孫志偉, 胡 雄, 董 凱, 孫德建, 劉 洋

(1. 上海海事大學(xué) 物流工程學(xué)院,上海 201306; 2. 中國(guó)船舶集團(tuán)有限公司第七一一研究所,上海 201108)

岸橋作為特種設(shè)備,是港口集裝箱運(yùn)輸領(lǐng)域最常用的大型設(shè)備.起升減速箱的健康狀況決定了岸橋的工作效率和生產(chǎn)安全.軸承作為起升減速箱的關(guān)鍵部件,在集裝箱升降的過程中,將承受周期性的“急啟-急?！辈僮饕鸬恼駝?dòng)沖擊.長(zhǎng)期來看,它將導(dǎo)致軸承性能退化或突然失效,進(jìn)而造成停機(jī)甚至人員傷亡[1-2].對(duì)軸承進(jìn)行狀態(tài)監(jiān)測(cè)和壽命預(yù)測(cè)可以避免不必要的停機(jī),提高岸橋工作的可靠性以及安全性[3-4].

傳統(tǒng)關(guān)于軸承壽命的研究一般集中在固定工況條件下軸承退化過程與振動(dòng)、溫度和其他類型信號(hào)演變之間的關(guān)系.這些研究所采用的方法主要分為兩大類:基于模型驅(qū)動(dòng)的方法和基于數(shù)據(jù)驅(qū)動(dòng)的方法[5].模型驅(qū)動(dòng)的方法通過建立物理模型對(duì)軸承退化狀態(tài)與剩余使用壽命(Remaining Useful Life,RUL)進(jìn)行預(yù)測(cè).Lei等[6]基于Paris-Erdogan模型建立了軸承退化模型,并使用粒子濾波算法預(yù)測(cè)RUL.Qian等[7]結(jié)合Paris-Erdogan模型與多維自回歸模型預(yù)測(cè)軸承的缺陷演變.當(dāng)失效機(jī)制過于復(fù)雜而難以建模時(shí),數(shù)據(jù)驅(qū)動(dòng)方法能夠通過數(shù)據(jù)推演退化過程.Aye等[8]使用綜合高斯過程回歸(GPR)模型預(yù)測(cè)了滾動(dòng)軸承的退化趨勢(shì).Wang等[9]使用多個(gè)深度自動(dòng)編碼器模型提取線性可靠性指標(biāo),用于在特定負(fù)載和速度條件下進(jìn)行RUL預(yù)測(cè).Ali等[10]利用簡(jiǎn)化的模糊自適應(yīng)共振理論映射(SFAM)神經(jīng)網(wǎng)絡(luò)作為退化模型,并提出了一個(gè)平滑階段來尋找最佳RUL預(yù)測(cè).這兩類方法都獲得了準(zhǔn)確的RUL預(yù)測(cè)結(jié)果.但這些研究均假設(shè)軸承的運(yùn)行工況在其整個(gè)壽命周期內(nèi)保持不變,并未考慮工況的變化對(duì)退化過程的影響.但實(shí)際工作中軸承的運(yùn)行工況常根據(jù)生產(chǎn)需要而改變,將工況變化的影響排除在退化過程之外是不現(xiàn)實(shí)的.工況的變化可能會(huì)導(dǎo)致信號(hào)幅值等特征產(chǎn)生變化,進(jìn)而影響RUL預(yù)測(cè),因此有必要在進(jìn)行RUL預(yù)測(cè)時(shí)考慮工況條件變化的影響.

最近一些研究考慮了時(shí)變工況對(duì)RUL預(yù)測(cè)的影響.工況變化對(duì)退化信號(hào)的影響可概括為兩部分[11]:① 不同工況下的退化率變化;② 工況切換時(shí)的信號(hào)跳變.Liao等[12]考慮了在工況分段恒定時(shí),利用貝葉斯框架估計(jì)退化率,并通過蒙特卡羅模擬預(yù)測(cè)RUL.Peng等[13]比較了固定型、單調(diào)型和S型退化率的退化過程,并用逆高斯過程預(yù)測(cè)了RUL.Kundu等[14]將載荷、速度、溫度、濕度等工況因素作為退化參數(shù),使用威布爾退化模型預(yù)測(cè)軸承壽命.Li等[15]將信號(hào)跳躍系數(shù)與退化率引入到雙因素狀態(tài)空間(F2S2)模型中,并給出了時(shí)變工況條件下剩余壽命的分布.這些文獻(xiàn)研究了軸承在動(dòng)態(tài)運(yùn)行條件下的RUL預(yù)測(cè),但都假設(shè)同一軸承的未來運(yùn)行工況是預(yù)先確定且分段恒定的.岸橋生產(chǎn)作業(yè)中運(yùn)行工況會(huì)動(dòng)態(tài)變化,并且在系統(tǒng)退化期間無法預(yù)先確定.因此,有必要在預(yù)測(cè)退化狀態(tài)之前先預(yù)測(cè)載荷,并確定相應(yīng)的運(yùn)行工況.

為研究時(shí)變工況對(duì)RUL預(yù)測(cè)的影響,本文在壽命預(yù)測(cè)之前增加了載荷預(yù)測(cè)和工況分類步驟,并針對(duì)工況切換問題,解決了預(yù)測(cè)過程中模型參數(shù)隨工況變化的更新方法.具體來說,首先,采用等距離散化方法對(duì)載荷進(jìn)行分類,確定不同的運(yùn)行工況;并利用長(zhǎng)短時(shí)記憶(Long and Short-Term Memory,LSTM)網(wǎng)絡(luò)模型對(duì)載荷進(jìn)行預(yù)測(cè);然后,考慮退化率和跳變系數(shù),采用改進(jìn)的維納過程作為狀態(tài)轉(zhuǎn)移函數(shù)來描述系統(tǒng)狀態(tài)的退化過程;最后,采用工況激活粒子濾波(CAPF)方法[16]對(duì)退化狀態(tài)進(jìn)行預(yù)測(cè),更新退化率和信號(hào)跳變系數(shù),并實(shí)現(xiàn)RUL預(yù)測(cè).

1 基本理論

1.1 載荷離散化

文獻(xiàn)[17-18]中利用離散化方法對(duì)工作載荷進(jìn)行分類.等距離散化方法操作簡(jiǎn)單,計(jì)算速度快[16],因此本文采用該方法對(duì)載荷進(jìn)行離散,并計(jì)算工況邊界.該方法具體步驟如下.

假設(shè)載荷序列為S={S1,S2, …,Sm},分為k種工況,載荷最大值和最小值分別為Smax,Smin.

(1) 計(jì)算區(qū)間間隔:

(1)

(2) 生成k+1個(gè)區(qū)間邊界點(diǎn):

Sr= {Sr0,Sr1,Sr2, …Srj, …,Sk-1,Srk}

(2)

式中:Srj+1-Srj=SLC;Sr0=Smin;Srk=Smax;0≤j≤n-1.

(3) 設(shè)置t時(shí)刻的工況:

pt=j,Srj≤pt

(3)

1.2 長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)

it=σ(Wixt+Uiht-1+bi)

(4)

ft=σ(Wfxt+Ufht-1+bf)

(5)

ot=σ(Woxt+Uoht-1+bo)

(6)

(7)

(8)

ht=ot⊙tanhct

(9)

式中:xt為t時(shí)刻的輸入變量;ct為記憶單元的更新狀態(tài);ht為L(zhǎng)STM的最終輸出;Wi,Wf,Wo,Wc,Ui,Uf,Uo,Uc為權(quán)重矩陣;bi,bf,bo,bc為偏置向量;⊙為兩個(gè)向量的元素乘積;σ,tanh分別為sigmoid和雙曲正切激活函數(shù),

(10)

(11)

圖1給出了 LSTM 網(wǎng)絡(luò)的循環(huán)單元結(jié)構(gòu),其計(jì)算過程如下.

圖1 LSTM神經(jīng)元結(jié)構(gòu)圖Fig.1 Structure diagram of LSTM neurons

(2) 結(jié)合遺忘門ft和輸入門it來更新記憶單元.

(3) 結(jié)合輸出門ot,將內(nèi)部狀態(tài)的信息傳遞給外部狀態(tài)ht.

1.3 退化狀態(tài)方程

維納過程模型[20-21]是常用的軸承退化狀態(tài)模型.通用的維納過程模型一般表示為

W(t) =W(0) +ηt+σBB(t)

(12)

式中:W(t)表示系統(tǒng)在t時(shí)刻的狀態(tài);W(0)表示系統(tǒng)的初始狀態(tài)值,通常設(shè)置為0;η為退化率;σB為擴(kuò)散參數(shù);B(t)是標(biāo)準(zhǔn)布朗運(yùn)動(dòng).基于對(duì)時(shí)變工況的考慮,建立以下退化方程:

y(t)=αpt,pt-1(y(t-Δt) +ηptΔS+

βpt,pt-1) +ωt-1

(13)

式中:y(t) 為t時(shí)刻系統(tǒng)狀態(tài);αpt,pt-1和βpt,pt-1為由t-1時(shí)刻至t時(shí)刻工況變化對(duì)應(yīng)的跳變參數(shù);ηpt為t時(shí)刻對(duì)應(yīng)工況的退化率,在固定工況下為常數(shù),但會(huì)隨著工況的變化而變化;ΔS為由t-1時(shí)刻至t時(shí)刻的載荷變化;ωt-1為測(cè)量噪聲.

1.4 CAPF方法

傳統(tǒng)的RUL預(yù)測(cè)中假設(shè)工況保持不變,因此退化參數(shù)被認(rèn)為僅分配給一種工況.當(dāng)考慮工況隨時(shí)間變化時(shí),需要為每個(gè)不同的工況設(shè)置不同的參數(shù),并需要在預(yù)測(cè)退化狀態(tài)之前依據(jù)預(yù)測(cè)工況進(jìn)行參數(shù)選擇.因此,本文利用Sun等[16]提出的CAPF方法在狀態(tài)預(yù)測(cè)過程中添加了工況系數(shù)選擇過程,使用條件激活向量來選擇操作工況并匹配相應(yīng)的參數(shù).具體步驟如下.

(2) 設(shè)置工況激活向量.令

(14)

式中: 1≤i,j≤k;η是退化率向量,ηi代表i工況下的退化率;α,β為跳變參數(shù)矩陣,αij,βij為i工況到j(luò)工況的跳變參數(shù).

設(shè)置工況激活向量:

(15)

(16)

工況確定后, 可通過以下方程得到退化率與跳變參數(shù):

ηpt=Vtηt-1

(17)

(18)

(19)

(3) 更新系統(tǒng)狀態(tài).將更新后的θpt代入系統(tǒng)退化方程并預(yù)測(cè)系統(tǒng)狀態(tài).

(4) 更新權(quán)重與參數(shù)矩陣.

通過最新觀測(cè)更新權(quán)重與參數(shù):

(20)

(21)

(22)

(5) 重采樣.重新進(jìn)行粒子采樣, 將所有權(quán)重設(shè)置為1/N.

1.5 剩余使用壽命

RUL定義為從當(dāng)前時(shí)間到使用壽命結(jié)束的長(zhǎng)度:

rk=tEoL-tk

(23)

式中:tEoL是使用壽命的終點(diǎn);tk是預(yù)測(cè)時(shí)間點(diǎn);rk是tk時(shí)刻的剩余壽命.

對(duì)于狀態(tài)模型, RUL可以定義為當(dāng)前時(shí)間和系統(tǒng)狀態(tài)達(dá)到失效閾值之間的時(shí)間間隔:

rk=inf (l|y(l+tk)≥D)

(24)

式中:y(l+tk)是l+tk時(shí)刻的系統(tǒng)狀態(tài); inf(·)為下限函數(shù);D為失效閾值.

2 LSTM-CAPF預(yù)測(cè)框架

本文所提基于 LSTM-CAPF框架的岸橋起升減速箱軸承壽命預(yù)測(cè)框架如圖2所示,具體過程如下.

圖2 LSTM-CAPF預(yù)測(cè)框架路線圖Fig.2 Flow chart of LSTM-CAPF prediction method

(1) 載荷離散化,確定工況邊界.

(2) 使用LSTM方法預(yù)測(cè)運(yùn)行載荷及對(duì)應(yīng)工況.

(3) 軸承退化至故障期時(shí),根據(jù)工況預(yù)測(cè)結(jié)果,采用CAPF方法預(yù)測(cè)軸承退化狀態(tài).

(4) 軸承退化至失效期時(shí),根據(jù)預(yù)測(cè)的軸承退化狀態(tài)預(yù)測(cè)軸承RUL.

3 實(shí)例分析

3.1 岸橋起升減速箱全壽命數(shù)據(jù)

本文通過NetCMAS系統(tǒng)采集的某岸橋提升減速箱高速軸軸承自安裝至失效的全壽命載荷-狀態(tài)數(shù)據(jù)集驗(yàn)證所提出方法的有效性.該岸橋的結(jié)構(gòu)與傳感器的布置方式如圖3所示.應(yīng)力測(cè)點(diǎn)位于前拉桿和中拉桿之間的大梁上表面,振動(dòng)測(cè)點(diǎn)垂直放置在提升減速箱外殼上.監(jiān)測(cè)系統(tǒng)采樣頻率設(shè)置為 2 500 Hz,單次采樣時(shí)間為0.8 s,采樣間隔為8 s.分別采集并計(jì)算上述測(cè)點(diǎn)處的應(yīng)力平均值與振動(dòng)有效值,并分別以 10 000 點(diǎn)為一組計(jì)算平均值,形成載荷-狀態(tài)序列.

圖3 岸橋測(cè)點(diǎn)示意圖Fig.3 Schematic diagram of quay crane measuring points

3.2 退化階段劃分與工況分類

圖4、圖5分別為狀態(tài)序列與平滑后的狀態(tài)序列.從圖5所示的平滑振動(dòng)能譜可以看出,軸承退化明顯可分為3個(gè)階段:健康階段、故障階段和失效階段[22].工況分類將在健康階段完成,載荷及退化狀態(tài)預(yù)測(cè)將從故障階段開始,RUL預(yù)測(cè)將從失效階段開始.在健康階段,系統(tǒng)狀態(tài)相對(duì)穩(wěn)定,且該階段下軸承的退化過程能夠遍歷整個(gè)載荷范圍.根據(jù)港口常用的“輕載-中載-重載” 載荷分類模式,設(shè)置離散參數(shù)k′=3.失效閾值設(shè)置為岸橋維護(hù)人員檢測(cè)到異常噪聲時(shí)的振動(dòng)有效值.

圖4 起升減速箱全壽命振動(dòng)有效值Fig.4 Effective value of hoisting gearbox life cycle vibration

圖5 軸承退化階段劃分結(jié)果Fig.5 Division results of degradation stage of bearings

3.3 基于LSTM-CAPF框架的RUL預(yù)測(cè)

3.3.1LSTM預(yù)測(cè)載荷 目前還沒有成熟的理論基礎(chǔ)來有效地選取LSTM網(wǎng)絡(luò)超參數(shù)[23].本次模型構(gòu)建經(jīng)反復(fù)嘗試對(duì)比來搜索最優(yōu)超參數(shù).LSTM的最終參數(shù)選擇如表1所示.

采用平均絕對(duì)誤差(MAE)對(duì)預(yù)測(cè)結(jié)果進(jìn)行評(píng)估:

(25)

式中:Ri為第i預(yù)測(cè)點(diǎn)的剩余壽命預(yù)測(cè)值;ri為第i預(yù)測(cè)點(diǎn)的剩余壽命真實(shí)值.

為方便展示載荷預(yù)測(cè)結(jié)果,從預(yù)測(cè)序列中分別提取1、5、10、20、30步預(yù)測(cè)結(jié)果,構(gòu)成對(duì)應(yīng)步長(zhǎng)的預(yù)測(cè)時(shí)序,如圖6所示.

由圖6可知,無論單步或多步預(yù)測(cè),LSTM方法都能夠跟蹤岸橋工作載荷的變化趨勢(shì),并準(zhǔn)確預(yù)測(cè)載荷.但隨著預(yù)測(cè)步長(zhǎng)的增加,預(yù)測(cè)載荷與真實(shí)值的偏離程度有所增加.表2定量分析了不同步長(zhǎng)下的工況預(yù)測(cè)準(zhǔn)確性,隨著預(yù)測(cè)步長(zhǎng)的增加,工況預(yù)測(cè)IMAE值逐漸上升,預(yù)測(cè)準(zhǔn)確率相應(yīng)下降,但都保持在可以信賴的水平.試驗(yàn)表明,當(dāng)預(yù)測(cè)步長(zhǎng)超過30步時(shí),無法獲得準(zhǔn)確的工況預(yù)測(cè)信息.

表1 LSTM參數(shù)Tab.1 Parameters of LSTM

表2 不同步長(zhǎng)下工況預(yù)測(cè)準(zhǔn)確性對(duì)比

3.3.2CAPF預(yù)測(cè)系統(tǒng)狀態(tài) 為驗(yàn)證本文所提預(yù)測(cè)框架的有效性,對(duì)比4種預(yù)測(cè)方法:M1,LSTM-CAPF框架; M2,LSTM-PF框架; M3,單一粒子濾波(PF)方法; M4,LSTM-F2S2[15]框架.M1、M2、M4均采用LSTM方法預(yù)測(cè)載荷變化;M2與M3忽略工況水平的影響且M3不考慮時(shí)變工況的影響;M4在工況分段穩(wěn)定且已知的條件下表現(xiàn)良好, 將其作為對(duì)照組對(duì)比該方法與所提方法在工況連續(xù)變化條件下的模型表現(xiàn).

圖7為退化狀態(tài)單步預(yù)測(cè)結(jié)果對(duì)比.在單步預(yù)測(cè)時(shí),由于不區(qū)分工況,M3方法只能通過更大的噪聲分布更新參數(shù)分布,所以會(huì)造成更大的預(yù)測(cè)誤差,產(chǎn)生更多的誤報(bào)警;M2方法相對(duì)M3方法能夠取得較好的效果,但由于無法區(qū)分工況水平的影響,產(chǎn)生比M1方法更大的誤差.表3為不同預(yù)測(cè)框架下預(yù)測(cè)MAE結(jié)果對(duì)比,結(jié)合步長(zhǎng)為1時(shí)的預(yù)測(cè)IMAE值,單步預(yù)測(cè)時(shí)M2方法的IMAE值為0.72,與M4的0.68相近,小于M3方法的0.96,但大于LSTM-CAPF框架的0.37.這是因?yàn)長(zhǎng)STM-CAPF框架能夠充分利用載荷預(yù)測(cè)信息,獲得更準(zhǔn)確的退化狀態(tài)預(yù)測(cè)結(jié)果.

圖6 不同步長(zhǎng)載荷預(yù)測(cè)結(jié)果對(duì)比Fig.6 Comparison of load prediction results with different steps

圖7 4種預(yù)測(cè)方案退化狀態(tài)預(yù)測(cè)結(jié)果Fig.7 Prediction results of degradation state of four prediction schemes

表4列出了4種方案下單步狀態(tài)預(yù)測(cè)分布結(jié)果的平均方差.預(yù)測(cè)結(jié)果平均方差越大,表明預(yù)測(cè)結(jié)果分布在更寬的范圍內(nèi),預(yù)測(cè)結(jié)果的不確定性也越大.由表4可知,所提LSTM-CAPF框架的平均方差明顯小于其他3種預(yù)測(cè)方案,表明所提方法能夠降低狀態(tài)預(yù)測(cè)的不確定性,從而驗(yàn)證了所提LSTM-CAPF框架在降低不確定性方面的優(yōu)越性.

進(jìn)一步分析表3可以得出,在多步預(yù)測(cè)中,在考慮時(shí)變工況的情況下,所提LSTM-CAPF框架能夠明顯提高軸承退化狀態(tài)預(yù)測(cè)的準(zhǔn)確性.同時(shí)對(duì)比M4方法可知,F2S2模型在工況已知且分段恒定的條件下表現(xiàn)良好,但在應(yīng)對(duì)連續(xù)變化的載荷條件時(shí),相較所提的LSTM+CAPF模型,其預(yù)測(cè)能力尚有不足.M3方法的IMAE顯著增加,并在不同預(yù)測(cè)步長(zhǎng)中達(dá)到最高.這是因?yàn)镻F方法缺乏載荷變化和工況條件的預(yù)測(cè)信息.隨著預(yù)測(cè)步長(zhǎng)的增加,將導(dǎo)致狀態(tài)預(yù)測(cè)誤差逐漸累積.PF方法的預(yù)測(cè)結(jié)果表明,在動(dòng)態(tài)負(fù)載條件下,如果沒有負(fù)載預(yù)測(cè),則無法完成準(zhǔn)確的系統(tǒng)狀態(tài)預(yù)測(cè).M2方法由于忽略了工況條件對(duì)跳躍系數(shù)和退化率的影響,所以在每個(gè)預(yù)測(cè)步長(zhǎng)的系統(tǒng)狀態(tài)預(yù)測(cè)中生成比LSTM-CAPF框架更大的IMAE.同時(shí),結(jié)合表3與表4可以看出,PF模型的偏差、方差均明顯高于其他模型,LSTM-CAPF框架的偏差、方差均明顯低于其他模型,這表明單一的模型難以同時(shí)處理變化工況與狀態(tài)預(yù)測(cè)的任務(wù),而所提方法能夠控制預(yù)測(cè)偏差與預(yù)測(cè)不確定性,實(shí)現(xiàn)更精準(zhǔn)的預(yù)測(cè).

圖8為RUL預(yù)測(cè)結(jié)果.可以看出,PF方法沒有預(yù)測(cè)RUL的能力.在多步預(yù)測(cè)時(shí),PF方法缺乏準(zhǔn)確的載荷和工況預(yù)測(cè),退化狀態(tài)更新僅依賴于預(yù)測(cè)時(shí)間點(diǎn)的已知載荷,無法在變化的載荷水平條件下獲得準(zhǔn)確的退化狀態(tài),從而無法準(zhǔn)確預(yù)測(cè)RUL.一旦當(dāng)前時(shí)刻的工況條件為“重載”模式,RUL預(yù)測(cè)結(jié)果將顯著降低.這也解釋了表3中PF方法在不同步長(zhǎng)條件下均產(chǎn)生最大MAE的原因.LSTM-PF方法具備了載荷變化信息,能夠獲得一定的軸承退化狀態(tài)預(yù)測(cè)能力,但由于PF方法無法區(qū)分工況水平變化產(chǎn)生的退化率及跳變參數(shù)差異,預(yù)測(cè)退化狀態(tài)時(shí)會(huì)產(chǎn)生更大的預(yù)測(cè)誤差,產(chǎn)生更多誤報(bào)警,使預(yù)測(cè)RUL值偏低;與LSTM-PF方法相比,LSTM-F2S2方案考慮了工況水平的影響,因此能夠獲得更準(zhǔn)確的RUL預(yù)測(cè)結(jié)果,但由于該方法考慮的是分段恒定載荷,對(duì)實(shí)時(shí)變化的載荷條件對(duì)退化狀態(tài)與RUL的影響不敏感,所以該方法的RUL預(yù)測(cè)準(zhǔn)確度低于LSTM-CAPF框架.本文LSTM-CAPF框架能夠克服以上方案的缺陷,提前預(yù)測(cè)載荷變化,并通過CAPF方法將該信息從載荷變化量和載荷水平兩個(gè)方面進(jìn)行處理,通過更新每個(gè)工況下的退化率與工況轉(zhuǎn)換時(shí)的跳變參數(shù),獲得更精確的退化狀態(tài)預(yù)測(cè)結(jié)果,從而獲得更準(zhǔn)確的RUL預(yù)測(cè)結(jié)果.

圖8 4種預(yù)測(cè)方法RUL預(yù)測(cè)結(jié)果對(duì)比Fig.8 Comparison of RUL prediction results of four prediction methods

4 結(jié)論

提出了一種基于LSTM-CAPF的岸橋起升減速箱軸承壽命預(yù)測(cè)框架,首先通過LSTM方法對(duì)岸橋工作載荷與對(duì)應(yīng)工況進(jìn)行預(yù)測(cè),進(jìn)而利用CAPF方法預(yù)測(cè)起升減速箱軸承的退化狀態(tài)與RUL,得出以下結(jié)論:

(1) LSTM能夠?qū)W習(xí)時(shí)序數(shù)據(jù)隨時(shí)間變化規(guī)律的能力,利用岸橋工作載荷在時(shí)間上的依賴關(guān)系,準(zhǔn)確預(yù)測(cè)應(yīng)力載荷及其對(duì)應(yīng)工況.

(2) CAPF算法可以解決工況動(dòng)態(tài)切換時(shí)的參數(shù)匹配與更新問題.該方法根據(jù)載荷變化與工況切換情況,自適應(yīng)地選擇相應(yīng)的條件參數(shù)并實(shí)時(shí)更新,能夠更準(zhǔn)確地預(yù)測(cè)系統(tǒng)退化狀態(tài).

(3) 在變工況條件下,LSTM-CAPF預(yù)測(cè)框架在預(yù)測(cè)過程中增加了載荷及工況預(yù)測(cè)環(huán)節(jié),通過動(dòng)態(tài)匹配工況參數(shù),能夠處理岸橋起升減速箱軸承在變工況條件下的壽命預(yù)測(cè)問題.

(4) 將岸橋前大梁上的應(yīng)力測(cè)量點(diǎn)作為工況條件的特征.對(duì)于復(fù)雜系統(tǒng),多個(gè)測(cè)量點(diǎn)的融合特征能夠更準(zhǔn)確地反映外部工況的變化.在未來的工作中,將考慮多傳感器融合技術(shù)在動(dòng)態(tài)工況分類與預(yù)測(cè)中的應(yīng)用.