针对传统剩余使用寿命预测模型难以解决长时依赖问题以及不同特征组合对模型预测精度影响大的问题,提出一种基于特征选择与Transformer的剩余使用寿命预测模型。首先利用以互信息为理论基础的最大相关最小冗余特征选择算法,捕获特征与标签、特征与特征的关系,得到最佳特征组合;然后以Transformer的编码器为主体并加入门控卷积单元组成预测模型,使模型可以充分捕捉全局信息且提高运算效率的基础上也更加注重局部信息;通过网格搜索与粒子群算法确定模型超参数。最后将最优特征组合的变量数据输入模型实现涡扇发动机剩余使用寿命预测。利用此方法在C-MAPSS数据集进行验证,并进行对比实验,结果表明预测误差与模型效率均有一定改进。

针对数据驱动的轴承剩余使用寿命预测方法多基于先验知识来构建退化指标,较为繁琐,且传统卷积神经网络预测特征提取不完全的问题。该研究采用了多尺度卷积神经网络模型预测轴承剩余使用寿命。多尺度卷积神经网络模型以轴承振动数据为输入,避免了依靠先验知识的退化指标构建过程,且依据其多尺度特性可以从不同尺度自动对输入数据并行提取特征,能更加全面地学习振动信号所蕴含的退化规律。最后,为了减少多尺度卷积神经网络预测模型输出的局部波动,采用移动平均法对预测结果进行降噪平滑处理,最终得到预测结果。该研究使用加速轴承寿命实验数据验证了所提方法的有效性和可靠性。

轴向柱塞泵的回油流量是进行泵剩余使用寿命预测的重要数据。本文使用时间序列方法,建立了柱塞泵回油流量的ARIMA模型,使用所建立的ARIMA模型进行了泵回油流量的预测研究。研究结果为使用时间序列方法预测泵的剩余使用寿命提供了有益借鉴。

为提高轴承剩余使用寿命预测精度,提出一种基于改进PSO-SVR的轴承剩余使用寿命预测方法。选取轴承水平和垂直方向振动信号均方根、峰值因子、峭度因子等参数构造多维退化特征,建立基于SVR的轴承剩余使用寿命预测模型;针对SVR参数优化问题,设计一种动态自适应异步粒子群优化算法,引入G worst修正了速度位置更新公式,改进了一种基于倒S形函数的自适应惯性权重系数和一种基于惯性权重系数的异步自适应学习因子,能够有效克服局部最优,加快收敛效率,提高回归精度。仿真实验结果表明:提出的方法与GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有较高的预测效率和预测精度,预测精度均优于GBDT、RF、DT、GP等经典回归预测方法。

齿轮泵剩余使用寿命预测对液压元件预防性维护具有重要意义。从流量退化的角度构建一种基于改进的变分模态分解(IVMD)方法及图神经网络(GNN)的外啮合齿轮泵寿命评价模型。首先运用经粒子群优化算法(PSO)优化后的变分模态分解(VMD)方法对齿轮泵原始振动数据进行降噪重构,再从时域、频域、时频域选取重构信号的特征指标并组成特征矩阵,将特征矩阵进行归一化处理后得到齿轮泵寿命评估指标。最后将评估指标与对应流量信号输入到GNN模型中进行训练

针对涡扇发动机在退化过程中机制复杂、状态检测数据维数过高等问题,提出一种随机森林(RF)和基于自注意力机制(SA)深度门控循环单元(DGRU)相融合的涡扇发动机剩余使用寿命(RUL)预测方法。利用RF算法确定重要度阈值实现特征筛选。将筛选出的特征输入DGRU-SA模块,通过多层GRU神经网络挖掘出相关特征与目标值之间的隐藏信息,利用SA神经网络为隐藏信息添加不同大小的权重。最后,利用全连接层输出预测结果,采用CMAPSS数据集进行实验验证。结果证明:与传统的

齿轮是机械运动中非常重要的零部件,一旦发生损坏将对机械整体造成不可估量的损失,甚至波及人身安全,因此提前预知齿轮的剩余寿命非常重要。随着深度学习的快速发展,可以采用深度学习对齿轮进行剩余使用寿命的预测。卷积神经网络(CNN)具有权值共享和局部感知的优点,但是在处理时间序列上,CNN还有一定的缺陷;门控循环单元(GRU)可以处理时间序列在长距离上依赖不足的问题且结构简单。为了既可以具有权值共享的特点又可以解决时间序列的问题,提出