基于Wiener通用退化模型的刀具使用寿命预测分析.pdfVIP

总第262期机械管理开发Total262

2025年第2期MechanicalManagementandDevelopmentNo.2,2025

特性研究D0I:10.16525/14-1134/th.2025.02.008

基于Wiener通用退化模型的刀具使用寿命预测分析

李文丽，习姗

河南信阳464000)

（信阳艺术职业学院机电学院，）

摘要：为了进一步解决当前剩余寿命预测算法对多传感器融合预测面临的问题，构建一种利用多传感器融合的

刀具寿命预测方法。通过多传感器检测结果对模型开展联合更新，根据上述多传感器数据完成剩余寿命的准确预

测。各传感器检测生产都是相同状态发生退化时形成的系统响应，根据数据关联程度利用数据驱动方式确定多源

观测参数和状态序列映射关系。根据刀具寿命预测曲线可知，采用此方法得到的模型预测结果获得了接近实际值

的预测结果，表明采用此方法获得更准确预测效果。该研究有助于提高机械制造效率，具有很高的实际意义。

关键词：刀具；剩余寿命预测；多传感器融合；退化模型

中图分类号：TH17文献标识码：A文章编号：1003-773X(2025)02-0023-02

0式中：x(t)为t时运行状态;μ为瞬时退化率;T为积

引言

利用可靠性理论建立定期维护方案，之后对同批分值;α（)为波动方差时变函数;B(）为布朗运

次产品实施统计来获得失效时间特征，由此完成规定动形态。

时间内的停机检修[1]。以上各类传感器以及数据传输剩余寿命计算式如下：

系统共同构成了一个错综复杂的神经网络分布于机L=inf(l:x(l+th)≥DlxkDl).

械系统中，从而对各部位数据实现高效监测，能够实式中：L为t时对应的剩余寿命;inf()为下限函数;l为

时获取装备运行工况状态，这也为预测机械设备的剩t时以后的运行时间;D为失效阈值;α为t时对应

余寿命提供大量数据支撑[2-3]的状态量。

现阶段，已经获得应用的经验模型种类主要有随得到剩余寿命概率密度计算式如下[8]

机模型、Gamma与Wiener模型[4]。这些模型在获取应

力与力学特性参数上存在一定难度，研究人员根据优D-αk-gu(x(T+ts),T+t:)d+

(llx）=(

化物理模型发展出更可靠的经验模型。黄贤振等[5]提o2(T+t:)dT

出解决小样本空间的刀具剩余使用寿命预测方法，基μ(x(l+t),l+t)g2(I+t)

于支持向量回归方法，通过随机分形搜索算法优化模?(l+t)

1o2(T+tu)dT

型中的关键参数,所提方法可获得更优的模型参数和2元

更快的收敛速度。申玉杰[6]提出基于多源信息融合的

刀具剩余寿命预测方法，利用卷积门控循环神经网络D-Xkμ(x(T+tu),T+t)dr)2

X

进行多源信息融合，实现刀具剩余寿命预测，该方法2/,o2(T+t)dT

具有更好的预测精度。