内/外源随机因素影响下海上风机传动链深度隐变量寿命预测方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号:
    51905054
  • 项目类别:
    青年科学基金项目
  • 资助金额:
    25.0万
  • 负责人:
  • 依托单位:
  • 学科分类:
    E0503.机械动力学
  • 结题年份:
    2022
  • 批准年份:
    2019
  • 项目状态:
    已结题
  • 起止时间:
    2020-01-01 至2022-12-31

项目摘要

Offshore wind energy technology is a promising green sustainable energy technology. This research project aims to investigate the fundamental theory and critical technologies on remaining life prediction for offshore wind turbines under severe corrosive environment and wind/wave load. To reveal the nonlinear coupling law between damage, working conditions and signs, the interaction evolution mechanism of "corrosion-wear" is analyzed, and the coupled excitation effect of wind and wave loads is investigated. Further, to cope with degradation modeling and remaining life prediction problem under hierarchical stochastic factors, an integrated expression for complex probability generative relationship and dynamic sequential relationship is constructed, and then an adaptive deep latent variable state-space remaining useful life prediction method is proposed. The perspective research achievements are promising for providing effective measures for remaining useful life prediction and operational status assessment of offshore mechanical systems. This research project, concentrating on both theoretical significance and engineering applicability, will effectively enhance the service performance of offshore wind turbine and prohibit catastrophic accidental events.
海上风电是一种极具潜力的绿色新能源技术。本项目聚焦于严苛腐蚀环境中、风载/浪载联合作用下海上风机传部件寿命预测基础理论与关键技术的研究,针对多海上特殊环境中工况变化、损伤演化对损伤征兆的耦合作用尚不清晰的问题,分析“锈蚀-磨损”二元交互损伤演化机理,探索随机风载/浪载的联合激励与逐层传递作用,阐明损伤、工况及征兆间非线性耦合规律;针对受内/外源复杂随机因素作用的退化过程建模难、预测难的问题,研究驱动海上风机部件退化过程的层次化因果关系与动态时序关系的图模型表征方法和相互影响方式,探索复杂概率生成关系和动态时序关系的一体化表达方法,提出一种深度隐变量-状态空间模型用于传动部件的高精度自适应寿命预测技术。研究成果可为复杂海上机械系统寿命预测与运行安全评估提供有效的分析手段,将有效提高海上风机的服役性能和预防重大事故发生,具有重要的理论意义与工程应用价值。

结项摘要

能源的匮乏和环境的污染逐渐成为人类可持续发展重大阻碍。这使得人们将发展绿色新能源技术作为当前发展的重中之重,其中,海上风电便是这种极具潜力的绿色新能源技术。本项目针对海上风机关键零部件预测与健康管理中存在的若干关键问题开展了研究。在退化机理方面 ,本项目发现了一种刻画具有随机、瞬时接触特性的微观磨损行为的新规律。在故障诊断与辨识方面,针对非平衡样本、乏信息问题,通过对时序信息深度挖掘,提出一种基于切换状态空间模型的退化辨识方法、以及一种Wasserstein条件生成对抗网络的非平衡诊断方法。更进一步地,本项目将深度隐变量模型与状态空间模型进行融合,提出了一种更富有柔性的机械部件退化建模方法。在此基础上,本项目结合dropout方法和自适应递归策略,发展了一系列退化模型参数自适应调优技术,实现了关键组件剩余寿命的柔性预测。研究成果为复杂海上机械系统寿命预测与运行安全评估提供理论基础和实用技术。

项目成果

期刊论文数量(6)
专著数量(0)
科研奖励数量(1)
会议论文数量(0)
专利数量(0)
Adaptive Particle Filter-Based Approach for RUL Prediction Under Uncertain Varying Stresses With Application to HDD
不确定变化应力下基于自适应粒子滤波器的 RUL 预测方法及其在 HDD 中的应用
  • DOI:
    10.1109/tii.2021.3051285
  • 发表时间:
    2021
  • 期刊:
    IEEE Transactions on Industrial Informatics
  • 影响因子:
    12.3
  • 作者:
    Yu Wang;Yizhen Peng;Tommy W. S. Chow
  • 通讯作者:
    Tommy W. S. Chow
Adaptive stochastic-filter-based failure prediction model for complex repairable systems under uncertainty conditions
不确定条件下复杂可修复系统基于自适应随机滤波器的故障预测模型
  • DOI:
    10.1016/j.ress.2020.107190
  • 发表时间:
    2020
  • 期刊:
    Reliability Engineering & System Safety
  • 影响因子:
    --
  • 作者:
    Peng Yizhen;Wang Yu;Xie Jingsong;Zi Yanyang
  • 通讯作者:
    Zi Yanyang
A novel bearing imbalance Fault-diagnosis method based on a Wasserstein conditional generative adversarial network
一种基于 Wasserstein 条件生成对抗网络的新型轴承不平衡故障诊断方法
  • DOI:
    10.1016/j.measurement.2022.110924
  • 发表时间:
    2022-02-24
  • 期刊:
    MEASUREMENT
  • 影响因子:
    5.6
  • 作者:
    Peng, Yizhen;Wang, Yu;Shao, Yimin
  • 通讯作者:
    Shao, Yimin
Doubly Stochastic Cumulative Damage Model for RUL Prediction of HDDs in Uncertain Operating Environments
用于不确定操作环境中硬盘 RUL 预测的双随机累积损坏模型
  • DOI:
    10.1109/tie.2020.3013777
  • 发表时间:
    2021-09
  • 期刊:
    IEEE Transactions on Industrial Electronics
  • 影响因子:
    7.7
  • 作者:
    Peng Yizhen;Wang Yu;Wang Guochao
  • 通讯作者:
    Wang Guochao
A New Concept of Instantaneous Whirling Speed for Cracked Rotor's Axis Orbit
裂纹转子轴轨道瞬时回转速度的新概念
  • DOI:
    10.3390/app9194120
  • 发表时间:
    2019-10-01
  • 期刊:
    APPLIED SCIENCES-BASEL
  • 影响因子:
    2.7
  • 作者:
    Xie, Jingsong;Chen, Jinglong;Zi, Yanyang
  • 通讯作者:
    Zi, Yanyang

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--"}}
  • 发表时间:
    {{ item.publish_year || "--" }}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--"}}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}

数据更新时间:{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ monograph.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者:
    {{ item.authors }}

数据更新时间:{{ patent.updateTime }}

其他文献

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI:
    {{ item.doi || "--" }}
  • 发表时间:
    {{ item.publish_year || "--"}}
  • 期刊:
    {{ item.journal_name }}
  • 影响因子:
    {{ item.factor || "--" }}
  • 作者:
    {{ item.authors }}
  • 通讯作者:
    {{ item.author }}
empty
内容获取失败,请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题,我已根据课题信息分析并撰写以下内容,帮您拓宽课题思路:

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号:
    {{ item.ratify_no }}
  • 批准年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号:
    {{ item.ratify_no }}
  • 财政年份:
    {{ item.approval_year }}
  • 资助金额:
    {{ item.support_num }}
  • 项目类别:
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者:{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目:调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要:

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题,其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子,其表达水平对抗病毒防御至关重要。然而,TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用,影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法,探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用,为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义,并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路:

科学问题:TRIM2如何调控A型流感病毒诱导的IFN-β表达?
前期研究:已有研究表明TRIM2参与抗病毒反应,但其具体机制尚不明确。
研究创新点:本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线:包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术:TRIM2与病毒RNA的相互作用分析,IFN-β启动子活性检测。
实验模型:使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
      
关闭
close
客服二维码