CN106934125B - 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 - Google Patents
一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN106934125B CN106934125B CN201710109876.3A CN201710109876A CN106934125B CN 106934125 B CN106934125 B CN 106934125B CN 201710109876 A CN201710109876 A CN 201710109876A CN 106934125 B CN106934125 B CN 106934125B
- Authority
- CN
- China
- Prior art keywords
- index
- model
- time
- noise
- health state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种梯形噪声分布的指数模型机械设备剩余寿命预测方法先建立梯形噪声分布的指数模型,然后实时监测并采集机械设备中轴承、齿轮或转子的振动信号,并从中提取健康状态指标,确定拟合起始时刻,最后对退化模型进行参数估计,采用随机采样的方法给出滚动轴承的剩余寿命估计及概率分布,本发明解决了传统指数预测模型中噪声项假定与实际情况不相符的问题,将原有的三角形噪声分布改为梯形噪声分布,即增加了指数模型噪声项的初始值,并且以平稳运行阶段的健康状态指标噪声作为模型噪声项的初始值,通过采用轴承加速寿命实验数据验证了梯形噪声分布的指数模型相比于传统指数模型对剩余寿命预测有更高的精度和可靠性。
Description
技术领域
本发明涉及设备剩余寿命预测技术领域,具体涉及一种梯形噪声分布的指数模型机械设备剩余寿命预测方法。
背景技术
随着生产制造技术的快速发展和人类探索自然领域的不断扩展,许多设备变的越来越复杂。这些设备由于机械的复杂性和各种运行因素(如磨损、外部冲击、负载、运行环境)的影响,其性能及健康状态将会发生不可避免的退化,进而造成最终的失效。对于实际工程设备,一旦发生由失效引起的事故,所造成的人员财产损失甚至环境破坏往往是不可估量的。因而如何有效评估机械设备的运行状态,防止因机械设备失效造成事故是当前迫切需要解决的问题。从机械设备开始退化到完全失效,要经历一个逐步退化的过程。因而如果能在退化初期,根据监测信息,及时发现异常、预测其剩余使用寿命,并据此确定对设备实施维护的最佳时机,对于切实保障复杂设备的运行安全性、可靠性与经济性具有重要的意义。
指数模型剩余寿命预测方法由美国普渡大学Gebraeel等人提出,试图采用指数模型对衰退趋势进行描述,并根据观测数据对模型参数进行评估,以预测设备未来时刻健康衰退趋势和剩余寿命。为了提高参数评估的准确性,清华大学司小胜等人对指数模型进行改进,采用期望最大化和贝叶斯更新相结合的方法对模型参数进行评估,得到了较好的参数评估效果。在指数预测模型中,模型准确性是影响模型预测精度的关键因素,以上研究工作都假定模型噪声项服从0初值的标准布朗运动分布,即为三角形噪声分布,而根据大量的数据观测,模型的噪声项在寿命预测初始时刻都有着较大的波动,并且随着时间的增加,波动幅度越来越大。因此传统指数模型的噪声项假定与实际情况不相符,导致模型预测精度和可靠性降低。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供了一种梯形噪声分布的指数模型机械设备剩余寿命预测方法,提高指数模型的预测精度和可靠性。
为了达到上述目的,本发明采取的技术方案为:
一种梯形噪声分布的指数模型机械设备剩余寿命预测方法,包括以下步骤:
第1步,建立梯形噪声分布的指数模型:
y=aebt+ε (1)
其中,y为指数模型健康状态指标,a,b为指数模型趋势项参数,ε为指数模型噪声项,服从均值为0、方差为的正态分布,t为从拟合起始时刻t0开始的工作时间,为指数模型噪声项初值,σ2为指数模型噪声项方差扩散系数;
第2步,实时监测并采集机械设备中轴承、齿轮或转子的振动信号,计算健康状态指标序列,确定拟合起始时刻t0;
第3步,将健康状态指标序列根据拟合起始时刻t0分为两个子序列:平稳运行阶段健康状态指标序列Y′=[y1′,y′2,y3′,…,y′k]和指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk];平稳运行阶段健康状态指标序列Y′=[y1′,y′2,y3′,…,y′k]为拟合起始时刻t0前的健康状态指标子序列,yi′为ti′时刻的健康状态指标,ti′为工作时间,其中ti′<t0;指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk]为拟合起始时刻t0后的健康状态指标子序列,yi为ti+t0时刻的健康状态指标,ti为从拟合起始时刻t0开始的工作时间,其中ti<tk,tk为从拟合起始时刻t0开始的最后工作时刻,k为观测时刻数;
第4步,估计梯形噪声分布的指数模型中的参数,进而得出梯形噪声分布的指数模型;
第5步,由梯形噪声分布的指数模型,得出在最后工作时刻tk后,各时刻预测健康状态指标yp服从均值为aebt,方差为σ2(t-tk)的正态分布,即
yp~N(aebt,σ2(t-tk)) (12)
其中t>tk;
第6步,令t=tk+Δt,tk+2Δt,…,根据yp的概率密度函数进行Ns次随机采样,得到Ns个指数模型健康状态指标预测序列Yp=[yp1,yp2,yp3,…],即Ns条退化轨迹,每条退化轨迹的失效时刻EOL为指数模型健康状态指标预测序列内第一次预测指标yp超过失效阈值yh的时刻,即
EOL=Inf(yp>yh) (13)
剩余寿命RUL为失效时刻EOL与从拟合起始时刻t0开始的最后工作时刻tk的差,即
RUL=EOL-tk (14)
对Ns条退化轨迹的剩余寿命RUL进行统计,绘制剩余寿命RUL的频率分布直方图并且拟合出对应的概率密度函数,确定95%剩余寿命置信区间,给出剩余寿命估计值。
所述的第4步的具体步骤为:
首先对平稳运行阶段健康状态指标序列进行中值滤波,得到平稳运行阶段健康状态指标序列趋势;平稳运行阶段健康状态指标序列减去中值滤波得到的平稳运行阶段健康状态指标序列趋势得到平稳运行阶段的健康状态指标序列噪声并计算其方差作为噪声项初值的估计;
4.2)用极大似然法估计指数模型趋势项参数a,b:
因为指数模型噪声项
所以指数模型健康状态指标
某时刻指数模型健康状态指标的概率密度函数:
其中,θ=(a,b);
似然函数L(θ):
对数似然函数l(θ):
所以最大化似然函数即为最小化残差和:
通过数值优化算法求得指数模型趋势项参数a,b的估计值;
4.3)估计指数模型噪声项方差扩散系数σ2:
将式(2)指数模型噪声项变换为
ε~N(0,σ2(t+t0)) (8)
其中
因此
根据(9)和(11)两式,求解得出指数模型噪声项方差扩散系数σ2的估计值,进而得出梯形噪声分布的指数模型。
本发明的有益效果:本发明解决了传统指数预测模型中噪声项假定与实际情况不相符的问题,将原有的三角形噪声分布改为梯形噪声分布,即增加了指数模型噪声项的初始值,并且以平稳运行阶段的健康状态指标序列噪声作为指数模型噪声项的初始值。相比传统指数模型,该模型能更好地反映机械设备的真实衰退趋势,提高了剩余寿命的预测精度和可靠性。
附图说明
图1为本发明方法的流程图。
图2为测试轴承全寿命期内的振动信号。
图3为测试轴承有效值指标和回归起始时刻选择结果图。
图4为在时刻tk=5000s时,梯形噪声分布的指数模型与传统指数模型噪声项拟合对比,图(a)为梯形噪声分布的指数模型噪声项拟合,图(b)为传统指数模型噪声项拟合。
图5为梯形噪声分布的指数模型在时刻tk=5000s时的预测结果图,图(a)为有效值预测趋势图,图(b)为剩余寿命预测分布图。
图6为传统指数模型在时刻tk=5000s时的预测结果图,图(a)为有效值预测趋势图,图(b)为剩余寿命预测分布图。
图7为梯形噪声分布的指数模型从预测起始时刻开始的剩余寿命估计和预测95%置信区间结果图。
图8为传统指数模型从预测起始时刻开始的剩余寿命估计和预测95%置信区间结果图。
具体实施方式
下面结合附图对本发明做进一步详细描述。
如图1所示,一种梯形噪声分布的指数模型机械设备剩余寿命预测方法,包括以下步骤:
第1步,建立梯形噪声分布的指数模型:
y=aebt+ε (1)
其中,y为指数模型健康状态指标,a,b为指数模型趋势项参数,ε为指数模型噪声项,服从均值为0、方差为的正态分布,t为从拟合起始时刻t0开始的工作时间,为指数模型噪声项初值,σ2为指数模型噪声项方差扩散系数,因为指数模型噪声项的方差以为初值,随时间t线性增加,呈梯形分布,因此称该指数模型为梯形噪声分布的指数模型;
第2步,实时监测并采集机械设备中轴承、齿轮或转子的振动信号,计算健康状态指标序列,确定拟合起始时刻t0;
第3步,将健康状态指标序列根据拟合起始时刻t0分为两个子序列:平稳运行阶段健康状态指标序列Y′=[y1′,y′2,y3′,…,y′k]和指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk];平稳运行阶段健康状态指标序列Y′=[y1′,y′2,y3′,…,y′k]为拟合起始时刻t0前的健康状态指标子序列,yi′为ti′时刻的健康状态指标,ti′为工作时间,其中ti′<t0;指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk]为拟合起始时刻t0后的健康状态指标子序列,yi为ti+t0时刻的健康状态指标,ti为从拟合起始时刻t0开始的工作时间,其中ti<tk,tk为从拟合起始时刻t0开始的最后工作时刻,k为观测时刻数;
第4步,估计梯形噪声分布的指数模型中的参数,进而得出梯形噪声分布的指数模型,具体步骤为:
为了消除机械设备平稳运行阶段的工况、负载等因素变化对噪声项初值估计产生的干扰,首先对平稳运行阶段健康状态指标序列进行中值滤波,得到平稳运行阶段健康状态指标序列趋势;平稳运行阶段健康状态指标序列减去中值滤波得到的平稳运行阶段健康状态指标序列趋势得到平稳运行阶段的健康状态指标序列噪声并计算其方差作为噪声项初值的估计;
4.2)用极大似然法估计指数模型趋势项参数a,b:
因为指数模型噪声项
所以指数模型健康状态指标
某时刻指数模型健康状态指标的概率密度函数:
其中,θ=(a,b);
似然函数L(θ):
对数似然函数l(θ):
所以最大化似然函数即为最小化残差和:
通过数值优化算法求得指数模型趋势项参数a,b的估计值;
4.3估计指数模型噪声项方差扩散系数σ2:
将式(2)指数模型噪声项变换为
ε~N(0,σ2(t+t0)) (8)
其中
因此
根据(9)和(11)两式,求解得出指数模型噪声项方差扩散系数σ2的估计值,进而得出梯形噪声分布的指数模型;
第5步,由梯形噪声分布的指数模型,得出在最后工作时刻tk后,各时刻预测健康状态指标yp服从均值为aebt,方差为σ2(t-tk)的正态分布,即
yp~N(aebt,σ2(t-tk)) (12)
其中t>tk;
第6步,令t=tk+Δt,tk+2Δt,…,根据yp的概率密度函数进行Ns次随机采样,得到Ns个指数模型健康状态指标预测序列Yp=[yp1,yp2,yp3,…],即Ns条退化轨迹,每条退化轨迹的失效时刻EOL为指数模型健康状态指标预测序列内第一次预测指标yp超过失效阈值yh的时刻,即
EOL=Inf(yp>yh) (13)
剩余寿命RUL为失效时刻EOL与从拟合起始时刻t0开始的最后工作时刻tk的差,即
RUL=EOL-tk (14)
对Ns条退化轨迹的剩余寿命RUL进行统计,绘制剩余寿命RUL的频率分布直方图并且拟合出对应的概率密度函数,确定95%剩余寿命置信区间,给出剩余寿命估计值。
下面结合实施例对本发明做详细描述。
实施例:以滚动轴承加速寿命实验数据为例对本发明进行验证。
滚动轴承加速寿命实验在PRONOSTIA实验台上操作完成,通过对轴承气压加载,使轴承在高负荷条件下工作,可以在数小时内实现轴承从正常状态退化到完全失效。实验过程中,轴承转速为1800rpm,负载为4kN。采用加速度传感器对轴承振动信号进行采样,采样频率为25.6kHz,数据长度为2560,每次采样持续时间为0.1s,采样间隔为10s。当振动幅值超过20g时,轴承完全失效。实验轴承的全寿命振动信号如图2所示。
从振动信号中提取有效值作为健康状态指标,并确定拟合起始时刻,如图3所示,
选择时刻tk=5000s时对模型进行评估,噪声分布如图4中实线所示,分别用梯形噪声分布指数模型和传统指数模型对参数进行估计,得到的拟合噪声项95%置信区间分别如图4(a)和图4(b)所示,从图中可以直观的看出,梯形噪声分布指数模型相比于传统指数模型,更符合数据分布的规律。
梯形噪声分布指数模型的预测结果如图5所示。图5(a)为有效值预测期望及区间,图5(b)为预测剩余寿命分布图,剩余寿命估计为7840s,95%置信区间为[7160,8310]s,而真实剩余寿命为8000s。图6为传统的指数模型的预测结果,剩余寿命估计为6570s,95%置信区间为[5530,7320]s,而真实剩余寿命为8000s。对比结果可以看出,梯形噪声分布指数模型预测更准确,精度更高。
图7显示了梯形噪声分布指数模型从tk=1000s时开始的剩余寿命估计和95%置信区间的预测结果,并且与传统的指数模型预测结果(图8)相对比。从图中可以看出,梯形噪声分布指数模型与传统指数模型在预测前期都预测的波动都不理想,随着时间的推移,两种方法都逐渐收敛到真实值。但是梯形噪声分布指数模型的收敛速度更快,预测精度更高;且梯形噪声分布指数模型得到的95%置信区间更小,剩余寿命估计更可靠
通过采用轴承加速寿命实验数据验证了本发明在机械设备寿命预测中的优势。本发明对传统指数模型进行改进,对指数模型噪声项的分布方差增加了初始值,使其更加符合机械设备退化数据的规律,从而提高了指数模型对机械设备寿命预测的精度和可靠性。
本发明所提出的一种梯形噪声分布的指数模型机械设备剩余寿命预测方法,并不只局限于机械设备的剩余寿命预测,还可以应用于其他电子元件的剩余寿命预测问题。大量研究工作证明,本方法适用于各类具有指数衰退形式的机电产品的剩余寿命预测。实施者只需对本方法相应步骤进行适当调整,以适应不同产品的应用需求,应当指出,在不脱离本发明构思的前提下,所做的调整和变形,也应视为本发明的保护范围。
Claims (1)
1.一种梯形噪声分布的指数模型机械设备剩余寿命预测方法,其特征在于,包括以下步骤:
第1步,建立梯形噪声分布的指数模型:
y=aebt+ε (1)
其中,y为指数模型健康状态指标,a,b为指数模型趋势项参数,ε为指数模型噪声项,服从均值为0、方差为的正态分布,t为从拟合起始时刻t0开始的工作时间,为指数模型噪声项初值,σ2为指数模型噪声项方差扩散系数;
第2步,实时监测并采集机械设备中轴承、齿轮或转子的振动信号,计算健康状态指标序列,确定拟合起始时刻t0;
第3步,将健康状态指标序列根据拟合起始时刻t0分为两个子序列:平稳运行阶段健康状态指标序列Y′=[y′1,y′2,y′3,…,y′k]和指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk];平稳运行阶段健康状态指标序列Y′=[y′1,y′2,y′3,…,y′k]为拟合起始时刻t0前的健康状态指标子序列,yi′为ti′时刻的健康状态指标,t′i为工作时间,其中t′i<t0;指数模型健康状态指标观测值序列Y=[y1,y2,y3,…,yk]为拟合起始时刻t0后的健康状态指标子序列,yi为ti+t0时刻的健康状态指标,ti为从拟合起始时刻t0开始的工作时间,其中ti<tk,tk为从拟合起始时刻t0开始的最后工作时刻,k为观测时刻数;
第4步,估计梯形噪声分布的指数模型中的参数,进而得出梯形噪声分布的指数模型;
第5步,由梯形噪声分布的指数模型,得出在最后工作时刻tk后,各时刻预测健康状态指标yp服从均值为aebt,方差为σ2(t-tk)的正态分布,即
yp~N(aebt,σ2(t-tk)) (12)
其中t>tk;
第6步,令t=tk+Δt,tk+2Δt,…,根据yp的概率密度函数进行Ns次随机采样,得到Ns个指数模型健康状态指标预测序列Yp=[yp1,yp2,yp3,…],即Ns条退化轨迹,每条退化轨迹的失效时刻EOL为指数模型健康状态指标预测序列内第一次预测指标yp超过失效阈值yh的时刻,即
EOL=Inf(yp>yh) (13)
剩余寿命RUL为失效时刻EOL与从拟合起始时刻t0开始的最后工作时刻tk的差,即
RUL=EOL-tk (14)
对Ns条退化轨迹的剩余寿命RUL进行统计,绘制剩余寿命RUL的频率分布直方图并且拟合出对应的概率密度函数,确定95%剩余寿命置信区间,给出剩余寿命估计值;
所述的第4步的具体步骤为:
首先对平稳运行阶段健康状态指标序列进行中值滤波,得到平稳运行阶段健康状态指标序列趋势;平稳运行阶段健康状态指标序列减去中值滤波得到的平稳运行阶段健康状态指标序列趋势得到平稳运行阶段的健康状态指标序列噪声并计算其方差作为噪声项初值的估计;
4.2)用极大似然法估计指数模型趋势项参数a,b:
因为指数模型噪声项
所以指数模型健康状态指标
某时刻指数模型健康状态指标的概率密度函数:
其中,θ=(a,b);
似然函数L(θ):
对数似然函数l(θ):
所以最大化似然函数即为最小化残差和:
通过数值优化算法求得指数模型趋势项参数a,b的估计值;
4.3)估计指数模型噪声项方差扩散系数σ2:
将式(2)指数模型噪声项变换为
ε~N(0,σ2(t+t0)) (8)
其中
因此
根据(9)和(11)两式,求解得出指数模型噪声项方差扩散系数σ2的估计值,进而得出梯形噪声分布的指数模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710109876.3A CN106934125B (zh) | 2017-02-28 | 2017-02-28 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710109876.3A CN106934125B (zh) | 2017-02-28 | 2017-02-28 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934125A CN106934125A (zh) | 2017-07-07 |
CN106934125B true CN106934125B (zh) | 2020-02-18 |
Family
ID=59424226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710109876.3A Active CN106934125B (zh) | 2017-02-28 | 2017-02-28 | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934125B (zh) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109885849A (zh) * | 2018-05-07 | 2019-06-14 | 长春工业大学 | 基于强跟踪滤波的轨道客车微动开关剩余寿命预测方法 |
CN109212966B (zh) * | 2018-08-14 | 2020-04-10 | 西安交通大学 | 一种多工况动态基准化的机械设备剩余寿命预测方法 |
CN109101753B (zh) * | 2018-08-31 | 2023-06-27 | 周建全 | 一种改善机械设备检修***复杂性的方法 |
CN109388861B (zh) * | 2018-09-17 | 2023-05-12 | 中国人民解放军海军工程大学 | 一种指数型单元寿命分布参数估计方法 |
CN109376401B (zh) * | 2018-09-29 | 2022-12-09 | 西安交通大学 | 一种自适应多源信息优选与融合的机械剩余寿命预测方法 |
TWI753338B (zh) * | 2019-12-23 | 2022-01-21 | 財團法人工業技術研究院 | 資料整合方法及資料整合系統 |
CN111160666B (zh) * | 2020-01-02 | 2023-06-23 | 西北工业大学 | 强噪声与非周期状态监测的健康状态与可靠性评估方法 |
CN111414703B (zh) * | 2020-03-27 | 2023-04-07 | 河南科技大学 | 一种滚动轴承剩余寿命预测方法及装置 |
CN111597682B (zh) * | 2020-04-14 | 2023-03-31 | 新疆大学 | 预测风力机齿轮箱轴承剩余寿命的方法 |
CN111783242B (zh) * | 2020-06-17 | 2024-05-28 | 河南科技大学 | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 |
CN112557037B (zh) * | 2020-11-30 | 2022-03-11 | 南京工业大学 | 一种风电主轴轴承模型加速寿命试验方法 |
CN112597607B (zh) * | 2020-12-21 | 2023-09-15 | 北京华能新锐控制技术有限公司 | 风力发电机高速轴承的预测性维修方法及*** |
CN112800580B (zh) * | 2020-12-30 | 2023-10-27 | 上海电气风电集团股份有限公司 | 风电机组的备品备件的储备数量确定方法及其*** |
CN112683535B (zh) * | 2021-01-14 | 2022-04-12 | 大连理工大学 | 基于多阶段维纳过程的轴承寿命预测方法 |
CN112949204B (zh) * | 2021-03-22 | 2022-12-09 | 西安交通大学 | 一种数据与模型自适应匹配的滚动轴承剩余寿命预测方法 |
CN113625146B (zh) * | 2021-08-16 | 2022-09-30 | 长春理工大学 | 一种半导体器件1/f噪声SαS模型参数估计方法 |
CN113720441B (zh) * | 2021-08-26 | 2023-09-12 | 国网上海市电力公司 | 一种变电站周界噪音分布重现方法 |
CN113962253B (zh) * | 2021-09-26 | 2023-08-18 | 西安交通大学 | 基于深度小波极限学习机的轴承剩余寿命预测方法及*** |
CN117150786B (zh) * | 2023-09-06 | 2024-04-30 | 北京航空航天大学 | 一种转速谱转速状态持续时间的随机性表征方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896303A (en) * | 1986-09-30 | 1990-01-23 | Schlumberger Technology Corporation | Method for cementation evaluation using acoustical coupling and attenuation |
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104484723A (zh) * | 2014-12-25 | 2015-04-01 | 国家电网公司 | 一种基于寿命数据的电力变压器经济寿命预测方法 |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
-
2017
- 2017-02-28 CN CN201710109876.3A patent/CN106934125B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4896303A (en) * | 1986-09-30 | 1990-01-23 | Schlumberger Technology Corporation | Method for cementation evaluation using acoustical coupling and attenuation |
CN102542155A (zh) * | 2011-12-05 | 2012-07-04 | 北京航空航天大学 | 基于加速退化数据的粒子滤波剩余寿命预测方法 |
CN103778280A (zh) * | 2014-01-08 | 2014-05-07 | 上海交通大学 | 具有模型主动更新策略的锂离子电池剩余寿命预测方法 |
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104484723A (zh) * | 2014-12-25 | 2015-04-01 | 国家电网公司 | 一种基于寿命数据的电力变压器经济寿命预测方法 |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
Non-Patent Citations (4)
Title |
---|
A New Method Based on Stochastic Process Models for Machine Remaining Useful Life Prediction;Yaguo Lei 等;《IEEE Transactions on Instrumentation and Measurement》;20160922;第65卷(第12期);第2671-2684页 * |
An Improved Exponential Model for Predicting Remaining Useful Life of Rolling Element Bearings;Naipeng Li 等;《IEEE Transactions on Industrial Electronics》;20150710;第62卷(第12期);第7762-7773页 * |
基于粒子滤波的滚动轴承寿命预测方法;雷亚国 等;《2014年全国机械行业可靠性技术学术交流会暨可靠性工程分会第五届委员会成立大会论文集》;20140801;第194-199页 * |
混合智能技术及其在故障诊断中的应用研究;雷亚国;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20120115(第01期);第C029-12页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106934125A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934125B (zh) | 一种梯形噪声分布的指数模型机械设备剩余寿命预测方法 | |
Engel et al. | Prognostics, the real issues involved with predicting life remaining | |
Camci et al. | Feature evaluation for effective bearing prognostics | |
CN110866314A (zh) | 多层双向门控循环单元网络的旋转机械剩余寿命预测方法 | |
Chen et al. | A sparse multivariate time series model-based fault detection method for gearboxes under variable speed condition | |
Zhang et al. | Health state assessment of bearing with feature enhancement and prediction error compensation strategy | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CN116226646B (zh) | 轴承健康状态及剩余寿命的预测方法、***、设备及介质 | |
Reichard et al. | Application of sensor fusion and signal classification techniques in a distributed machinery condition monitoring system | |
CN109883691A (zh) | 核估计和随机滤波集成的齿轮剩余寿命预测方法 | |
CN104297002A (zh) | 一种地铁电动塞拉门故障预测装置 | |
CN110174261A (zh) | 多退化量监测的齿轮实时剩余寿命预测方法 | |
CN111783242B (zh) | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 | |
CN105445004B (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
CN114330517A (zh) | 一种基于神经网络的航空发动机传感器故障自诊断方法 | |
CN110987433B (zh) | 一种基于高频信号特征幅值的轴承故障预警方法 | |
CN111855219A (zh) | 一种基于灰色理论的柴油机润滑油进机安保参数预测方法 | |
Klausen et al. | Novel threshold calculations for remaining useful lifetime estimation of rolling element bearings | |
Lei et al. | A nonlinear degradation model based method for remaining useful life prediction of rolling element bearings | |
CN116401950B (zh) | 基于时间图卷积神经网络的滚动轴承性能衰退预测方法 | |
CN115452377B (zh) | 一种基于ceemdan与自适应去噪的滚动轴承故障诊断方法 | |
JP5751606B2 (ja) | 機械設備における異常診断システム | |
CN111079270A (zh) | 一种基于二元混合随机过程的轴承剩余寿命预测方法 | |
CN113468801B (zh) | 一种齿轮核密度估计剩余寿命预测方法 | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |