣削刀具的实时工况数据，采用统计分析、快速傅里叶变换和小波变换多种特征提取方法，提取出34个对刀具磨损敏感的时域、频域、时频域混合特征。将提取的特征与磨损量输入极限学习机网络框架中进行训练得到ELM模型，把测试集特征放入ELM模型进行预测评估，得到对应的预测刀具磨损量及剩余走刀次数。通过与SVR和遗传算法优化BP神经网络的预测结果比较发现，ELM具有学习速度快、预测精度高、泛化能力强的显著优势，能实现刀具磨损状态的在线监测。
关键词：刀具磨损 小波变换 ELM 遗传算法优化BP
1、引言
刀具是数控机床中关键的执行部件，它的状态直接影响着产品加工质量和设备运行效率。以往，现场工人凭借丰富的经验判断刀具的使用情况，根据加工过程中的现象及声音来判别刀具的磨损状态以此来把握最佳的换刀时间。随着数控机床自动化的到来，机床设备不仅仅要提高生产效率，还要能检测刀具状态，实现快速自动换刀功能。刀具磨损监测评估技术能够实时监测刀具磨损状态，尽早发现刀具使用过程中的问题并采取相应措施。这一技术具有延长刀具使用寿命，避免刀具磨损带来的损失，节省加工成本，减少机床故障停机时间，提高加工效率的重大意义。
本文提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法，用于拟合预测刀具磨损量与剩余使用寿命评估。极限学习机算法中输入层与隐含层间的连接权值和隐含层神经元的阈值是随机产生的，在训练过程中仅设置隐含层的神经元个数一个参数，不需要对随机产生的权值和阈值再加以迭代调整便可以获得全局唯一的最优解。这一网络学习训练速度快、获得的解为全局最优解，另一大优点是泛化能力强。本文通过与其他方法的对比实验分析，从拟合预测的准确度、模型的普适性等方面验证极限学习机在刀具磨损预测及剩余寿命评估的有效性。
基于Transformer模型的航空发动机剩余寿命预测方法研究
DCWTechnology Study技术研究
23数字通信世界2023.12航空发动机作为现代飞机的核心部件之一，是装备制造领域的最高端产品，一旦发生故障将会造成飞行安全事故，不仅会导致巨大的财产损失，还可能造成人员伤亡事故。传统的航空发动机维护方式主要有两大类：一类是基于故障的事后维修方式，这种方式存在的最主要问题是无法提前主动预防故障；另一类则是周期性的维护维修，这类方式会带来一些不必要的维护，大大增加航空发动机的维护成本[1]。发动机故障预测与健康管理，即利用数据分析和监测技术来提前发现可能的故障，并进行相应的维护和保养。剩余使用寿命预测是发动机故障预测与健康管理最重要的内容，也是最大的技术难点。随着该技术的不断深入，剩余使用寿命预测方法大致分为两个方向，分别是基于模型的方法和基于数据驱动的方法。基于模型的剩余使用寿命预测方法需要对设备建立精确的数学物理模型来研究其退化机制，从而获得预测的发生故障时刻。虽然该方法能够取得十分精确的结果，但是在实践中建立实际的物理退化模型十分困难。基于数据驱动的剩余使用寿命预测方法相较于上述方法，较为简单易懂，并且随着数据样本量增加，将会得到更准确的结果。基于数据驱动的剩余使用寿命预测方法按神经网络结构的深度可以分为两类：基于浅层机器学习的方法和基于深度学习的方法。经过20多年的研究和发展，神经网络模型在设备剩余使用寿命预测领域表现出了很好的效果。Shao Y[2]等提出了一种剩余寿命渐进预测的方法，该方法主要基于BP神经网络预测轴承剩余寿命，验证了所提出方法具有很好的效果。Wu等[3]采用Dropout提升LSTM的泛化能力，在NASA的航空发动机数据集上的预测效果优于RNN算法。综合来看，如何有效地提取发动机退化特征并且建立准确的剩余使用寿命预测模型是实现航空发动机剩余寿命预测的关键。针对现有方法特征提取不充分，模型计算复杂度高，预测精度较低等问题，本文提出一种基于Transformer模型结构的预测模型。基于Transformer模型的航空发动机剩余寿命预测方法研究吴直遥（西南石油大学，四川 成都 610500）摘要：文章针对现有预测模型对航空发动机退化信息提取不充分的不足，构建了一种基于Transformer模型的预测模型，该模型在Transformer编码器模型基础上加入了门控循环单元，以增加模型对序列数据中局部退化信息的提取能力。基于C-MAPSS数据集，对文中所建立模型的预测性能进行评估。实验结果表明，该模型在发动机运行状态单一的数据集上优于现有的模型，验证了模型的先进性。关键词：航空发动机；剩余寿命预测；门控循环单元doi：10.3969/J.ISSN.1672-7274.2023.12.006中图分类号：V 263.5 文献标志码：A 文章编码：1672-7274（2023）12-0023-03Research on Transformer Based Residual Life Prediction Method for Aviation EnginesWU Zhiyao(Southwest Petroleum University, Chengdu 610500, China)Abstract: This article proposes a prediction model based on Transformer encoder structure to address the insufficient extraction of aviation degradation information in existing prediction models. This model adds a gating loop unit to the Transformer encoder model to enhance the model's ability to extract local degradation information from sequence data. Based on the C-MAPSS data set, the prediction performance of the model established in this paper is evaluated. The experimental results show that the model is superior to the existing model in the single engine operating state data set, which verifies the progressiveness of the model.Key words: aviation engine; residual life prediction; gate control loop unit
基于粒子滤波和遗传算法的氢燃料电池剩余使用寿命预测
第41卷第1期 东北电力大学学报 Vul.41，No. 1
2021 年2 月 Journal Of Northeast Electric Power University Feb,2021
DOI： 10. 19718/j. issn. 1005-2992.2021-01-0056-09
基于粒子滤波和遗传算法的氢燃料电池
剩余使用寿命预测
谢宏远、刘逸2,候权\徐心海1
(1.哈尔滨工业大学（深圳）机电工程与自动化学院，广东深圳518055 ;2.哈尔滨商业大学能源与建筑工程学院，黑龙江哈尔滨150028)
摘 要：为了实现对质子交换膜燃料电池（PEMFC)剩余使用寿命快速准确的预测，本文提出了基于粒子滤波和遗传算法的长期剩余使用寿命预测方法.该方法采用基于高斯核的平滑器和三次样条插 值实现数据的滤波平滑和数据重构，去除了数据峰值并过滤噪声，减小了计算偏差.利用粒子滤波对训 练集学习的过程中，考虑了由于电堆启停操作导致的电压恢复效应,并利用遗传算法优化电压衰减模型 参数，在保证精度的同时提高运算效率.最后利用法国燃料电池实验室公开的PEMFC实验测试数据，验 证了该模型的准确性.结果表明，该方法可以在保证91%的长期预测精度下提高10倍的运算效率，同时 具备良好的泛化能力，可以实现PEMFC的长期剩余使用寿命预测.关键词：质子交换膜燃料电池;剩余使用寿命预测;粒子滤波;遗传算法 中图分类号：TM911.42 文献标识码：A
为实现能源的低碳转型，质子交换膜燃料电池（PEMFC)由于其无污染、效率高与噪声低等特点，成
为21世纪最有发展前景的发电技术之一，广泛应用于汽车动力、分布式发电与便携式电源等领域m .然 而，PEMFC的运行寿命、长期性能和维护成本成为制约其进一步商业化发展的主要因素除实现材料
突破与改进堆栈设计外，预测与健康管理是保障PEMFC长时间安全稳定运行的方法之一.其中，对剩 余使用寿命（Remaining Useful Life,RUL)进行准确预测可以保证电堆得到及时维修迸而延长使用寿命, 因此RUL的预测方法成为燃料电池领域的主要研究热点之一.
基于RRMS的地铁牵引电机轴承剩余寿命预测
第43卷 第6期 2021-06
【1】收稿日期：2019-11-25基金项目：国家自然科学基金项目（51805151）；河南省高校青年骨干教师项目（2016GGJS-057）；河南省高等学校重点科研项目（21B460004）作者简介：王春亮（1991 -），男，河南开封人，硕士研究生，主要从事寿命预测研究工作
。基于RRMS的地铁牵引电机轴承剩余寿命预测
Remaining useful life prediction of metro traction motor bearing based on RRMS
王春亮，徐彦伟，颉潭成，陈立海，刘明明
WANG Chun-liang, XU Yan-wei, XIE Tan-cheng, CHEN Li-hai, LIU Ming-ming
（河南科技大学 机电工程学院，洛阳 471003）摘 要：为了评估滚动轴承的可靠性和预测剩余寿命，提出一种基于RRMS特征和神经网络相结合的轴承剩余寿命预测方法。选取地铁牵引电机轴承为研究对象，首先在轴承疲劳寿命试验台上进行疲劳寿命试验，采集轴承振动信号；其次通过小波包对原始信号进行分解，提取振动信号的RRMS特征，将其作为表征轴承性能衰退变化趋势的指标，并确定轴承失效阈值；最后基于BP神经网络对轴承的剩余寿命进行预测。试验结果表明：预测值与实际值基本吻合，均方根误差小于0.015，验证了该方法的有效性。关键词：RRMS；剩余寿命预测；BP神经网络；轴承中图分类号：TH133.3 文献标识码：A 文章编号：1009-0134(2021)06-0001-05
0 引言
地铁牵引电机轴承是支撑地铁牵引电机轴系的关
键零部件，其在系统运行中可能会由于润滑不良、冲击
载荷、温度升高等不良因素影响，出现退化或失效。
如果在失效期继续使用，可能会造成地铁机车被迫停
车，甚至带来灾难性后果[1,2]。对地铁牵引电机轴承的
运行状态进行实时监测，并预测轴承的剩余使用寿命