数据驱动的关键设备剩余寿命预测

发布时间：2021-10-26 07:03

　　近年来,随着工业化程度的不断提高,众多工业设备投入到工业过程中,这些工业设备的运行环境十分复杂多样,设备的性能会随着使用而发生退化,最终将会发生失效。如果设备发生失效,将会引发一系列严重的事故,造成重大的人员财产损失以及严重的环境破坏。因此,出现了在工业、国防、航天等领域有着广泛应用前景的预测与健康管理（Prognostics and Health Management,PHM）技术。PHM技术由故障预测和健康管理两部分组成,要确定故障的发生关键步骤是对设备的剩余寿命进行预测。为此,本文以现有数据驱动的剩余寿命（Remaining Useful Life,RUL）预测方法为基础,对工业过程中的关键设备RUL预测方法进行研究。具体研究内容包括:（1）为了更准确的预测锂离子电池的剩余寿命,提出基于粒子滤波——误差补偿算法的电池RUL预测方法。该方法以粒子滤波算法为基础,引入基于相关向量机的误差补偿算法构建误差模型进行补偿。通过比较该方法与粒子滤波算法的预测结果,该方法的预测误差更小,表明该方法能够提高预测精度。（2）针对粒子退化问题导致的预测精度下降问题,采用一种改进粒子滤波算法对锂离子电... 

【文章来源】：西安理工大学陕西省

【文章页数】：69 页

【学位级别】：硕士

【部分图文】：

剩余寿命预测方法分类Fig.1-1ClassificationofRemainingUsefulLifePredictionMethods

本章方法整体流程

本章方法流程图

【参考文献】：
期刊论文
[1]基于多参数融合相似的民航发动机寿命预测[J]. 曹惠玲,崔科璐,梁佳旺.  中国机械工程. 2020(07)
[2]融合多传感器数据的发动机剩余寿命预测方法[J]. 任子强,司小胜,胡昌华,王玺.  航空学报. 2019(12)
[3]基于深度学习理论的刀具状态监测及剩余寿命预测方法[J]. 安华,王国锋,王喆,马凯乐,钟才川.  电子测量与仪器学报. 2019(09)
[4]深度学习在设备故障预测与健康管理中的应用[J]. 陈志强,陈旭东,José Valente de Olivira,李川.  仪器仪表学报. 2019(09)
[5]电磁脉冲环境下HVDC换流阀晶闸管的失效机理及寿命模型分析[J]. 梁宁,张志刚,刘翠翠,王丰,卓放.  电力电容器与无功补偿. 2019(02)
[6]基于改进差分时域特征和深度学习优化的航空发动机剩余寿命预测算法[J]. 高峰,曲建岭,袁涛,高峰娟.  电子测量与仪器学报. 2019(03)
[7]基于Gamma过程的交流接触器剩余电寿命仿真预测[J]. 李奎,李正广,段宇,郑淑梅,刘政君,高志成.  电测与仪表. 2018(16)
[8]基于二元维纳过程的轴承剩余寿命预测[J]. 金晓航,李建华,孙毅.  仪器仪表学报. 2018(06)
[9]电动汽车供电系统锂电池剩余寿命预测[J]. 张吉宣,贾建芳,曾建潮.  电子测量与仪器学报. 2018(03)
[10]基于Wiener过程的航空燃油泵寿命预测[J]. 张先航,李曙林,常飞,杜旭,尹俊杰,肖尧.  航空科学技术. 2017(11)

博士论文
[1]小批量随机梯度下降算法在地震成像中的应用[D]. 潘磊.中国科学技术大学 2018

硕士论文
[1]基于粒子滤波的锂离子电池剩余寿命预测研究[D]. 赵小将.北京工业大学 2018
[2]间歇状态监测下缓慢退化系统的剩余寿命预测与维修策略优化研究[D]. 李丹丹.北京交通大学 2017



本文编号：3459064