准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory...准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory,BiLSTM)的性能退化起始点识别和RUL预测方法。首先,通过自编码器(autoencoder,AE)的重构误差(reconstruction error,RE)与最大均值差异(maximum mean discrepancy,MMD)构建的复合损失函数作为轴承健康指标(health indicator,HI),采用阈值超越(peaks over threshold,POT)法与局部均值递增检测法(local mean increase detection,LMID)确定轴承性能退化过程中的退化起始点(degradation start point,DSP)。其次,采用AE提取的特征、MMD、RE以及AE提取特征之间的均方根误差(root mean square error,RMSE)构建多维特征空间;再将多维特征输入到MHA和BiLSTM实现对轴承RUL预测,所采用的多头注意力机制可以动态选择相关度较高的特征进一步提高RUL预测的准确性。最后,采用PHM 2012轴承数据集对所提出的方法进行验证,结果表明所提出的方法相比现有RUL预测方法,不仅能准确地确定性能退化起始点,还具有更高的RUL预测准确性。展开更多
【目的】工程技术领域中的系统退化受用户操作、制造工艺、工作环境等多种因素影响,系统初始状态和退化速率之间通常存在相关性(Correlation between the Initial State and the Degradation Rate, CISDR)和动态协变量在退化模型中是需...【目的】工程技术领域中的系统退化受用户操作、制造工艺、工作环境等多种因素影响,系统初始状态和退化速率之间通常存在相关性(Correlation between the Initial State and the Degradation Rate, CISDR)和动态协变量在退化模型中是需要考虑的关键因素,但同时考虑以上两类随机性的文献鲜见。针对上述问题,基于Gamma退化过程建立了考虑动态协变量及系统初始退化状态与退化率相关的可靠性模型来进行研究、分析。【方法】首先,建立剩余寿命预测模型,基于对系统运行过程中的状态监测数据的统计分析,推断出产品的剩余寿命分布;其次,针对系统退化周期内操作、运行环境的差异,使用奥恩斯坦-乌伦贝克(Ornstein-Uhlenbeck, OU)过程刻画了动态协变量变化,建立了考虑动态协变量的Gamma退化模型;再次,通过指数效应模型建立动态协变量与退化率之间的关联;最后,使用二元正态分布建立系统初始退化状态与退化率相关性模型,推导得到了系统可靠度函数与剩余寿命的概率密度。【结果】结果表明,仿真算例和应用实例验证了所建立的模型能够显著提高剩余寿命预测的准确性,同时考虑两种随机效应后的剩余寿命预测更加客观。展开更多
文摘准确预测滚动轴承的剩余寿命(remaining useful life,RUL)对于设备健康管理和故障预防至关重要。该文提出一种基于多维特征融合的多头注意力机制(multi-head attention,MHA)和双向长短期记忆模型(Bi-directional long short-term memory,BiLSTM)的性能退化起始点识别和RUL预测方法。首先,通过自编码器(autoencoder,AE)的重构误差(reconstruction error,RE)与最大均值差异(maximum mean discrepancy,MMD)构建的复合损失函数作为轴承健康指标(health indicator,HI),采用阈值超越(peaks over threshold,POT)法与局部均值递增检测法(local mean increase detection,LMID)确定轴承性能退化过程中的退化起始点(degradation start point,DSP)。其次,采用AE提取的特征、MMD、RE以及AE提取特征之间的均方根误差(root mean square error,RMSE)构建多维特征空间;再将多维特征输入到MHA和BiLSTM实现对轴承RUL预测,所采用的多头注意力机制可以动态选择相关度较高的特征进一步提高RUL预测的准确性。最后,采用PHM 2012轴承数据集对所提出的方法进行验证,结果表明所提出的方法相比现有RUL预测方法,不仅能准确地确定性能退化起始点,还具有更高的RUL预测准确性。
文摘【目的】工程技术领域中的系统退化受用户操作、制造工艺、工作环境等多种因素影响,系统初始状态和退化速率之间通常存在相关性(Correlation between the Initial State and the Degradation Rate, CISDR)和动态协变量在退化模型中是需要考虑的关键因素,但同时考虑以上两类随机性的文献鲜见。针对上述问题,基于Gamma退化过程建立了考虑动态协变量及系统初始退化状态与退化率相关的可靠性模型来进行研究、分析。【方法】首先,建立剩余寿命预测模型,基于对系统运行过程中的状态监测数据的统计分析,推断出产品的剩余寿命分布;其次,针对系统退化周期内操作、运行环境的差异,使用奥恩斯坦-乌伦贝克(Ornstein-Uhlenbeck, OU)过程刻画了动态协变量变化,建立了考虑动态协变量的Gamma退化模型;再次,通过指数效应模型建立动态协变量与退化率之间的关联;最后,使用二元正态分布建立系统初始退化状态与退化率相关性模型,推导得到了系统可靠度函数与剩余寿命的概率密度。【结果】结果表明,仿真算例和应用实例验证了所建立的模型能够显著提高剩余寿命预测的准确性,同时考虑两种随机效应后的剩余寿命预测更加客观。
