一.设计寿命、使用寿命、剩余寿命
二.现代产品寿命预测技术研究面临的问题:
1.多环境因素,不仅是单一的,高温、高压、冲击磨损等环境
2.载荷形态复杂:
3.失效机理复杂;分析难度大,
4.实验与实际、试件与整机的矛盾
5.样本少
6.整机寿命预测相对较少: 较多是零部件寿命的预测
三.预测方法
1.基于统计的方法
2.基于模型的混合方法
基于失效物理模型的寿命预测方法
要求完备的数学模型,设备的复杂度在逐渐提高,获取失效机理的代价过高
机电耦合时不适用
基于数据驱动的寿命预测方法
机器学习、统计数据驱动:基于统计模型的方法、基于可靠性函数的方法、基于人工 智能的方法
融合二者的预测方法
兼顾大小样本数据,但过程复杂,使用较少
3.基于人工智能的方法
四、技术难点
1.基于机器学习算法的寿命预测
①目前局限于材料和局部,距离整机预测还有较大差距
②仅少数机器学习算法得到应用
③适用于大样本,对于中小样本,预测非常难(50个以上)
2.信息不完备
①设备信息无法或很难获取
②失效过程的不确定性
3.二者融合的方法
①环境复杂,载荷形态多样,难以准确的建立数学和物理模型
②仅有局部实验数据,整机实验数据缺失
4.发展新技术
①通过研究复杂载荷、多种环境因素、多种失效形式下的寿命试验方案、为寿命理论和方法研究奠定强有力的实验基础
②针对数据缺失及中小样本,研究数据扩展及相应数据分析的新方法
五、寿命预测发展方向
1 不确定性
①运行环境复杂多变,具有客观不确定性 扩展数据
②建立预测模型时引入主观不确定性 改进模型
③数据缺失、失效过程的不确定性的不确定性 融合数据
2耦合多失效模式
3考虑多部件相互影响的系统级寿命预测
①结合失效物理模型、统计数据驱动方法的解析表达优势结合机器学习特征信息与寿命之间的非线性关系刻画能力的优势
4.实时、动态、在线寿命预测研究
①现代测试数据检测到的运行参数与剩余寿命之间并无明确的定量关系
②设备状况的更新影响设备寿命,设备寿命动态变化,
要研究具有自更新能力的寿命预测模型、实时、在线地预测设备剩余寿命
六、研究热点
1.迁移学习
背景:
同类产品服役的工况环境差异较大
具有大致相似的失效模式和失效机理
设备型号、信号采集基本设置不同,导致所采集信号分布差异
2.深度学习
研究热点和难点
①深度学习结合随机过程模型、粒子滤波算法、相关向量机等方法进一步表征预测的不确定性
(融合预测的方法)
②构建基于booststrap的深度学习方法直接表征寿命的不确定性(基于数据驱动的方法)
③构建基于贝叶斯深度学习模型以扩展现有深度学习模型框架
3.健康指数构造
4. 布朗运动预测模型参数估计
5.建立考虑系统实时状态的剩余寿命预测模型
七.难点
1.产品系统的寿命预测是一个极其复杂的过程
涉及材料、结构、工况、载荷等多种因素混合
多学科协同的过程 (数学、物理学、化学、生物学)
失效机理认识不清、寿命预测模型积累不够、理论欠缺、多学科知识协同不足,
2.寿命预测结果的可信度
混合不确定性广泛存在于产品/系统寿命预测的全过程
3.小样本多参数退化的重大装备寿命预测
故障案例数量有限,通过传感器实时监测的数据与寿命之间并无明确的定量关系,在实际工作过程中可能存在两个甚至多个随时间不断退化的性能参数可能相关也可能无关
现有加速寿命试验、性能退化实验、实验室模拟、真时现场试验,花费时间长成本高昂
4.数字孪生作用在寿命预测中的应用
5.云边协同
6.小样本学习
整合小样本学习和迁移学习