导读:本文包含了剩余使用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:使用寿命,剩余,神经网络,锂离子电池,寿命,卷积,记忆。
剩余使用寿命论文文献综述
唐旭,徐卫晓,谭继文,王彦松[1]（2019）在《基于LSTM的滚动轴承剩余使用寿命预测》一文中研究指出为了准确反映滚动轴承的剩余使用寿命随着时间的变化,提出了使用具有时序功能的长短期记忆网络(LSTM)来预测滚动轴承退化程度的方法。按照时间顺序提取振动信号的均方根值、峰度、偏斜度等15个时域特征作为判断滚动轴承退化的特征值,将其输入到长短期记忆网络中,将网络输出的轴承退化值设定为0～1,0表示轴承完好,1为预定的滚动轴承寿命。再将退化值映射到对应组数的剩余使用寿命上,分析退化预测值与真实值的偏离程度。LSTM的预测值逼近真实值,拟合预测值便可得到滚动轴承的剩余使用寿命曲线,可以通过曲线较准确判断轴承退化程度。(本文来源于《机械设计》期刊2019年S1期）
高山[2]（2019）在《变工况滚动轴承剩余使用寿命研究》一文中研究指出滚动轴承是旋转机械中不可缺少的部件之一,其主要作用为支撑机械旋转体,降低旋转运动中的摩擦系数,并且保证其回转精度。然而在长期运行过程中,由于初始装配不当,制造不精确或者润滑不充分等原因,滚动轴承的缺陷和磨损是不可避免的。如何对滚动轴承可能发生的故障和剩余的使用寿命进行准确识别这一话题,几十年来吸引了国内外的大量学者对其进行研究,由于发生缺陷或损伤部分影响旋转系统其它部件并产生相对应的振幅调制振动,因此包络分析和解调技术被广泛应用于旋转机械的故障诊断。然而在实际的工况中,单一通道的数据并不能全面反映信号的特征,全矢谱技术采用同源双通道信息融合技术,可以更加全面的显示出旋转设备振动的特征信息,有效避免了单通道数据不能全面反映振动信息的缺点。为了克服EMD算法的模态混迭问题,以EMD算法为基础,研究发展出EEMD算法,并在处理信号噪声方向得到广泛的应用。综上所述,根据EEMD算法与全矢谱技术各自的优势,提出了一种EEMD与全矢谱结合来提取故障特征信息,并且利用HMM进行滚动轴承故障识别的新方法,并利用取得的实验数据验证了该方法的有效性。工况是指设备运行时所处的操作条件,环境条件等。在实际的运行情况中,不同的同种设备不可能处于完全相同的工作环境,然而不同的工作环境和机器的运行状态会对设备的磨损退化状态有着显着的影响。针对不同信号特征指标对滚动轴承剩余寿命反映能力的不同,本文对轴承的振动信号用全矢谱方法和全矢EEMD方法进行融合重构,对可以反映故障退化情况的几种典型的退化指标进行分析比较,选出相关性较高的若干个指标,然后采用KPCA融合算法,选取其最大似然估计值较大的融合后的值(一般为第一核主成分)来作为滚动轴承寿命的退化指标,解决了单个退化指标不能完全反映轴承寿命退化特征的问题。利用文中提出的轴承退化指标提取方法来获得建立不同转速下滚动轴承的寿命模型,最后用支持向量机分类方法对滚动轴承剩余使用寿命进行预测,实现了对不同转速下滚动轴承剩余寿命的准确预测。(本文来源于《郑州大学》期刊2019-05-01）
庞晓琼,王竹晴,曾建潮,贾建芳,史元浩[3]（2019）在《基于PCA-NARX的锂离子电池剩余使用寿命预测》一文中研究指出目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析(PCA)特征融合与非线性自回归(NARX)神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.(本文来源于《北京理工大学学报》期刊2019年04期）
李少鹏[4]（2019）在《结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究》一文中研究指出滚动轴承作为众多旋转机械设备中的基础部件之一,其运行状态对设备安全可靠运行有着至关重要的作用。一旦发生故障,不仅造成巨大的经济损失,甚至会导致灾难性人员伤亡。因此,准确地预测滚动轴承剩余使用寿命(RUL)可为预防性维修决策提供依据,便于维修策略的制定,提高旋转机械设备的可靠性和安全性,从而有效避免安全事故。为了充分挖掘滚动轴承原始振动信号所包含的轴承运行状态信息,自主构建趋势性量化健康指标,对滚动轴承的剩余使用寿命进行预测。论文提出一种结合卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承剩余寿命预测方法。首先,为了能够提高对滚动轴承振动信号的特征识别能力,获取更多的有用信息,提取故障特征,提高模型的整体预测能力,论文对滚动轴承振动信号进行频域预处理,使用快速傅里叶变换将原始振动信号转化为频域幅值信号。然后,将频域幅值信号进行归一化处理后作为CNN的输入,运用CNN具有卷积、权值共享等特性,自主提取频域幅值信号中的局部抽象信息,挖掘深层特征,避免传统特征提取方法过于依赖专家经验的问题。最后,将深层特征输入到LSTM网络中,并根据寿命百分比,自主构建趋势性量化健康指标,同时确定失效阈值。健康指标构建方法摒弃传统特征提取和特征融合的思路,避免失效阈值不易确定问题,减少了人力资源消耗和时间成本的增加。同时,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下,都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。(本文来源于《哈尔滨理工大学》期刊2019-03-01）
李奇,刘嘉蔚,陈维荣[5]（2019）在《质子交换膜燃料电池剩余使用寿命预测方法综述及展望》一文中研究指出质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)具有功率密度大、运行温度低、能量转化率高和环境友好等优点,但维护成本高、使用寿命短和性能衰减快等问题制约其商业化发展。总结国内外PEMFC剩余使用寿命预测技术的研究现状,从模型驱动方法、数据驱动方法和混合方法共3个方面对燃料电池剩余使用寿命预测方法进行归纳分类。在总结目前主流方法优缺点的基础上,提出将来的重点研究方向,为燃料电池剩余使用寿命预测的研究提供参考。(本文来源于《中国电机工程学报》期刊2019年08期）
侯恩广,乔昕,刘广敏[6]（2018）在《动力锂电池剩余使用寿命的预测方法研究》一文中研究指出为提高动力锂电池的安全性和可靠性,引入预测与健康管理技术中的核心内容——剩余使用寿命(RUL),研究建立动力锂电池剩余使用寿命的预测方法,通过采集电流、电芯电压、温度、电池SOC、电池SOH等数据,建立基于神经网络的人工智能模型,训练模型参数,预测动力锂电池剩余使用寿命。通过仿真验证,证明该方法具有一定的先进性和可靠性。(本文来源于《电源技术》期刊2018年10期）
刘小雍,熊中刚,阎昌国[7]（2018）在《一种融合支持向量机-高阶粒子滤波方法的机械剩余使用寿命预测》一文中研究指出为了预防机械系统出现灾难性失效,对其元件进行剩余使用寿命(RUL)估计并及时维修变得尤为重要。通过将支持向量回归(SVR)与高阶粒子滤波相融合,提出了一种RUL预测方法,对故障指示器的时间演化实现预测,同时建立RUL的概率密度函数(PDF)估计。首先,基于获取的数据对SVR进行训练,作为故障发展的模型描述并融合到高阶粒子滤波。紧接着,通过高阶粒子滤波的一组粒子完成p步预测以及当前状态估计,这些预测值用于RUL的PDF估计。最后,对来自可人为设定故障的UH-60直升机行星齿轮振动数据进行测试验证,表明提出方法的预测精度比传统SVR预测以及一阶粒子滤波方法更优越。(本文来源于《贵州大学学报(自然科学版)》期刊2018年05期）
朱晓栋,陈则王[8]（2018）在《基于维纳过程的电池剩余使用寿命预测》一文中研究指出电池的剩余使用寿命预测是电池健康管理中的一个关键问题。针对传统的退化过程建模不能考虑同批次电池中个体差异的问题,提出了一种基于维纳过程的随机变量模型对电池在复杂环境下的退化特性进行建模,传统的线性维纳过程是其特例。依据该模型,可以得到电池的可靠性指标和剩余使用寿命。实验结果表明,所提出的退化过程建模方法比传统方法精度高,且具有一定的工程应用价值。(本文来源于《机械制造与自动化》期刊2018年04期）
李丽敏,温宗周,宋玉琴[9]（2018）在《基于IUPF的锂离子电池剩余使用寿命预测方法》一文中研究指出随着新能源汽车的大力发展,其动力供应装置锂电池的健康评估也逐渐被重视。研究逐渐从关注锂电池的当前剩余电量转移到其剩余使用寿命的计算上。为有效准确地估计锂离子电池剩余使用寿命,本文提出一种基于改进的无迹粒子滤波(IUPF)的锂电池剩余使用寿命预测方法,通过对依托数据统计建立的锂离子电池状态方程和观测方程中的反映电池内阻的2个参数以及反映电池性能退化速率的2个参数进行估计,得到包含有失效时间的锂电池容量公式,并通过该公式计算出锂电池剩余使用寿命。利用美国国家航空航天局(NASA)艾姆斯预测数据库提供的锂离子电池寿命数据做相关的仿真验证,利用3种评价指标对该估计结果进行了性能评价,结果表明本文方法能够实现对锂离子电池剩余使用寿命的估计,而且能够提升UPF方法进行预测时的准确度。(本文来源于《计算机与现代化》期刊2018年07期）
冯丽苹,王军,徐艳,郭龙章,吕秀娟[10]（2018）在《运行汽轮机油剩余使用寿命评估方法》一文中研究指出对某核电站主机及主泵电机用新汽轮机油和运行汽轮机油进行了老化试验,通过分析老化过程中油品抗氧化性能、润滑性能、抗腐蚀性能、油泥生成倾向和外观颜色的变化趋势,判断影响新汽轮机油和运行汽轮机油剩余使用寿命的关键指标,根据关键指标在油品老化到应换油或继续运行具有危险性的极限值时所用的时间及运行汽轮机油已使用的时间,评估运行汽轮机油剩余使用寿命。(本文来源于《热力发电》期刊2018年06期）
剩余使用寿命论文开题报告
（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：
滚动轴承是旋转机械中不可缺少的部件之一,其主要作用为支撑机械旋转体,降低旋转运动中的摩擦系数,并且保证其回转精度。然而在长期运行过程中,由于初始装配不当,制造不精确或者润滑不充分等原因,滚动轴承的缺陷和磨损是不可避免的。如何对滚动轴承可能发生的故障和剩余的使用寿命进行准确识别这一话题,几十年来吸引了国内外的大量学者对其进行研究,由于发生缺陷或损伤部分影响旋转系统其它部件并产生相对应的振幅调制振动,因此包络分析和解调技术被广泛应用于旋转机械的故障诊断。然而在实际的工况中,单一通道的数据并不能全面反映信号的特征,全矢谱技术采用同源双通道信息融合技术,可以更加全面的显示出旋转设备振动的特征信息,有效避免了单通道数据不能全面反映振动信息的缺点。为了克服EMD算法的模态混迭问题,以EMD算法为基础,研究发展出EEMD算法,并在处理信号噪声方向得到广泛的应用。综上所述,根据EEMD算法与全矢谱技术各自的优势,提出了一种EEMD与全矢谱结合来提取故障特征信息,并且利用HMM进行滚动轴承故障识别的新方法,并利用取得的实验数据验证了该方法的有效性。工况是指设备运行时所处的操作条件,环境条件等。在实际的运行情况中,不同的同种设备不可能处于完全相同的工作环境,然而不同的工作环境和机器的运行状态会对设备的磨损退化状态有着显着的影响。针对不同信号特征指标对滚动轴承剩余寿命反映能力的不同,本文对轴承的振动信号用全矢谱方法和全矢EEMD方法进行融合重构,对可以反映故障退化情况的几种典型的退化指标进行分析比较,选出相关性较高的若干个指标,然后采用KPCA融合算法,选取其最大似然估计值较大的融合后的值(一般为第一核主成分)来作为滚动轴承寿命的退化指标,解决了单个退化指标不能完全反映轴承寿命退化特征的问题。利用文中提出的轴承退化指标提取方法来获得建立不同转速下滚动轴承的寿命模型,最后用支持向量机分类方法对滚动轴承剩余使用寿命进行预测,实现了对不同转速下滚动轴承剩余寿命的准确预测。
（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。
剩余使用寿命论文参考文献
[1].唐旭,徐卫晓,谭继文,王彦松.基于LSTM的滚动轴承剩余使用寿命预测[J].机械设计.2019
[2].高山.变工况滚动轴承剩余使用寿命研究[D].郑州大学.2019
[3].庞晓琼,王竹晴,曾建潮,贾建芳,史元浩.基于PCA-NARX的锂离子电池剩余使用寿命预测[J].北京理工大学学报.2019
[4].李少鹏.结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究[D].哈尔滨理工大学.2019
[5].李奇,刘嘉蔚,陈维荣.质子交换膜燃料电池剩余使用寿命预测方法综述及展望[J].中国电机工程学报.2019
[6].侯恩广,乔昕,刘广敏.动力锂电池剩余使用寿命的预测方法研究[J].电源技术.2018
[7].刘小雍,熊中刚,阎昌国.一种融合支持向量机-高阶粒子滤波方法的机械剩余使用寿命预测[J].贵州大学学报(自然科学版).2018
[8].朱晓栋,陈则王.基于维纳过程的电池剩余使用寿命预测[J].机械制造与自动化.2018
[9].李丽敏,温宗周,宋玉琴.基于IUPF的锂离子电池剩余使用寿命预测方法[J].计算机与现代化.2018
[10].冯丽苹,王军,徐艳,郭龙章,吕秀娟.运行汽轮机油剩余使用寿命评估方法[J].热力发电.2018
论文知识图
