基于伽马过程与BP神经网络混合模型的滚动副剩余使用寿命预测方法

《Lubricants》：Reliability-Oriented Prediction Method for Remaining Useful Life of Rolling Pair Wear Based on Stochastic Degradation Process and BP Neural Network

　　

摘要

滚动副广泛应用于高价值设备中，使得剩余使用寿命（RUL）预测对于可靠性和安全性至关重要。然而，由于磨损机制复杂、数据稀缺以及运行历史表征不足，RUL预测仍然面临巨大挑战。本文提出了一种结合伽马过程与反向传播（BP）神经网络的混合方法。利用从加速试验数据拟合的伽马分布与逆幂律模型生成的蒙特卡洛样本来扩充训练数据，同时采用历史矩阵表征时变工况条件。该方法使用核电站某封闭式、低速、重载旋转部件的磨损数据进行了评估。结果表明，所提方法在磨损预测方面实现了较高精度，并在时变工况条件下产生了连续的RUL轨迹。时变工况条件下同样产生了连续的RUL轨迹。该方法为退化数据有限且工况多变的滚动副提供了一种实用框架。