-
公开(公告)号：CN113722985A
公开(公告)日：2021-11-30
申请号：CN202110925455.4
申请日：2021-08-12
Applicant: 武汉科技大学
IPC: G06F30/27 , G06Q10/04 , G06N3/04 , G06N3/08 , G06F119/04
Abstract: 本发明提供一种航空发动机健康状态评估和剩余寿命预测方法及系统，该方法包括：将目标航空发动机的当前运行参数输入多任务模型中的双向门控循环单元模型，输出当前运行参数的特征向量；将当前运行参数的特征向量输入多任务模型中的多门控混合专家网络模型，输出目标航空发动机的健康状态和剩余寿命。本发明实现使用双向门控循环单元模型从当前运行参数中深度挖掘影响健康状态和剩余寿命的本质特征，从而有效提高剩余寿命和健康状态的评估精度；并使用多门控混合专家网络模型同时对剩余寿命预测任务和健康状态评估任务进行共同学习，充分考虑剩余寿命预测任务和健康状态评估任务之间的相关性和差异性，进一步提高剩余寿命和健康状态的评估精度。
-
公开(公告)号：CN109916634B
公开(公告)日：2021-03-23
申请号：CN201910140906.6
申请日：2019-02-26
Applicant: 武汉科技大学
IPC: G01M15/14
Abstract: 本发明实施例提供了一种航空涡扇发动机剩余使用寿命预测方法及系统，方法包括：获取航空涡扇发动机的检测数据，并根据所述检测数据判断所述航空涡扇发动机所处的退化阶段；基于航空涡扇发动机所处的退化阶段对应的经验模态分解方法，获取所述检测数据对应的特征向量；将所述检测数据对应的特征向量输入预先建立的航空涡扇发动机退化模型中，输出所述航空涡扇发动机的剩余使用寿命预测值。本发明实施例提供的航空涡扇发动机剩余使用寿命预测方法及系统，能够根据航空涡扇发动机的运行状态判断当前所处的退化阶段，预测剩余使用寿命，延长定期检修周期，降低运维成本。
-
公开(公告)号：CN110687451A
公开(公告)日：2020-01-14
申请号：CN201910802577.7
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供一种基于误差补偿的支持向量机锂电池剩余寿命预测方法。该方法的具体流程为：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标形成混合健康指标。在锂离子电池指标测量的过程中往往包含各种噪声，为减少噪声的影响，使用EEMD算法对锂离子电池数据集进行降噪处理；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，误差纠正模型用来减少SVR预测误差，提升RUL的预测精度。通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。
-
公开(公告)号：CN113722985B
公开(公告)日：2024-04-09
申请号：CN202110925455.4
申请日：2021-08-12
Applicant: 武汉科技大学
IPC: G06F18/24 , G06N3/08 , G06F18/2135 , G06N3/0442
Abstract: 本发明提供一种航空发动机健康状态评估和剩余寿命预测方法及系统，该方法包括：将目标航空发动机的当前运行参数输入多任务模型中的双向门控循环单元模型，输出当前运行参数的特征向量；将当前运行参数的特征向量输入多任务模型中的多门控混合专家网络模型，输出目标航空发动机的健康状态和剩余寿命。本发明实现使用双向门控循环单元模型从当前运行参数中深度挖掘影响健康状态和剩余寿命的本质特征，从而有效提高剩余寿命和健康状态的评估精度；并使用多门控混合专家网络模型同时对剩余寿命预测任务和健康状态评估任务进行共同学习，充分考虑剩余寿命预测任务和健康状态评估任务之间的相关性和差异性，进一步提高剩余寿命和健康状态的评估精度。
-
公开(公告)号：CN110610035B
公开(公告)日：2022-12-16
申请号：CN201910803500.1
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G06K9/00 , G06K9/62 , G06N3/08 , G06N3/04 , G01M13/045
Abstract: 本发明提供一种基于GRU神经网络的滚动轴承剩余寿命预测方法，该方法按照如下步骤进行：步骤1：提取样本滚动轴承的多个退化特征组成退化特征集；步骤2：利用CEEMDAN算法对退化特征集进行分解，将分解后的残差项作为趋势特征；步骤3：利用单调性和相关性的线性组合对趋势特征筛选，形成最优特征集；步骤4：归一化处理最优特征集；步骤5：将归一化处理后的最优特征集作为GRU神经网络的输入、剩余寿命百分比作为输出训练GRU神经网络；步骤6：获取待测滚动轴承的归一化处理的最优特征集并输入训练后的GRU神经网络中，利用输出的剩余寿命百分比预测出该待测滚动轴承的剩余寿命。本发明方法能更加准确地预测轴承的剩余寿命。
-
Patent Agency Ranking
公开(公告)号：CN110687451B
公开(公告)日：2022-10-25
申请号：CN201910802577.7
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G01R31/367 , G01R31/392
Abstract: 本发明提供一种基于误差补偿的支持向量机锂电池剩余寿命预测方法。该方法的具体流程为：首先，在电池容量的基础上提取了等时间间隔放电电压差健康指标形成混合健康指标。在锂离子电池指标测量的过程中往往包含各种噪声，为减少噪声的影响，使用EEMD算法对锂离子电池数据集进行降噪处理；然后在训练SVR模型的过程中使用PSR算法得出训练集的时延和嵌入维数；最后，误差纠正模型用来减少SVR预测误差，提升RUL的预测精度。通过NASA锂离子电池数据集证明了该方法在RUL预测方面的优越性。
-
公开(公告)号：CN109884548B
公开(公告)日：2021-07-20
申请号：CN201910160991.2
申请日：2019-03-04
Applicant: 武汉科技大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明实施例提供了一种基于GASVM‑AUKF算法的锂电池剩余寿命预测方法，包括：获取锂电池的容量数据，并根据所述容量数据建立状态空间方程；基于所述状态空间方程和自适应无迹卡尔曼滤波AUKF算法，获取锂电池对应的残差数据；基于支持向量机SVM算法，计算所述残差数据的预测值；基于所述AUKF算法和所述残差数据的预测值，预测所述锂电池的电池剩余寿命。本发明实施例提供的锂电池剩余寿命预测方法及系统，采用AUKF算法，可以实现过程噪声协方差与观测噪声协方差的自适应更新，降低噪声对整体滤波效果的影响，提高滤波精度，实现准确的剩余寿命预测结果。
-
公开(公告)号：CN113009368A
公开(公告)日：2021-06-22
申请号：CN202110206262.3
申请日：2021-02-24
Applicant: 武汉科技大学
IPC: G01R31/392 , G01R31/388 , G01R31/396 , G01R31/36
Abstract: 本发明提供一种基于MFF的多核GPR算法的锂电池剩余寿命预测方法，包括以下步骤：获得电池数据集，以电池容量作为锂电池寿命预测指标，对电池数据集的充放电曲线进行多个特征提取，形成多个单一特征集；对所提取的特征进行加权线性组合，计算组合特征；根据特征指标的趋势特性，初步选择多个单一核函数，并对核函数进行加权线性组合，得到组合核函数；将数据集划分为训练数据和测试数据，将步骤2得到的组合特征作为GPR算法的输入特征、将步骤3得到的组合核函数代入GPR算法中，在训练数据集上训练GPR模型，然后进行预测，直至预测的电池容量达到失效阈值时停止预测，并根据达到失效阈值的时间计算出锂电池的剩余寿命值RUL。
-
公开(公告)号：CN109884548A
公开(公告)日：2019-06-14
申请号：CN201910160991.2
申请日：2019-03-04
Applicant: 武汉科技大学
IPC: G01R31/392 , G01R31/367
Abstract: 本发明实施例提供了一种基于GASVM-AUKF算法的锂电池剩余寿命预测方法，包括：获取锂电池的容量数据，并根据所述容量数据建立状态空间方程；基于所述状态空间方程和自适应无迹卡尔曼滤波AUKF算法，获取锂电池对应的残差数据；基于支持向量机SVM算法，计算所述残差数据的预测值；基于所述AUKF算法和所述残差数据的预测值，预测所述锂电池的电池剩余寿命。本发明实施例提供的锂电池剩余寿命预测方法及系统，采用AUKF算法，可以实现过程噪声协方差与观测噪声协方差的自适应更新，降低噪声对整体滤波效果的影响，提高滤波精度，实现准确的剩余寿命预测结果。
-
公开(公告)号：CN110610035A
公开(公告)日：2019-12-24
申请号：CN201910803500.1
申请日：2019-08-28
Applicant: 武汉科技大学
IPC: G06F17/50 , G06N3/08 , G06N3/04 , G06K9/62 , G01M13/045
Abstract: 本发明提供一种基于GRU神经网络的滚动轴承剩余寿命预测方法，该方法按照如下步骤进行：步骤1：提取样本滚动轴承的多个退化特征组成退化特征集；步骤2：利用CEEMDAN算法对退化特征集进行分解，将分解后的残差项作为趋势特征；步骤3：利用单调性和相关性的线性组合对趋势特征筛选，形成最优特征集；步骤4：归一化处理最优特征集；步骤5：将归一化处理后的最优特征集作为GRU神经网络的输入、剩余寿命百分比作为输出训练GRU神经网络；步骤6：获取待测滚动轴承的归一化处理的最优特征集并输入训练后的GRU神经网络中，利用输出的剩余寿命百分比预测出该待测滚动轴承的剩余寿命。本发明方法能更加准确地预测轴承的剩余寿命。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.062 seconds)
