發(fā)布時間：2023-03-18 15:36

　　隨著傳感器技術、信息與通信技術及物聯網等技術的快速發(fā)展,狀態(tài)監(jiān)測技術已被廣泛應用于各類產品。不同類型的傳感器被廣泛地部署于產品的各個部位并以極高的采樣頻率對其退化狀態(tài)進行實時在線監(jiān)測,所獲得監(jiān)測數據呈現井噴式的增長,這不可避免地將我們帶入了工業(yè)大數據時代。在工業(yè)大數據背景下,有效地利用海量的監(jiān)測數據能實現對產品剩余壽命更為準確的估計,有助于產品實現提前報警,從而預防災難性事故的發(fā)生,進一步優(yōu)化產品的維護策略,最終降低昂貴且非必需的維護費用,同時還能提升產品的可靠性、可用性和安全性。因此,本文將重點研究基于監(jiān)測大數據的產品剩余壽命預測方法。針對產品群規(guī)模大、傳感器多、數據采樣頻率高、動態(tài)工況和多失效模式耦合、復雜產品失效物理模型不可獲知等諸多挑戰(zhàn),本文研究了基于退化軌跡相似性分析的剩余壽命預測方法,構建了產品動態(tài)工況和多失效模式耦合作用下基于深度學習模型的剩余壽命預測方法,再融合粒子濾波技術和深度學習模型提出了混合剩余壽命預測方法,最后在Bootstrap實施框架下提出了更泛化的基于深度卷積神經網絡的剩余壽命預測方法。本文主要研究內容及創(chuàng)新成果如下:(1)提出一種改進的基于退化軌跡相似性...

【文章頁數】：139 頁

【學位級別】：博士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 產品剩余壽命預測方法研究綜述
        1.2.1 基于物理模型的剩余壽命預測方法研究
        1.2.2 基于數據驅動的剩余壽命預測方法研究
        1.2.3 基于物理模型和數據驅動的混合剩余壽命預測方法研究
    1.3 產品剩余壽命預測方法研究的發(fā)展趨勢分析
    1.4 論文結構框架和主要研究內容
第二章 基于退化軌跡相似性的剩余壽命預測改進方法
    2.1 引言
    2.2 傳統(tǒng)的基于相似性的剩余壽命預測方法
        2.2.1 方法假設與實施流程
        2.2.2 數據前處理
        2.2.3 退化軌跡相似性分析與剩余壽命預測
    2.3 基于核密度估計的相似性剩余壽命預測改進方法
        2.3.1 改進TSBP方法的實施框架與數據預處理
        2.3.2 基于核密度估計算法的剩余壽命概率密度函數近似
        2.3.3 基于改進TSBP方法的剩余壽命預測
    2.4 算例分析與方法驗證
        2.4.1 剩余壽命預測方法評價性能指標
        2.4.2 航空發(fā)動機退化仿真數據集
        2.4.3 結果分析與討論
    2.5 本章小結
第三章 基于雙向長短期記憶神經網絡的產品剩余壽命預測方法
    3.1 引言
    3.2 問題描述與數據前處理
        3.2.1 問題描述
        3.2.2 數據前處理
    3.3 基于雙向長短期記憶神經網絡的剩余壽命預測方法
        3.3.1 循環(huán)神經網絡簡介
        3.3.2 基于BLSTM網絡的產品多工況下剩余壽命預測模型
        3.3.3 模型訓練與正則化方法
    3.4 算例分析與方法驗證
        3.4.1 多工況下航空發(fā)動機退化仿真數據集簡介及數據前處理
        3.4.2 結果分析與討論
    3.5 本章小結
第四章 基于雙向長短期記憶神經網絡的混合剩余壽命預測方法
    4.1 引言
    4.2 數據采集與前處理
        4.2.1 數據采集
        4.2.2 數據前處理
    4.3 基于BLSTM模型的產品混合剩余壽命預測方法
        4.3.1 基于BLSTM模型的產品退化指標的構建
        4.3.2 融合粒子濾波算法的混合剩余壽命預測方法
    4.4 算例分析與方法驗證
        4.4.1 數據集簡介
        4.4.2 數據前處理
        4.4.3 方法驗證與結果討論
    4.5 本章小結
第五章 基于深度卷積神經網絡和BOOTSTRAP的剩余壽命預測方法
    5.1 引言
    5.2 數據前處理
        5.2.1 首次預測時間識別
        5.2.2 基于連續(xù)小波變換的時頻表征提取
    5.3 基于深度卷積神經網絡的RUL預測模型
        5.3.1 卷積神經網絡簡介
        5.3.2 基于深度卷積神經網絡的RUL預測模型
    5.4 基于DCNN模型和BOOTSTRAP框架的RUL預測方法
        5.4.1 預測區(qū)間的構建
        5.4.2 基于DCNN-Bootstrap方法的RUL預測區(qū)間量化
    5.5 算例分析與方法驗證
        5.5.1 軸承退化實驗數據簡介與前處理
        5.5.2 結果分析與討論
    5.6 本章小節(jié)
第六章 總結與展望
    6.1 本文主要研究結論
    6.2 后續(xù)工作展望
致謝
參考文獻
攻讀博士學位期間取得的成果



本文編號：3763399