文档名：零寿命标签下退化设备剩余寿命预测方法
摘要：考虑到安全性与经济性因素,同类历史设备的性能退化数据大多属于截尾型,采用深度学习训练时往往面临零寿命标签的挑战,量化剩余寿命(RemainingUsefulLife,RUL)不确定性更是难上加难,并且现有深度学习模型进行RUL预测时忽略了首达与非首达时间意义之间的区别.为了克服以上困难,本文提出一种零寿命标签下退化设备RUL预测方法,采用数据预处理技术生成以退化信息为标签的样本,利用贝叶斯双向长短期记忆(BayesianBidi-rectionalLongShort-TermMemory,B-Bi-LSTM)模型描述设备性能退化演变规律,同时借助变分推断技术实现了性能退化的不确定性度量.进一步,从可靠性角度分析了性能退化预测分布与RUL分布间的关系,分别围绕首达与非首达两类情形推导设备RUL概率分布,通过锂电池案例对所提方法进行实例验证.实验结果表明,所提方法能够提供RUL预测的点估计与概率分布式结果,有效确保了预测结果的科学性.
作者：裴洪 司小胜 胡昌华 郑建飞 张建勋 董青Author：PEIHong SIXiao-sheng HUChang-hua ZHENGJian-fei ZHANGJian-xun DONGQing
作者单位：火箭军工程大学控制工程系,陕西西安710025
刊名：电子学报 ISTICEIPKU
Journal：ActaElectronicaSinica
年，卷(期)：2023, 51(7)
分类号：TP18TB114.3V239
关键词：剩余寿命预测 零寿命标签 贝叶斯双向长短期记忆模型 退化设备 首达时间 非首达时间
Keywords：remainingusefullifeprediction zerolifelabel Bayesianbidirectionallongshort-termmemorymodel degradedequipment firsthittingtime non-firsthittingtime
机标分类号：TH133.33U414.18V437
在线出版日期：2023年9月27日
基金项目：零寿命标签下退化设备剩余寿命预测方法[
期刊论文] 电子学报--2023, 51(7)裴洪 司小胜 胡昌华 郑建飞 张建勋 董青考虑到安全性与经济性因素,同类历史设备的性能退化数据大多属于截尾型,采用深度学习训练时往往面临零寿命标签的挑战,量化剩余寿命(RemainingUsefulLife,RUL)不确定性更是难上加难,并且现有深度学习模型进行RUL预测时...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
零寿命标签下退化设备剩余寿命预测方法 Prognostic Method of Remaining Useful Life for Degraded Equipment Under Zero Life Label
零寿命标签下退化设备剩余寿命预测方法.pdf
- 文件大小:
- 3.21 MB
- 下载次数:
- 60
-
高速下载
|
|
