CN105956236B - 一种双重更新的四因素随机退化模型齿轮寿命预测方法 - Google Patents
一种双重更新的四因素随机退化模型齿轮寿命预测方法 Download PDFInfo
- Publication number
- CN105956236B CN105956236B CN201610257102.0A CN201610257102A CN105956236B CN 105956236 B CN105956236 B CN 105956236B CN 201610257102 A CN201610257102 A CN 201610257102A CN 105956236 B CN105956236 B CN 105956236B
- Authority
- CN
- China
- Prior art keywords
- gear
- update
- model
- formula
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 47
- 230000015556 catabolic process Effects 0.000 title claims abstract description 43
- 230000009977 dual effect Effects 0.000 title abstract 3
- 239000002245 particle Substances 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 9
- 238000007476 Maximum Likelihood Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 5
- 230000005653 Brownian motion process Effects 0.000 claims description 3
- 238000005537 brownian motion Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 230000003412 degenerative effect Effects 0.000 abstract 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 24
- 238000002474 experimental method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003638 chemical reducing agent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/021—Gearings
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/02—Gearings; Transmission mechanisms
- G01M13/028—Acoustic or vibration analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
一种双重更新的四因素随机退化模型齿轮寿命预测方法,充分考虑实际齿轮退化过程中广泛存在的时变性、个体差异性、非线性和测量不确定性四方面随机因素,建立贴合其实际退化过程的四因素随机退化模型,并推导出该模型下齿轮剩余寿命基于观测值的概率密度函数;采用MLE方法对该模型参数进行初始化,避免参数初始化的盲目性;引入双重更新方法对模型状态及参数进行更新,获得更准确的更新结果,进而很大程度上提高了齿轮剩余寿命的预测精度。
Description
技术领域
本发明属于机械设备剩余寿命预测技术领域,具体涉及一种双重更新的四因素随机退化模型齿轮寿命预测方法。
背景技术
剩余寿命预测在齿轮状态监测数据的基础上为齿轮维护决策提供直接的指导和依据,成为齿轮预知性维护策略不可或缺的重要环节。基于随机退化模型的齿轮寿命预测方法将齿轮的剩余寿命视作随机变量,从监测信号中提取齿轮的健康状态信息,继而从概率密度角度建立其剩余寿命的预测分布。该方法能够充分挖掘齿轮状态监测数据的动态特性和随机特性,契合齿轮的失效机理,对齿轮的退化过程进行准确描述,因而受到众多学者的广泛认同。在实际应用中,齿轮退化的随机性往往表现在四个方面:时变性、个体差异性、非线性和测量不确定性,应用随机退化模型对齿轮的退化过程进行建模描述时需要同时考虑这四种因素,然而现有模型大都仅考虑部分随机性因素,加之模型参数未进行初始化,模型参数和系统状态更新方法表现欠佳,致使获得的齿轮剩余寿命概率分布偏离实际,剩余寿命预测精度不尽人意。
发明内容
为了克服上述现有技术的上述缺点,本发明提供一种双重更新的四因素随机退化模型齿轮寿命预测方法,使得齿轮剩余寿命预测结果精度更高。
为了达到上述目的,本发明采取的技术方案为:
一种双重更新的四因素随机退化模型齿轮寿命预测方法,包括以下步骤:
1)使用监测系统采集齿轮振动信号,提取健康指标形成观测值向量y=[y1,...,ys]T,s为独立观测值个数;
2)构建四因素随机退化模型:
其中,
xk—tk时刻齿轮的真实退化状态;
θk—tk时刻衰退系数,表征个体差异性,为随机变量,服从分布
b—模型阶数,表征非线性;
ωk-1—过程噪声,服从分布N(0,σ2(tk-tk-1)),ωk-1=σ(B(tk)-B(tk-1)),B(tk)为标准布朗运动,σB(tk)表征时变性;
yk—tk时刻齿轮健康指标观测值;
ν—观测噪声,服从分布N(0,γ2);
3)采用极大似然估计(MLE)方法对式(1)四因素随机退化模型的参数进行初始化,具体步骤为:
3.1)tk时刻齿轮健康指标观测值yk~N(xk,γ2),根据步骤1)所得观测值向量y计算获得对数似然函数:
其中,为四因素随机退化模型的未知参数向量,Ω=σ2M+γ2Ιs,M=[min{ti,tj}]1≤i,j≤s,Ιs为s阶单位矩阵;
3.2)计算式(2)关于μθ和的偏导,极大化似然函数:
其中,求解方程组(3)得到:
3.3)将式(4)计算结果回代至式(2),简化对数似然函数为:
3.4)通过Matlab提供的寻优命令对式(5)进行寻优获得t和回带至式(4)求解出μθ和进而根据关系Ω=σ2M+γ2Ιs,求解出未知参数向量的极大似然估计,作为式(1)四因素随机退化模型的初始参数
4)将式(1)四因素随机退化模型表示为式(6)形式,并带入初始参数Θ0:
其中,zk=[xk,θk]T,
5)引入双重更新方法,对四因素随机退化模型的状态和参数进行实时更新,该方法由两次相互补充、嵌套进行的更新过程组成:
5.1)外层更新开始,令k=0,对正态分布即进行随机采样,获得由N个初始粒子构成粒子集对应的粒子权值集合为其中,
5.2)里层更新开始,令k=k+1,将Pk-1|k-1和N个未更新粒子带入式(7)迭代更新,计算获得Pk|k和
其中,
5.3)里层更新结束,由步骤5.2)所得Pk|k和形成正态分布列对每个分布进行一次采样获得新的粒子集各粒子权值更新如下:
其中,
5.4)由步骤5.3)所得粒子及权值计算tk时刻齿轮更新状态和参数:
外层更新结束;
6)将步骤5.4)的更新结果代入式(10),获得tk时刻基于观测值的齿轮剩余寿命概率密度fLk|y1:k(lk|y1:k),式(10)为tk时刻基于观测值的齿轮剩余寿命概率密度理论推导结果,
其中,lk为tk时刻齿轮剩余寿命,λ为失效阈值,ψ(lk)=blk(lk+tk)b-1,
7)将步骤6)所得fLk|y1:k(lk|y1:k)代入式(11),计算tk时刻齿轮预测剩余寿命为:
8)判断齿轮更新状态是否达到失效阈值λ,如未达到则获取其下一时刻的健康指标观测值,令k=k+1,重复步骤5.2)至步骤7),直到达到失效阈值停止。
本发明的有益效果:充分考虑实际齿轮退化过程中广泛存在的时变性、个体差异性、非线性和测量不确定性四方面随机因素,建立贴合其实际退化过程的四因素随机退化模型,并推导出该模型下齿轮剩余寿命基于观测值的概率密度函数;采用MLE方法对该模型参数进行初始化,避免参数初始化的盲目性;引入双重更新方法对模型状态及参数进行更新,获得更准确的更新结果,进而很大程度上提高了齿轮剩余寿命的预测精度。
附图说明
图1为本发明流程图。
图2为齿轮加速退化寿命实验台结构图。
图3为测试齿轮全寿振动信号:图3(a)为第一组测试齿轮全寿振动信号;图3(b)为第二组测试齿轮全寿振动信号。
图4为测试齿轮RMS指标和起始预测时刻:图4(a)为第一组测试齿轮的RMS指标和起始预测时刻;图4(b)为第二组测试齿轮的RMS指标和起始预测时刻。
图5为五种方法对测试齿轮健康状态的估计结果:图5(a)为五种方法对第一组测试齿轮健康状态估计结果;图5(b)为五种方法对第二组测试齿轮健康状态估计结果。
图6为五种方法对测试齿轮剩余寿命的预测结果:图6(a)为五种方法对第一组测试齿轮剩余寿命预测结果;图6(b)为五种方法对第二组测试齿轮剩余寿命预测结果。
具体实施方式
下面结合附图和实施例对本发明做进一步详细描述。
如图1所示,一种双重更新的四因素随机退化模型齿轮寿命预测方法,包括以下步骤:
1)使用监测系统采集齿轮振动信号,提取健康指标形成观测值向量y=[y1,...,ys]T,s为独立观测值个数;
2)构建四因素随机退化模型:
其中,
xk—tk时刻齿轮的真实退化状态;
θk—tk时刻衰退系数,表征个体差异性,为随机变量,服从分布
b—模型阶数,表征非线性;
ωk-1—过程噪声,服从分布N(0,σ2(tk-tk-1)),ωk-1=σ(B(tk)-B(tk-1)),B(tk)为标准布朗运动,σB(tk)表征时变性;
yk—tk时刻齿轮健康指标观测值;
ν—观测噪声,服从分布N(0,γ2);
3)采用极大似然估计(MLE)方法对式(1)四因素随机退化模型的参数进行初始化,具体步骤包括:
3.1)tk时刻齿轮健康指标观测值yk~N(xk,γ2),根据步骤1)所得观测值向量y计算获得对数似然函数:
其中,为四因素随机退化模型的未知参数向量,Ω=σ2M+γ2Ιs,M=[min{ti,tj}]1≤i,j≤s,Ιs为s阶单位矩阵;
3.2)计算式(2)关于μθ和的偏导,极大化似然函数:
其中,求解方程组(3)得到:
3.3)将式(4)计算结果回代至式(2),简化对数似然函数为:
3.4)通过Matlab提供的寻优命令对式(5)进行寻优获得t和回带至式(4)求解出μθ和进而根据关系Ω=σ2M+γ2Ιs,求解出未知参数向量的极大似然估计,作为式(1)四因素随机退化模型的初始参数
4)将式(1)四因素随机退化模型表示为式(6)形式,并带入初始参数Θ0:
其中,zk=[xk,θk]T,
5)引入双重更新方法,对四因素随机退化模型的状态和参数进行实时更新,该方法由两次相互补充、嵌套进行的更新过程组成:
5.1)外层更新开始,令k=0,对正态分布即进行随机采样,获得由N个初始粒子构成粒子集对应的粒子权值集合为其中,
5.2)里层更新开始,令k=k+1,将Pk-1|k-1和N个未更新粒子带入式(7)迭代更新,计算获得Pk|k和
其中,
5.3)里层更新结束,由步骤5.2)所得Pk|k和形成正态分布列对每个分布进行一次采样获得新的粒子集各粒子权值更新如下:
其中,
5.4)由步骤5.3)所得粒子及权值计算tk时刻齿轮更新状态和参数:
外层更新结束;
6)将步骤5.4)的更新结果代入式(10),获得tk时刻基于观测值的齿轮剩余寿命概率密度fLk|y1:k(lk|y1:k),式(10)为tk时刻基于观测值的齿轮剩余寿命概率密度理论推导结果,
其中,lk为tk时刻齿轮剩余寿命,λ为失效阈值,ψ(lk)=blk(lk+tk)b-1,
7)将步骤6)所得fLk|y1:k(lk|y1:k)代入式(11),计算tk时刻齿轮预测剩余寿命为:
8)判断齿轮更新状态是否达到失效阈值λ,如未达到则获取其下一时刻的健康指标观测值,令k=k+1,重复步骤5.2)至步骤7),直到达到失效阈值停止。
实施例:从齿轮加速退化寿命实验台上采集齿轮加速退化实验数据对本发明进行验证,实验台结构图如图2所示,该实验台采用与FZG标准减速机相似的背靠背式结构,主体包括一个驱动电机和两个齿轮箱,齿轮箱分别为陪侍齿轮箱和测试齿轮箱,前者安装斜齿轮,后者安装直齿圆柱齿轮。测试齿轮安装位置为测试齿轮箱齿轮啮合对中小齿轮,小齿轮轴上安装有联轴器实现扭矩加载。实验过程中,驱动电机转速为1460rpm,负载扭矩约为1300Nm。加速度传感器安装在测试齿轮箱箱体上,采用间歇采样的形式,采样频率为20kHz,采样持续时间为6s,即数据长度为120000。实验共进行两组,两组测试齿轮上均未提前加工故障,实验结束后在第一组测试齿轮上观察到磨损、点蚀和裂纹故障,在第二组测试齿轮上观察到严重裂纹故障。加速度传感器采集得到的两组测试齿轮的全寿命振动信号如图3所示。
分别提取两组振动测试信号的RMS值作为健康指标,并选择起始预测时刻如图4所示,分别为2088s和2098s。为获得当前时刻的剩余寿命预测结果,将自起始预测时刻至当前时刻之间的RMS值作为观测值,输入本发明四因素随机退化模型,使用MLE方法对四因素随机退化模型参数进行初始化,循环进行状态和参数双重更新、计算剩余寿命近似概率分布、计算当前时刻齿轮预测寿命、提取下一个健康指标,直到齿轮的状态估计值达到预先设定的失效阈值。
本发明方法概括为“非线性退化模型+KPF更新”方法(M4),为验证其有效性,引入其他四种寿命预测方法与之进行比较,分别为:“线性退化模型+KF更新”方法(M1)、“非线性退化模型+KF更新”方法(M2)、“非线性退化模型+PF更新”方法(M3)和“Paris-Erdogan模型+KPF更新”方法(M5)。分别应用五种方法对两组齿轮进行剩余寿命预测,状态估计结果和寿命预测结果如图5和图6所示。从图5中可以看出,M3及本发明方法的状态估计结果曲线更加平滑,说明两方法较其他三种方法具有更加抗噪声干扰能力;从图6中可以看出,随着预测时刻接近齿轮寿命终点,本发明方法的剩余寿命预测结果能够更快速的收敛于真实寿命。
为定量验证本发明方法较于以上四种方法有更优良的剩余寿命预测表现,分别计算五种方法的累计相对精度(CRA),结果如表1所示,可以看出,本发明方法在两组齿轮实例中均取得了最大值,验证了其更高的寿命预测精确度。
表1
本发明提出一种双重更新的四因素随机退化模型齿轮寿命预测方法,适用对象为齿轮,但齿轮与其他常见旋转零部件退化机理相似,因此本发明方法作出调整后同样适用于与本发明模型描述随机退化特征相似的其他零部件或机械设备。此外,由于加速退化实验通过增大负载加速齿轮退化并未改变其退化机理,本发明方法同样适用于实际应用中缓慢随机退化齿轮的剩余寿命预测,通过更换模型输入指标、修改模型参数或拓展模型适用条件等都未脱离本发明的构思,也应视为本发明的保护范围。
Claims (1)
1.一种双重更新的四因素随机退化模型齿轮寿命预测方法,其特征在于,包括以下步骤:
1)使用监测系统采集齿轮振动信号,提取健康指标形成观测值向量y=[y1,...,ys]T,s为独立观测值个数;
2)构建四因素随机退化模型:
其中,
xk—tk时刻齿轮的真实退化状态;
θk—tk时刻衰退系数,表征个体差异性,为随机变量,服从分布N(μθ,σθ 2);
b—模型阶数,表征非线性;
ωk-1—过程噪声,服从分布N(0,σ2(tk-tk-1)),ωk-1=σ(B(tk)-B(tk-1)),B(tk)为标准布朗运动,σB(tk)表征时变性;
yk—tk时刻齿轮健康指标观测值;
ν—观测噪声,服从分布N(0,γ2);
3)采用极大似然估计(MLE)方法对式(1)四因素随机退化模型的参数进行初始化,具体步骤为:
3.1)tk时刻齿轮健康指标观测值yk~N(xk,γ2),根据步骤1)所得观测值向量y计算获得对数似然函数:
其中,为四因素随机退化模型的未知参数向量,Ω=σ2M+γ2Ιs,M=[min{ti,tj}]1≤i,j≤s,Ιs为s阶单位矩阵;
3.2)计算式(2)关于μθ和的偏导,极大化似然函数:
其中,求解方程组(3)得到:
3.3)将式(4)计算结果回代至式(2),简化对数似然函数为:
3.4)通过Matlab提供的寻优命令对式(5)进行寻优获得t和回带至式(4)求解出μθ和进而根据关系Ω=σ2M+γ2Ιs,求解出未知参数向量的极大似然估计,作为式(1)四因素随机退化模型的初始参数
4)将式(1)四因素随机退化模型表示为式(6)形式,并带入初始参数Θ0:
其中,zk=[xk,θk]T,
5)引入双重更新方法,对四因素随机退化模型的状态和参数进行实时更新,该方法由两次相互补充、嵌套进行的更新过程组成:
5.1)外层更新开始,令k=0,对正态分布即进行随机采样,获得由N个初始粒子构成粒子集对应的粒子权值集合为其中,
5.2)里层更新开始,令k=k+1,将Pk-1|k-1和N个未更新粒子带入式(7)迭代更新,计算获得Pk|k和
其中,
5.3)里层更新结束,由步骤5.2)所得Pk|k和形成正态分布列对每个分布进行一次采样获得新的粒子集各粒子权值更新如下:
其中,
5.4)由步骤5.3)所得粒子及权值计算tk时刻齿轮更新状态和参数:
外层更新结束;
6)将步骤5.4)的更新结果代入式(10),获得tk时刻基于观测值的齿轮剩余寿命概率密度式(10)为tk时刻基于观测值的齿轮剩余寿命概率密度理论推导结果,
其中,lk为tk时刻齿轮剩余寿命,λ为失效阈值,
7)将步骤6)所得代入式(11),计算tk时刻齿轮预测剩余寿命为:
8)判断齿轮更新状态是否达到失效阈值λ,如未达到则获取其下一时刻的健康指标观测值,令k=k+1,重复步骤5.2)至步骤7),直到达到失效阈值停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257102.0A CN105956236B (zh) | 2016-04-22 | 2016-04-22 | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610257102.0A CN105956236B (zh) | 2016-04-22 | 2016-04-22 | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105956236A CN105956236A (zh) | 2016-09-21 |
CN105956236B true CN105956236B (zh) | 2019-03-12 |
Family
ID=56915672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610257102.0A Active CN105956236B (zh) | 2016-04-22 | 2016-04-22 | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105956236B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109212966B (zh) * | 2018-08-14 | 2020-04-10 | 西安交通大学 | 一种多工况动态基准化的机械设备剩余寿命预测方法 |
CN111783242B (zh) * | 2020-06-17 | 2024-05-28 | 河南科技大学 | 一种基于rvm-kf的滚动轴承剩余寿命预测方法及装置 |
CN113468720B (zh) * | 2021-06-02 | 2022-08-19 | 中国人民解放军火箭军工程大学 | 一种数模联动的随机退化设备寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104020254A (zh) * | 2014-05-20 | 2014-09-03 | 北京航空航天大学 | 一种测定复合材料剩余强度与剩余寿命的应变控制方法 |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1804185A1 (en) * | 2005-12-27 | 2007-07-04 | Semiconductor Energy Laboratory Co., Ltd. | Parameter setting method and circuit operation testing method and electronic processing device |
-
2016
- 2016-04-22 CN CN201610257102.0A patent/CN105956236B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
CN104020254A (zh) * | 2014-05-20 | 2014-09-03 | 北京航空航天大学 | 一种测定复合材料剩余强度与剩余寿命的应变控制方法 |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
Non-Patent Citations (1)
Title |
---|
A nonlinear degradation model based method for remaining useful life prediction of rolling element bearings;Yaguo Lei;《2015 Prognostics and System Health Management Conference (PHM)》;20160114;1-8 |
Also Published As
Publication number | Publication date |
---|---|
CN105956236A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105956236B (zh) | 一种双重更新的四因素随机退化模型齿轮寿命预测方法 | |
CN108803486B (zh) | 基于并联深度学习网络的数控机床热误差预测与补偿方法 | |
CN105139086B (zh) | 基于优化置信规则推理的轨道高低不平顺幅值估计方法 | |
CN109343505A (zh) | 基于长短期记忆网络的齿轮剩余寿命预测方法 | |
CN106706118B (zh) | 基于盲源分离技术的运行工况传递路径分析方法 | |
CN104809292B (zh) | 一种高速列车非线性动力学模型参数的在线辨识方法 | |
CN110941183B (zh) | 一种基于神经网络的工业机器人动力学辨识方法 | |
CN102914433B (zh) | 一种电模拟机械惯量的方法 | |
CN107860548B (zh) | 一种近似在线的颤振边界预测方法 | |
Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
CN107908864A (zh) | 一种基于特征融合的复杂设备剩余使用寿命预测方法 | |
CN110782041B (zh) | 一种基于机器学习的结构模态参数识别方法 | |
Koch et al. | A nonlinear estimator concept for active vehicle suspension control | |
CN115451803B (zh) | 基于gnss与测量机器人融合的水闸实时监测预警方法 | |
CN108982096B (zh) | 基于启发式规则系统的工业机器人曲柄轴磨损检测方法 | |
CN110987396B (zh) | 一种用于采煤机摇臂的智能故障诊断及寿命预测方法 | |
CN106326530A (zh) | 一种基于右矩阵分式模型的时变结构模态参数辨识方法 | |
Shao et al. | Fault prognosis and diagnosis of an automotive rear axle gear using a RBF-BP neural network | |
Salimi Asl et al. | Applying a multi sensor system to predict and simulate the tool wear using of artificial neural networks | |
CN101893430B (zh) | 基于cnc齿轮测量中心的测量异常值处理方法 | |
CN105550457A (zh) | 动态演化模型校正方法及系统 | |
CN111950757A (zh) | 旋转机械关键零部件退化状态趋势预测方法 | |
CN111561929B (zh) | 一种用于车载mems惯性传感器的时延降噪方法 | |
RU2704751C1 (ru) | Способ определения параметров термомеханической обработки и химического состава функциональных материалов с помощью глубокой нейронной сети | |
CN113919388A (zh) | 一种融合信号频谱幅值调制和深度学习的机电装备故障诊断方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |