导读:本文包含了机械设备剩余寿命论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:寿命,剩余,机械设备,向量,模型,状态,多核。
机械设备剩余寿命论文文献综述
刘小勇[1]（2018）在《基于深度学习的机械设备退化状态建模及剩余寿命预测研究》一文中研究指出随着科学技术的发展,分析机械设备产生的海量数据进而为设备的自主健康管理、自主保障等提供有益的决策信息成为工业界的重要任务之一,其中对机械设备进行退化状态建模及剩余寿命(Remaining Useful Life,RUL)预测是核心内容。传统方法因过度依赖信号处理技术及专家经验,处理复杂时间序列预测精度待提高等问题,逐渐无法满足准确、高效的设备健康管理要求,因此寻找更优的机械设备退化状态建模及剩余寿命预测方法成为愈加重要的研究课题。深度学习作为近年来的新兴算法,以强大的高层特征提取能力及非线性函数映射能力在诸多领域取得了优异成果,但在机械设备的健康管理领域的研究仍待发掘。本文以解决传统方法中的问题为出发点,深入研究了基于深度学习的设备退化状态建模方法,并在获得退化曲线后进行剩余寿命预测方法的研究。本文从机械设备的一维和多维监测数据两种情况出发,分别以轴承和涡轮发动机为例,开展了数据驱动方式下的机械设备退化状态建模和剩余寿命预测研究。首先,以典型的轴承振动监测数据为研究对象,在对比现有深度学习模型优缺点的基础上,提出了基于堆迭去噪自编码器(Stacked denoising autoencoders,SDAE)和自组织映射(Self-organizing mapping,SOM)的轴承退化状态建模方法,并在PHM2012数据集上进行算法的性能验证。其次,本文以涡轮发动机多传感器监测数据为研究对象,提出了基于SDAE的涡轮发动机退化状态建模方法,并利用CMAPSS数据进行实验验证。最后,本文对比了已有的剩余寿命预测模型,最终选择了基于长短时记忆网络(Long Short-Term Memory,LSTM)的机械设备剩余寿命预测方法,并在已获得的轴承和涡轮发动机退化曲线的基础上进行实验验证。研究结果表明,与传统的机械设备退化状态建模方法相比,本文提出的基于深度学习的退化状态建模方法在一维和多维监测数据下均可以构建出更加平滑且噪声更小的性能退化曲线,具备更好的时间关联性和单调性。并且该方法较少地依赖人工参与,整个过程以无监督方式进行,通用性较好。在构建出退化曲线的基础上,LSTM预测模型将设备健康值直接映射到RUL值的方式在轴承和涡轮发动机上两种典型机械设备上取得了优异的RUL预测结果,进一步验证了退化状态建模的必要性和LSTM预测模型的有效性。(本文来源于《哈尔滨工业大学》期刊2018-06-01）
张彬[2]（2016）在《数据驱动的机械设备性能退化建模与剩余寿命预测研究》一文中研究指出机械设备的大部分失效表现为性能退化失效,因此需要通过科学有效的方法对设备的性能退化进行分析与建模,揭示其发生、发展变化规律,以在恰当时刻采取针对性的维修策略使性能退化得到控制、纠正甚至自愈。此外还需根据设备迄今为止的性能退化情况,对设备剩余寿命进行预测,为运营管理维护决策提供重要理论依据。数据驱动的方法直接对设备个体在既定服役环境下的状态监测数据进行处理,来获得设备性能退化与剩余寿命的相关信息,可以更好地反映设备的实际情况。而且对于难以建立物理失效模型的大型、复杂机械设备,也可通过数据驱动方法对其性能退化与剩余寿命进行研究。本论文对数据驱动的机械设备性能退化建模与剩余寿命预测相关问题进行了较深入的研究,论文的研究成果不仅可以应用于机械设备,而且在桥梁结构、输电杆塔等也有着广泛的应用前景。论文的主要创新性成果有如下几个方面：(1)提出了基于奇异值分解(Singular Value Decomposition, SVD)的信息(?)特征提取方法。针对工程实践中的多时刻(或多工况)、多测点传感器监测问题,本论文研究了同时集成多时刻(或多工况)与多测点监测信号进行融合分析的信息(?)方法,并提出了基于SVD的信息(?)特征提取方法。通过桁架结构螺栓松动与否的结构响应试验,验证了信息(?)分析方法在结构损伤识别中的可行性。然后将基于SVD的信息(?)特征提取方法用于轴承性能退化评估,内圈与滚动体的性能退化试验研究结果表明,所提出的特征提取方法可以获得比现有方法更好的评估结果。(2)提出了基于多评价指标的性能退化特征选取方法。针对缺乏性能退化特征评价选取的问题,本论文提出了相关性、单调性、预测性以及鲁棒性等4个指标来研究性能退化特征的评价选取,可减少当前人为观察的工作量以及其它不确定性。通过滚动轴承的性能退化试验数据,对单个轴承的性能退化特征进行了评价选取,初步验证了所提指标的有效性。进而将这些指标用于航空发动机性能退化仿真数据的研究,对相关传感器信号特征进行了系统性的评价,优选出能更好刻画相同失效模式下所有个体性能退化的特征。(3)提出了运行时间归一化的函数主元分析(Functional Principal Component Analysis, FPCA)性能退化建模方法。针对当前性能退化建模大多为参数化建模的问题,本论文研究了基于FPCA方法的自适应性能退化建模方法。为使各个个体的性能退化数据更为均匀分布在相同观察区间,减小FPCA模型参数估计误差,提出在建模前对运行时间进行归一化处理。通过航空发动机性能退化的仿真数据,对基于FPCA的性能退化建模方法进行了验证。此外,还将所提的方法进一步用于直流散热风扇性能退化试验数据的处理,实现了对复杂性能退化轨迹的自适应建模,也进一步验证了建模前对运行时间进行归一化的必要性。(4)提出了基于FPCA的相似性剩余寿命预测方法。通过相似性方法进行剩余寿命预测时,重点在于性能退化轨迹的抽象建模以及用于相似性比较时性能退化轨迹时间范围的确定,当前的相关研究还不够完善。为此,在FPCA性能退化建模基础上,提出了一种新的相似性剩余寿命预测方法。所提方法通过FPCA将性能退化轨迹建模为函数型数据,进而可直接根据测试个体的整个性能退化轨迹自适应生成相同长度的参考性能退化轨迹,避免了相似性比较时性能退化轨迹时间范围的确定问题。通过航空发动机仿真数据与直流散热风扇的性能退化试验数据,验证了所提方法的有效性。研究结果表明,所提方法可以得到较可靠、准确的剩余寿命预测,而且随着测试个体状态监测数据的积累,剩余寿命的预测误差不断减小。(本文来源于《北京科技大学》期刊2016-06-06）
武斌,李璐,宋建成,曲兵妮,李宏伟[3]（2016）在《基于相似性的机械设备剩余使用寿命预测方法》一文中研究指出针对复杂机械设备剩余使用寿命难以预测的问题,提出了基于相似性的机械设备剩余使用寿命预测方法。基于相关性分析设计了特征量选取方案,通过计算预测数据与样本数据对应特征量的相似程度确定参考剩余使用寿命与权重,再计算参考剩余使用寿命的加权和,得到剩余使用寿命。实验结果表明,该方法能有效提取出可准确反映轴承剩余使用寿命变化趋势的特征量,且能有效地预测轴承剩余使用寿命,准确率高达81.8%,为相关设备的寿命管理提供了科学依据。(本文来源于《工矿自动化》期刊2016年06期）
雷亚国,陈吴,李乃鹏,林京[4]（2016）在《自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用》一文中研究指出针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。(本文来源于《机械工程学报》期刊2016年01期）
王恒,马海波,徐海黎,花国然[5]（2015）在《基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法》一文中研究指出提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。(本文来源于《仪表技术与传感器》期刊2015年01期）
李超[6]（2014）在《基于监测数据的机械设备剩余寿命预测研究》一文中研究指出进入21世纪以后,随着能源短缺、环境恶化问题的日益严峻,促使机械制造工艺向更高参数和更大装置规模发展,生产过程大型化、自动化、高参数运行、高能量储备的趋势使得机械产品的安全问题具有前所未有的重要性。机械产品复杂性和不确定性的增加,使其物理模型很难确定,由于其成本高、批量小等特点,传统的基于大样本的统计方法并不适合这类机械装备试验样本稀少的特点,如何根据小样本下的特征数据进行状态评估和寿命预测是具有极大挑战性课题,相关理论和方法以亟待完善。基于数据驱动的寿命预测方法为解决这类问题提供了可行的途径,本文针对现阶段机械设备运行维护中的重要科学问题,结合国家机械与制造科学的发展规划,对基于数据驱动的寿命预测方法中的支持向量机模型和状态空间模型进行了研究,本文主要完成了如下几个方面的工作：第一,对机械设备剩余寿命预测研究方法进行了综述,将寿命预测方法分为基于物理模型预测的方法,基于统计经验的预测方法,基于知识的预测方法和基于数据驱动预测的方法四类,分别对这些方法进行分析,比较各方法的优缺点。对机械设备故障预测的基本概念、发展历程以及故障预测内容进行了介绍,对故障演化规律进行了分析,给出了剩余寿命的定义。以上内容为机械设备剩余寿命预测模型的建立奠定了基础。第二,在支持向量机模型的应用实例中,首先对双列滚子轴承的振动信号提取RMS值作为退化特征,为减少信号中不规则特性的影响,同时简化信号的复杂性,将小波变换和支持向量机模型结合,根据分解后退化数据特征建立WT-SVM模型,对轴承退化趋势进行了单步与多步预测。对预测的结果,依据Hazen作图位置公式,得出了轴承退化预测点的分布,并给出了预测点基于t分布的95%的置信区间。同时将预测结果与单一SVM模型和神经网络模型的预测结果进行了对比分析。第叁,在状态空间模型的应用实例中,测取了铣刀加工过程中的磨损量数据,采用带有随机漂移效应的线性维纳过程描述刀具磨损量的变化过程并建立状态空间模型,这个模型与粒子滤波算法结合,基于自助法重采样得出了模型的未知参数,进而对铣刀的退化和剩余寿命进行了预测,根据对应的决策模型对最优换刀时间进行了分析。本论文的研究工作可为我国机械设备剩余寿命预测研究提供一定的参考与借鉴。(本文来源于《大连理工大学》期刊2014-06-01）
马海波,周东健,黄希,徐海黎[7]（2013）在《基于K-S距离的GM(1,1)的机械设备剩余寿命预测》一文中研究指出在工程应用中的振动信号大多为非线性非平稳信号,为了能充分利用工程中采集的振动信号中的信息,以kolmogorov-smirnov检验为基础,提出了以K-S距离作为机械设备各退化状态退化指标的方法.根据经验设定机械设备完全失效对应的退化指标的阈值,用退化指标序列训练灰色模型,然后用训练好的模型预测退化指标的变化趋势,从而估计退化指标到达设定阈值时的时间并以此作为机械设备的剩余使用寿命.最后通过轴承的全寿命周期振动信号对其验证,结果表明所提出的预测方法可以有效地预测轴承的剩余寿命.(本文来源于《南通大学学报(自然科学版)》期刊2013年04期）
成明利[8]（2004）在《基于状态监测的机械设备剩余寿命预测系统》一文中研究指出采取趋势分析技术 ,通过对机械设备进行状态监测 ,建立了设备剩余寿命预测模型 ,并开发了相应的寿命预测软件系统(本文来源于《水利电力机械》期刊2004年04期）
李俊,金家善,郁军[9]（2004）在《考虑维修影响的机械设备剩余寿命模型》一文中研究指出维修中对设备零部件的更换,使其经常处于局部更新状态,按单元的故障率模型无法计算具有这种特点设备的剩余寿命。文章根据系统可靠性理论,建立了具有局部更新特点的设备故障模型,按此模型预计设备的自然寿命,符合设备的实际情况,具有较高的参考价值。(本文来源于《中国修船》期刊2004年02期）
丁强[10]（2001）在《基于模型的机械设备磨损剩余寿命预测方法的研究》一文中研究指出机械设备是国民经济要素的重要组成，占据资产的很大比重。如何保证设备的正常运转，防止重大事故发生并延长其使用寿命是各国极为关注的重要课题。“剩余寿命预测”作为现代工业的一个重大课题，是经济发展与大工业运作现状的需要。目前，机械设备的剩余寿命预测的研究主要集中在针对具体单机的剩余寿命预测。采用的方法主要是通过采集数据以概率和数理统计为基础进行分析预测，或者以微观裂纹的扩展为基础对某个元件进行预测。而对以整个设备系统为研究对象进行剩余寿命预测的研究还不多，不具有普遍意义。因此有必要探讨一种较通用的方法对整体设备的剩余寿命进行预测。这对于提高设备的使用效率，增强可靠性，减少维修费用和延长使用寿命具有重要的意义。 影响机械设备寿命的因素非常多，相互之间的影响作用也是错综复杂。在影响机械设备寿命的因素中，磨损占有很大比重，因此在对机械设备进行剩余寿命预测时，磨损寿命是一个主要考虑因素。 根据机械设备故障随时间演变过程（历程）的特点，找出影响劣化过程的主要因素，采用计算机仿真对其劣化过程进行模拟，进而对其进行剩余寿命预测的方法取得了一定的进展。由于系统动力学（SD）方法在研究处理复杂系统问题方面具有简洁、高效，并且能够从系统整体出发进行仿真，因此提出采用系统动力学（SD）方法作为劣化过程的仿真手段，进行剩余寿命预测。由于机械设备的磨损失效是一种连续的渐发性失效，因此在判别失效准则上存在着模糊性。为了能够更准确的预测机械设备的磨损剩余寿命，在采用系统动力学对其劣化过程仿真的基础上，运用模糊评判法作为补充，从而能够较准确的确定机械设备的磨损剩余寿命。(本文来源于《河北农业大学》期刊2001-06-01）
机械设备剩余寿命论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
机械设备的大部分失效表现为性能退化失效,因此需要通过科学有效的方法对设备的性能退化进行分析与建模,揭示其发生、发展变化规律,以在恰当时刻采取针对性的维修策略使性能退化得到控制、纠正甚至自愈。此外还需根据设备迄今为止的性能退化情况,对设备剩余寿命进行预测,为运营管理维护决策提供重要理论依据。数据驱动的方法直接对设备个体在既定服役环境下的状态监测数据进行处理,来获得设备性能退化与剩余寿命的相关信息,可以更好地反映设备的实际情况。而且对于难以建立物理失效模型的大型、复杂机械设备,也可通过数据驱动方法对其性能退化与剩余寿命进行研究。本论文对数据驱动的机械设备性能退化建模与剩余寿命预测相关问题进行了较深入的研究,论文的研究成果不仅可以应用于机械设备,而且在桥梁结构、输电杆塔等也有着广泛的应用前景。论文的主要创新性成果有如下几个方面：(1)提出了基于奇异值分解(Singular Value Decomposition, SVD)的信息(?)特征提取方法。针对工程实践中的多时刻(或多工况)、多测点传感器监测问题,本论文研究了同时集成多时刻(或多工况)与多测点监测信号进行融合分析的信息(?)方法,并提出了基于SVD的信息(?)特征提取方法。通过桁架结构螺栓松动与否的结构响应试验,验证了信息(?)分析方法在结构损伤识别中的可行性。然后将基于SVD的信息(?)特征提取方法用于轴承性能退化评估,内圈与滚动体的性能退化试验研究结果表明,所提出的特征提取方法可以获得比现有方法更好的评估结果。(2)提出了基于多评价指标的性能退化特征选取方法。针对缺乏性能退化特征评价选取的问题,本论文提出了相关性、单调性、预测性以及鲁棒性等4个指标来研究性能退化特征的评价选取,可减少当前人为观察的工作量以及其它不确定性。通过滚动轴承的性能退化试验数据,对单个轴承的性能退化特征进行了评价选取,初步验证了所提指标的有效性。进而将这些指标用于航空发动机性能退化仿真数据的研究,对相关传感器信号特征进行了系统性的评价,优选出能更好刻画相同失效模式下所有个体性能退化的特征。(3)提出了运行时间归一化的函数主元分析(Functional Principal Component Analysis, FPCA)性能退化建模方法。针对当前性能退化建模大多为参数化建模的问题,本论文研究了基于FPCA方法的自适应性能退化建模方法。为使各个个体的性能退化数据更为均匀分布在相同观察区间,减小FPCA模型参数估计误差,提出在建模前对运行时间进行归一化处理。通过航空发动机性能退化的仿真数据,对基于FPCA的性能退化建模方法进行了验证。此外,还将所提的方法进一步用于直流散热风扇性能退化试验数据的处理,实现了对复杂性能退化轨迹的自适应建模,也进一步验证了建模前对运行时间进行归一化的必要性。(4)提出了基于FPCA的相似性剩余寿命预测方法。通过相似性方法进行剩余寿命预测时,重点在于性能退化轨迹的抽象建模以及用于相似性比较时性能退化轨迹时间范围的确定,当前的相关研究还不够完善。为此,在FPCA性能退化建模基础上,提出了一种新的相似性剩余寿命预测方法。所提方法通过FPCA将性能退化轨迹建模为函数型数据,进而可直接根据测试个体的整个性能退化轨迹自适应生成相同长度的参考性能退化轨迹,避免了相似性比较时性能退化轨迹时间范围的确定问题。通过航空发动机仿真数据与直流散热风扇的性能退化试验数据,验证了所提方法的有效性。研究结果表明,所提方法可以得到较可靠、准确的剩余寿命预测,而且随着测试个体状态监测数据的积累,剩余寿命的预测误差不断减小。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
机械设备剩余寿命论文参考文献
[1].刘小勇.基于深度学习的机械设备退化状态建模及剩余寿命预测研究[D].哈尔滨工业大学.2018
[2].张彬.数据驱动的机械设备性能退化建模与剩余寿命预测研究[D].北京科技大学.2016
[3].武斌,李璐,宋建成,曲兵妮,李宏伟.基于相似性的机械设备剩余使用寿命预测方法[J].工矿自动化.2016
[4].雷亚国,陈吴,李乃鹏,林京.自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用[J].机械工程学报.2016
[5].王恒,马海波,徐海黎,花国然.基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法[J].仪表技术与传感器.2015
[6].李超.基于监测数据的机械设备剩余寿命预测研究[D].大连理工大学.2014
[7].马海波,周东健,黄希,徐海黎.基于K-S距离的GM(1,1)的机械设备剩余寿命预测[J].南通大学学报(自然科学版).2013
[8].成明利.基于状态监测的机械设备剩余寿命预测系统[J].水利电力机械.2004
[9].李俊,金家善,郁军.考虑维修影响的机械设备剩余寿命模型[J].中国修船.2004
[10].丁强.基于模型的机械设备磨损剩余寿命预测方法的研究[D].河北农业大学.2001
论文知识图
