针对锂电池充放电数据中夹杂噪声从而影响剩余使用寿命预测的问题,首先基于多分辨率的小波降噪方法,提出了锂电池充放电曲线降噪方法。然后采用支持矢量机回归方法建立了基于降噪数据的支持矢量机预测模型。最后用实验的方法采集锂电池容量保持率-充放电次数数据,对数据进行降噪并应用支持矢量机回归方法对其进行了寿命预测。结果显示基于降噪数据建立的支持矢量机回归模型预测性能优于基于原始数据建立的支持矢量机回归模型的预测性能,该方法预测结果与实际实验数据相对偏差在2.1%以内。

针对轴承到达服役时间而依然满足使用条件造成的资源浪费问题,提出了一种基于CNN-LSTM的轴承剩余使用寿命预测方法。选取已完成服役工作仍健康的高铁牵引电机轴承为研究对象,搭建高铁牵引电机轴承试验平台并采集其振动信号;建立CNN-LSTM的网络模型,将采集到的振动信号经过傅里叶变换后输入到网络模型中,对其深层特征进行挖掘;最后,通过预测模块实现了对剩余使用寿命的预测。结果显示,所提方法得到的预测值较接近真实值,能够很好地反映出轴承运行中的性能退化趋势。

轴向柱塞泵作为液压系统的核心动力元件之一,其性能的好坏直接影响液压系统整体的工作状况,如果能掌握轴向柱塞泵剩余使用寿命的分布规律,可以为液压系统实施健康管理提供依据。为此,以轴向柱塞泵泄漏回油流量作为其性能退化指标,应用非线性Wiener过程构建其剩余使用寿命预测模型。通过与柱塞泵实例寿命比较表明,具有随机效应幂函数结构的非线性Wiener过程模型预测结果,优于线性以及其他2种非线性Wiener过程模型,更接近轴向柱塞泵退化过程中的实际寿命。

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明:所提模型可对轴承剩余寿命进行有效预测且精度较高。