基于监测大数据的产品剩余寿命预测方法研究
发布时间：2023-03-18 15:36
随着传感器技术、信息与通信技术及物联网等技术的快速发展,状态监测技术已被广泛应用于各类产品。不同类型的传感器被广泛地部署于产品的各个部位并以极高的采样频率对其退化状态进行实时在线监测,所获得监测数据呈现井喷式的增长,这不可避免地将我们带入了工业大数据时代。在工业大数据背景下,有效地利用海量的监测数据能实现对产品剩余寿命更为准确的估计,有助于产品实现提前报警,从而预防灾难性事故的发生,进一步优化产品的维护策略,最终降低昂贵且非必需的维护费用,同时还能提升产品的可靠性、可用性和安全性。因此,本文将重点研究基于监测大数据的产品剩余寿命预测方法。针对产品群规模大、传感器多、数据采样频率高、动态工况和多失效模式耦合、复杂产品失效物理模型不可获知等诸多挑战,本文研究了基于退化轨迹相似性分析的剩余寿命预测方法,构建了产品动态工况和多失效模式耦合作用下基于深度学习模型的剩余寿命预测方法,再融合粒子滤波技术和深度学习模型提出了混合剩余寿命预测方法,最后在Bootstrap实施框架下提出了更泛化的基于深度卷积神经网络的剩余寿命预测方法。本文主要研究内容及创新成果如下:(1)提出一种改进的基于退化轨迹相似性...
【文章页数】：139 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 产品剩余寿命预测方法研究综述
1.2.1 基于物理模型的剩余寿命预测方法研究
1.2.2 基于数据驱动的剩余寿命预测方法研究
1.2.3 基于物理模型和数据驱动的混合剩余寿命预测方法研究
1.3 产品剩余寿命预测方法研究的发展趋势分析
1.4 论文结构框架和主要研究内容
第二章 基于退化轨迹相似性的剩余寿命预测改进方法
2.1 引言
2.2 传统的基于相似性的剩余寿命预测方法
2.2.1 方法假设与实施流程
2.2.2 数据前处理
2.2.3 退化轨迹相似性分析与剩余寿命预测
2.3 基于核密度估计的相似性剩余寿命预测改进方法
2.3.1 改进TSBP方法的实施框架与数据预处理
2.3.2 基于核密度估计算法的剩余寿命概率密度函数近似
2.3.3 基于改进TSBP方法的剩余寿命预测
2.4 算例分析与方法验证
2.4.1 剩余寿命预测方法评价性能指标
2.4.2 航空发动机退化仿真数据集
2.4.3 结果分析与讨论
2.5 本章小结
第三章 基于双向长短期记忆神经网络的产品剩余寿命预测方法
3.1 引言
3.2 问题描述与数据前处理
3.2.1 问题描述
3.2.2 数据前处理
3.3 基于双向长短期记忆神经网络的剩余寿命预测方法
3.3.1 循环神经网络简介
3.3.2 基于BLSTM网络的产品多工况下剩余寿命预测模型
3.3.3 模型训练与正则化方法
3.4 算例分析与方法验证
3.4.1 多工况下航空发动机退化仿真数据集简介及数据前处理
3.4.2 结果分析与讨论
3.5 本章小结
第四章 基于双向长短期记忆神经网络的混合剩余寿命预测方法
4.1 引言
4.2 数据采集与前处理
4.2.1 数据采集
4.2.2 数据前处理
4.3 基于BLSTM模型的产品混合剩余寿命预测方法
4.3.1 基于BLSTM模型的产品退化指标的构建
4.3.2 融合粒子滤波算法的混合剩余寿命预测方法
4.4 算例分析与方法验证
4.4.1 数据集简介
4.4.2 数据前处理
4.4.3 方法验证与结果讨论
4.5 本章小结
第五章 基于深度卷积神经网络和BOOTSTRAP的剩余寿命预测方法
5.1 引言
5.2 数据前处理
5.2.1 首次预测时间识别
5.2.2 基于连续小波变换的时频表征提取
5.3 基于深度卷积神经网络的RUL预测模型
5.3.1 卷积神经网络简介
5.3.2 基于深度卷积神经网络的RUL预测模型
5.4 基于DCNN模型和BOOTSTRAP框架的RUL预测方法
5.4.1 预测区间的构建
5.4.2 基于DCNN-Bootstrap方法的RUL预测区间量化
5.5 算例分析与方法验证
5.5.1 轴承退化实验数据简介与前处理
5.5.2 结果分析与讨论
5.6 本章小节
第六章 总结与展望
6.1 本文主要研究结论
6.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：3763399
【文章页数】：139 页
【学位级别】：博士
【文章目录】：
摘要
abstract
第一章 绪论
1.1 研究背景及意义
1.2 产品剩余寿命预测方法研究综述
1.2.1 基于物理模型的剩余寿命预测方法研究
1.2.2 基于数据驱动的剩余寿命预测方法研究
1.2.3 基于物理模型和数据驱动的混合剩余寿命预测方法研究
1.3 产品剩余寿命预测方法研究的发展趋势分析
1.4 论文结构框架和主要研究内容
第二章 基于退化轨迹相似性的剩余寿命预测改进方法
2.1 引言
2.2 传统的基于相似性的剩余寿命预测方法
2.2.1 方法假设与实施流程
2.2.2 数据前处理
2.2.3 退化轨迹相似性分析与剩余寿命预测
2.3 基于核密度估计的相似性剩余寿命预测改进方法
2.3.1 改进TSBP方法的实施框架与数据预处理
2.3.2 基于核密度估计算法的剩余寿命概率密度函数近似
2.3.3 基于改进TSBP方法的剩余寿命预测
2.4 算例分析与方法验证
2.4.1 剩余寿命预测方法评价性能指标
2.4.2 航空发动机退化仿真数据集
2.4.3 结果分析与讨论
2.5 本章小结
第三章 基于双向长短期记忆神经网络的产品剩余寿命预测方法
3.1 引言
3.2 问题描述与数据前处理
3.2.1 问题描述
3.2.2 数据前处理
3.3 基于双向长短期记忆神经网络的剩余寿命预测方法
3.3.1 循环神经网络简介
3.3.2 基于BLSTM网络的产品多工况下剩余寿命预测模型
3.3.3 模型训练与正则化方法
3.4 算例分析与方法验证
3.4.1 多工况下航空发动机退化仿真数据集简介及数据前处理
3.4.2 结果分析与讨论
3.5 本章小结
第四章 基于双向长短期记忆神经网络的混合剩余寿命预测方法
4.1 引言
4.2 数据采集与前处理
4.2.1 数据采集
4.2.2 数据前处理
4.3 基于BLSTM模型的产品混合剩余寿命预测方法
4.3.1 基于BLSTM模型的产品退化指标的构建
4.3.2 融合粒子滤波算法的混合剩余寿命预测方法
4.4 算例分析与方法验证
4.4.1 数据集简介
4.4.2 数据前处理
4.4.3 方法验证与结果讨论
4.5 本章小结
第五章 基于深度卷积神经网络和BOOTSTRAP的剩余寿命预测方法
5.1 引言
5.2 数据前处理
5.2.1 首次预测时间识别
5.2.2 基于连续小波变换的时频表征提取
5.3 基于深度卷积神经网络的RUL预测模型
5.3.1 卷积神经网络简介
5.3.2 基于深度卷积神经网络的RUL预测模型
5.4 基于DCNN模型和BOOTSTRAP框架的RUL预测方法
5.4.1 预测区间的构建
5.4.2 基于DCNN-Bootstrap方法的RUL预测区间量化
5.5 算例分析与方法验证
5.5.1 轴承退化实验数据简介与前处理
5.5.2 结果分析与讨论
5.6 本章小节
第六章 总结与展望
6.1 本文主要研究结论
6.2 后续工作展望
致谢
参考文献
攻读博士学位期间取得的成果
本文编号：3763399
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3763399.html
