专利交易市场

一种基于多参数特征融合的大型设备剩余使用寿命预测方法，包括步骤：通过大型在线监测系统获取实验室中大型设备的多种传感器时序参数；利用ReliefF算法对多参数连续值回归分析，通过特征权重筛选，得到与设备状态相关性较大的参数类型；基于主成分分析法对已筛选参数进行数据降维与特征提取，并通过权重融合得到表征大型设备运行状态的健康指数；构建基于期望最大化算法的HMM模型，健康指数作为训练集进行模型训练，找到用于评估当前健康指数对应设备健康状态的分级模型；通过Viterbi算法进行指数似然值计算，获得与该似然值最近邻健康指数，并利用加权平均法对指数差进行预测，得到健康状态拟合曲线；进而计算出大型设备的剩余使用寿命预测值。

本发明公开了一种满足跨工况场景应用的剩余使用寿命预测方法，包括以下步骤：1).给定已有源域和目标域退化数据；2).对收集的数据进行数据归一化；3).提取源域和目标域的退化特征，并将其分离成私有特征和共同特征两个部分；4).从全局分布和局部分布两个角度对齐源域和目标域的共同特征；5).采用对比学习中的InfoNCE损失函数最大化输入数据与提取出的特征的互信息，确保提取出的特征具有代表性；6).回归预测，使用以上步骤训练好的模型对测试数据进行RUL预测，大大提高了预测的精度。

本发明公开了一种基于相关性分析与VMD‑LSTM的锂离子电池剩余寿命预测方法。属于锂离子电池容量检测技术领域。具体步骤如下：将锂离子电池放电功率、恒流充电时间、放电平均温度、放电截至电压以及恒流充电时间与恒压充电时间的比值作为电池容量特征参数，计算出这些特征参数与电池容量之间的相关系数，选取相关性最强的特征参数作为预测锂离子电池RUL的HI。同时利用VMD对选取出的HI进行信号分解，将其分解为全局衰减、局部再生和其他噪声三种模态分量，并将这三种模态分量作为HI进行RUL预测，有效避免了变量信息重叠，且分解过程具有较强的鲁棒性。对分解出的模态分量分别经LSTM进行RUL初步预测，最后对三种模态分量的预测结果进行累加以实现锂离子电池RUL的精准预测。

本发明公开了一种基于卷积门控循环网络的轴承剩余使用寿命预测方法，涉及轴承检测方法技术领域。所述方法包括如下步骤：采集轴承全生命周期的振动加速度信号；对轴承全生命周期的振动加速度数据进行整合和数据预处理，对于处理后的全寿命轴承数据进行划分得到对应的训练集和测试集；设计用于轴承剩余使用寿命预测的卷积门控循环单元神经网络和注意力机制融合的网络结构；将训练集送入卷积门控循环单元神经网络和注意力机制融合的网络结构中进行自动特征提取，将提取得到的特征送至全连接层得到剩余使用寿命预测结果。通过所述方法预测的轴承剩余使用寿命更准确，可以防止重大事故发生，为预测性维修提供参考意见。