基于有限失效历史数据的设备剩余使用寿命预测方法研究

发布时间：2021-03-13 23:16

　　物联网、云计算和大数据等新一代信息技术和新一轮工业革命,促使设备整个寿命周期管理发生了质的改变,包括分布式传感网络获取的性能和环境数据在内的工业大数据的采集,为设备故障预测与健康管理（Prognostics and Health Management,PHM）提供了必要的基础条件。PHM作为保证设备安全和可靠性的关键技术,能够有效地监测设备的运行状态,预测设备的剩余使用寿命（Remaining useful life,RUL）,以优化运行、维护及保障策略。准确的RUL预测可以为决策者提前制定维修计划和优化供应链管理提供有效的信息,从而减少不必要的维修或更换成本。相比于基于失效物理模型的方法,基于数据驱动的方法避免了机理模型建立过程的高复杂性、高耗时性和高额成本,在设备更新迭代周期逐渐缩短的现代工业中更为经济和适用。然而在工业实际中,失效历史数据即“run-to-failure”过程数据往往十分稀缺,这导致基于有限的失效历史数据预测设备的RUL具有很大程度的不确定性,其预测结果往往与实际偏差很大,难以满足优化运行、维护及保障策略等方面的要求。本文系统地分析了两种适合基于有限失效历史数据进... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

突发性失效

退化性失效

传统基于相似性的方法的实施流程图

【参考文献】：
期刊论文
[1]基于BP神经网络的玻璃纤维增强塑料腐蚀条件下的寿命预测[J]. 王涛,王俊,赵迪宇,刘育建,侯锐钢.  化工学报. 2019(12)
[2]基于全卷积层神经网络的轴承剩余寿命预测[J]. 张继冬,邹益胜,邓佳林,张笑璐.  中国机械工程. 2019(18)
[3]基于RF-SVR的燃油计量装置性能衰退检测和剩余寿命估计方法[J]. 来晨阳,郭迎清,于华锋.  航空动力学报. 2019(07)
[4]考虑测量误差和随机效应的设备剩余寿命预测[J]. 蔡忠义,陈云翔,郭建胜,王泽洲,邓林.  系统工程与电子技术. 2019(07)
[5]基于时序模型和自联想神经网络的齿轮故障程度评估[J]. 张龙,成俊良,杨世锡,李兴林.  振动与冲击. 2019(02)
[6]基于AGA-GRNN神经网络的刀具寿命预测研究[J]. 李浩平,欧阳俊,谢雪媛.  三峡大学学报(自然科学版). 2018(06)
[7]基于遗传算法的BP神经网络的LED寿命预测模型[J]. 吴志杰,孔凡敏,李康.  半导体技术. 2018(05)
[8]基于多核LS-SVR的航电设备剩余寿命预测[J]. 李飞,陈颖,郭阳明,杜承烈,吴昊,冉从宝.  西北工业大学学报. 2017(04)
[9]基于BP神经网络的交流接触器剩余电寿命预测[J]. 李奎,李晓倍,郑淑梅,贺建超,武一.  电工技术学报. 2017(15)
[10]一种混合退化系统剩余寿命预测方法[J]. 杜党波,胡昌华,司小胜,张正新,张伟.  上海交通大学学报. 2017(07)



本文编号：3081076