CN112231931B - 一种通过建立pfr模型的发动机寿命预测方法 - Google Patents
一种通过建立pfr模型的发动机寿命预测方法 Download PDFInfo
- Publication number
- CN112231931B CN112231931B CN202011217216.5A CN202011217216A CN112231931B CN 112231931 B CN112231931 B CN 112231931B CN 202011217216 A CN202011217216 A CN 202011217216A CN 112231931 B CN112231931 B CN 112231931B
- Authority
- CN
- China
- Prior art keywords
- model
- engine
- sequence
- prediction
- state
- 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 40
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 35
- 238000012937 correction Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 239000002356 single layer Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims 1
- 230000001105 regulatory effect Effects 0.000 claims 1
- 238000012360 testing method Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000013507 mapping Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种通过建立PFR模型的发动机寿命预测方法,涉及发动机寿命预测技术领域,该方法包括,以相似度为依据,改进生成训练样本的扩充方式,以特征参数的多指标评价结果,改进随机森林的特征选择方式,由于装甲车辆发动机剩余寿命预测是一个回归问题,采用神经网络模型代替决策树。该一种通过建立PFR模型的发动机寿命预测方法,由于装甲车辆发动机剩余寿命预测是一个回归问题,采用神经网络模型代替决策树,作为随机森林模型中的基础学习机,从而提高模型的集成学习效果,以人工神经网络作为基础学习机,代替随机森林模型中的决策树进行寿命预测,采用二层预测模型,充分利用检测特征参数,达到了降低损失,减少资源浪费的效果。
Description
技术领域
本发明涉及发动机寿命预测技术领域,具体为一种通过建立PFR模型的发动机寿命预测方法。
背景技术
目前市场上已有的发动机剩余寿命预测的常用方法可分为相似度法和回归分析法两类,在现有的研究中,这两类方法多采用单参数预测,而对于多元变量下的剩余寿命预测问题则需要通过预处理将其转化为一元问题再进行预测分析,这一过程不可避免地存在信息的损失和资源的浪费,为充分利用检测特征参数。为此,我们提出了一种通过建立PFR模型的发动机寿命预测方法。
发明内容
(一)解决的技术问题
本发明的目的在于提供一种通过建立PFR模型的发动机寿命预测方法,以解决上述背景技术中提出的问题。
(二)技术方案
为实现上述目的,本发明提供如下技术方案:一种通过建立PFR模型的发动机寿命预测方法,包括以下步骤:
S1:以相似度为依据,改进生成训练样本的扩充方式。
S2:以特征参数的多指标评价结果,改进随机森林的特征选择方式。
S3:由于装甲车辆发动机剩余寿命预测是一个回归问题,采用神经网络模型代替决策树,作为随机森林模型中的基础学习机,从而提高模型的集成学习效果,以人工神经网络作为基础学习机,代替随机森林模型中的决策树进行寿命预测。
S4:由于任何一种预测模型都无法避免预测误差的存在,为进一步减少预测误差,采用基于误差修正的双层结构建立预测模型,通过单层随机森林模型预测历史状态特征序列的剩余寿命,提取预测残差作为第二层预测模型的输入量,训练基于误差修正的双层预测模型。
S5:预测当前发动机状态特征序列的剩余寿命,并以所有基础学习机输出的均值作为最终结果。
优选的,S1中计算当前发动机状态特征序列与所有历史状态特征序列之间的相似度
式中:X=(x1,x2,…,xn)为当前发动机状态特征序列,Yi=(yi1,yi2,…,yin),i=1,2,...,N为历史状态序列,N为历史状态,dis(X,Yi)为两序列的距离函数,通常可取欧氏距离,即:
优选的,S1中Bootstrap方法的思路是用现有知识去模拟未知的分布,通过再生抽样将小样本问题转化成大样本,因此该方法适用于小样本条件下的统计推断;
Bootstrap方法基本原理主要根据观测到来自于未知总体分布F的随机子样X=(X1,…,Xn),估计总体分布F的某一分布特征R(X,F),如均值、方差等,从而推测总体分布F;
具体方法如下:
设总体分布F的某个分布特征θ=θ(F)(如均值,方差等),由观测子样X=(X1,…,Xn)构造经验分布Fn,则有对θ的估计估计误差为:
根据经验分布Fn,重新抽取再生子样进而构造经验分布函数于是由X(1)又可得到θ的估计/>此时可得到估计误差Tn的Bootstrap统计量/>即:
重复抽取多组再生子样X(i),i=1,2,...,m,可计算相应进而可利用/>的分布去逼近Tn的分布,即可根据式(6-17)得到θ(F)的样本:
优选的,S1中基于Bootstrap的全寿命数据构建过程,
以发动机某一特征参数全寿命数据分布为未知总体分布F,该特征参数的时间序列为随机子样X=(X1,…,Xn),推测其拟合序列Y=(Y1,…,Yn)和标准差δ两个分布特征。设对随机子样的估计误差为:
T2=S2-δ2
式中:
其中Fit(t,X)为特征参数序列X对相应时间的拟合函数。
并有再生样本统计误差:
式中:S*分别为根据再生子样X*对总体分布特征Y=(Y1,…,Yn)和δ的估计。用模拟T1、T2分布,则有:
优选的,S1中发动机全寿命数据构建,以不同时刻各特征参数拟合指组成的状态特征向量作为发动机当前时刻的参考状态,并以规定大修期时的参考状态作为发动机使用极限状态,此时各参考状态的剩余寿命由发动机的规定大修期与状态特征序列当前使用期确定,即:
RUL(Xi)=Tend-ti
式中:Xi为状态特征序列,ti为该序列对应的使用期,Tend为发动机规定大修期对应的使用时间。
优选的,S2中根据相似度计算历史状态特征序列被选入训练样本的概率,
优选的,S3中在发动机性能退化过程中,特征参数随使用期增加而变化,反之,当发动机剩余寿命不同时,其表现出的特征参数也产生相应变化。因此某一时刻发动机的剩余寿命Rt,与当前时刻的特征序列Xt=(xt1,xt2,…,xtm)相关,其预测模型的数学方式可以表示为:
式中:Xt=(xt1,xt2,…,xtm)为当前发动机状态特征序列,m为特征数量。代表非线性函数。
优选的,S3中为评价发动机剩余寿命预测模型的预测效果,通常需要借助一系列预测精度指标,目前,常用的预测精度指标主要有平均绝对误差MAE、平均相对误差MRE、误差平方和SSE等,这些指标均建立在预测误差的基础上;
假设预测样本剩余寿命的观测值序列为RUL={RUL1,RUL2,...,RULM},预测值序列为RUL*={RUL* 1,RUL* 2,...,RUL* M},M为预测样本长度,则模型预测误差为:
ε=RUL-RUL*={RUL1-RUL* 1,RUL2-RUL* 2,...,RULM-RUL* M}
平均绝对误差为MAE:
平均相对误差为MRE:
误差平方和SSE:
上述指标中平均绝对误差MAE及误差平方和SSE对所建立的模型的预测效果进行评价。除此之外,还有一个误差代价指标,作为评价预测模型效果的重要依据,其定义为:
当预测模型存在误差时,通常更希望出现提前预警(预测寿命小于实际寿命),而不是滞后报警(预测寿命大于实际寿命),因此,在绝对误差相同的情况下,滞后报警的惩罚代价要高于提前预警。
优选的,S4中模型采用两层预测模型并联的结构,第一层作为剩余寿命预测模型,对当前发动机剩余寿命进行预估计,第二层作为误差修正模型,对第一层模型的预估计误差进行预测并加以修正,基于误差修正的双层结构是一种通用结构,其上下两层模型可适用于多种不同的机器学习模型,如人工神经网络,线性回归,以及集成学习模型;
模型I分别以历史发动机状态特征序列Yi={yi1,yi2,…,yin},i=1,2,...,N及其剩余寿命RULi作为输入输出,以建立从状态特征序列到剩余寿命的映射关系。由于模型I输出与实际测量结果仍有一定误差,因此称其为剩余寿命预估计,表示为并有预估计残差
之后在模型II的训练过程中则将历史发动机剩余寿命预估计残差作为输出,建立状态特征序列到预估计残差的映射关系,并尝试通过该模型对模型I的预测误差进行修正,从而提高整个双层结构预测模型的预测精度。
(三)有益效果
与现有技术相比,本发明提供了一种通过建立PFR模型的发动机寿命预测方法,具备以下有益效果:
1、该通过建立PFR模型的发动机寿命预测方法,以相似度为依据,改进生成训练样本的扩充方式,以特征参数的多指标评价结果,改进随机森林的特征选择方式,由于装甲车辆发动机剩余寿命预测是一个回归问题,采用神经网络模型代替决策树,作为随机森林模型中的基础学习机,从而提高模型的集成学习效果,以人工神经网络作为基础学习机,代替随机森林模型中的决策树进行寿命预测,采用二层预测模型,充分利用检测特征参数,达到了降低损失,减少资源浪费的效果。
2、该通过建立PFR模型的发动机寿命预测方法,通过Bootstrap方法,提高在小样本估计中具有较高精度。
3、该通过建立PFR模型的发动机寿命预测方法,根据相似度计算历史状态特征序列被选入训练样本的概率,达到了增加采样数据被入训练样本的概率的效果。
4、该通过建立PFR模型的发动机寿命预测方法,预测模型存在误差时,通常更希望出现提前预警(预测寿命小于实际寿命),而不是滞后报警(预测寿命大于实际寿命),因此,在绝对误差相同的情况下,滞后报警的惩罚代价要高于提前预警,通过计算平均绝对误差MAE、误差平方、SSE和误差代价指标,避免预测寿命小于实际寿命的情况发生,降低成本。
5、该通过建立PFR模型的发动机寿命预测方法,模型采用两层预测模型并联的结构,第一层作为剩余寿命预测模型,对当前发动机剩余寿命进行预估计,第二层作为误差修正模型,对第一层模型的预估计误差进行预测并加以修正,基于误差修正的双层结构是一种通用结构,经过修正的提前预警结果将一定程度上降低发动机故障概率和检测维修的人力、经济成本。
6、该通过建立PFR模型的发动机寿命预测方法,模型II的训练过程中则将历史发动机剩余寿命预估计残差作为输出,建立状态特征序列到预估计残差的映射关系,并尝试通过该模型对模型I的预测误差进行修正,从而提高整个双层结构预测模型的预测精度。
具体实施方式
下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种技术方案:一种通过建立PFR模型的发动机寿命预测方法,具体步骤如下:
S1:以相似度为依据,改进生成训练样本的扩充方式。
S1.1:计算当前发动机状态特征序列与所有历史状态特征序列之间的相似度
式中:X=(x1,x2,…,xn)为当前发动机状态特征序列,Yi=(yi1,yi2,…,yin),i=1,2,...,N为历史状态序列,N为历史状态,dis(X,Yi)为两序列的距离函数,通常可取欧氏距离,即:
S1.2:Bootstrap方法的思路是用现有知识去模拟未知的分布,通过再生抽样将小样本问题转化成大样本,因此该方法适用于小样本条件下的统计推断;
Bootstrap方法基本原理主要根据观测到来自于未知总体分布F的随机子样X=(X1,…,Xn),估计总体分布F的某一分布特征R(X,F),如均值、方差等,从而推测总体分布F;
具体方法如下:
设总体分布F的某个分布特征θ=θ(F)(如均值,方差等),由观测子样X=(X1,…,Xn)构造经验分布Fn,则有对θ的估计估计误差为:
根据经验分布Fn,重新抽取再生子样进而构造经验分布函数于是由X(1)又可得到θ的估计/>此时可得到估计误差Tn的Bootstrap统计量即:
重复抽取多组再生子样X(i),i=1,2,...,m,可计算相应进而可利用/>的分布去逼近Tn的分布,即可根据式(6-17)得到θ(F)的样本:
该方法较传统统计方法而言,在小样本估计中具有较高精度。
S1.3:基于Bootstrap的全寿命数据构建过程,
以发动机某一特征参数全寿命数据分布为未知总体分布F,该特征参数的时间序列为随机子样X=(X1,…,Xn),推测其拟合序列Y=(Y1,…,Yn)和标准差δ两个分布特征。设对随机子样的估计误差为:
T2=S2-δ2
式中:
其中Fit(t,X)为特征参数序列X对相应时间的拟合函数。
并有再生样本统计误差:
式中:S*分别为根据再生子样X*对总体分布特征Y=(Y1,…,Yn)和δ的估计。用模拟T1、T2分布,则有:
S1.4:发动机全寿命数据构建;
以不同时刻各特征参数拟合指组成的状态特征向量作为发动机当前时刻的参考状态,并以规定大修期时的参考状态作为发动机使用极限状态,此时各参考状态的剩余寿命由发动机的规定大修期与状态特征序列当前使用期确定,即:
RUL(Xi)=Tend-ti
式中:Xi为状态特征序列,ti为该序列对应的使用期,Tend为发动机规定大修期对应的使用时间。
S2:以特征参数的多指标评价结果,改进随机森林的特征选择方式。
S2.1:根据相似度计算历史状态特征序列被选入训练样本的概率,
S3:由于装甲车辆发动机剩余寿命预测是一个回归问题,采用神经网络模型代替决策树,作为随机森林模型中的基础学习机,从而提高模型的集成学习效果,以人工神经网络作为基础学习机,代替随机森林模型中的决策树进行寿命预测。
S3.1:在发动机性能退化过程中,特征参数随使用期增加而变化,反之,当发动机剩余寿命不同时,其表现出的特征参数也产生相应变化。因此某一时刻发动机的剩余寿命Rt,与当前时刻的特征序列Xt=(xt1,xt2,…,xtm)相关,其预测模型的数学方式可以表示为:
式中:Xt=(xt1,xt2,…,xtm)为当前发动机状态特征序列,m为特征数量。代表非线性函数。
S3.2:为评价发动机剩余寿命预测模型的预测效果,通常需要借助一系列预测精度指标,目前,常用的预测精度指标主要有平均绝对误差MAE、平均相对误差MRE、误差平方和SSE等,这些指标均建立在预测误差的基础上;
假设预测样本剩余寿命的观测值序列为RUL={RUL1,RUL2,...,RULM},预测值序列为RUL*={RUL* 1,RUL* 2,...,RUL* M},M为预测样本长度,则模型预测误差为:
ε=RUL-RUL*={RUL1-RUL* 1,RUL2-RUL* 2,...,RULM-RUL* M}
平均绝对误差为MAE:
平均相对误差为MRE:
误差平方和SSE:
上述指标中平均绝对误差MAE及误差平方和SSE对所建立的模型的预测效果进行评价。除此之外,还有一个误差代价指标,作为评价预测模型效果的重要依据,其定义为:
当预测模型存在误差时,通常更希望出现提前预警(预测寿命小于实际寿命),而不是滞后报警(预测寿命大于实际寿命)。因此,在绝对误差相同的情况下,滞后报警的惩罚代价要高于提前预警。
S4:由于任何一种预测模型都无法避免预测误差的存在,为进一步减少预测误差,采用基于误差修正的双层结构建立预测模型,通过单层随机森林模型预测历史状态特征序列的剩余寿命,提取预测残差作为第二层预测模型的输入量,训练基于误差修正的双层预测模型。
S4.1:模型采用两层预测模型并联的结构,第一层作为剩余寿命预测模型,对当前发动机剩余寿命进行预估计,第二层作为误差修正模型,对第一层模型的预估计误差进行预测并加以修正,基于误差修正的双层结构是一种通用结构,其上下两层模型可适用于多种不同的机器学习模型,如人工神经网络,线性回归,以及集成学习模型;
模型I分别以历史发动机状态特征序列Yi={yi1,yi2,…,yin},i=1,2,...,N及其剩余寿命RULi作为输入输出,以建立从状态特征序列到剩余寿命的映射关系。由于模型I输出与实际测量结果仍有一定误差,因此称其为剩余寿命预估计,表示为并有预估计残差
之后在模型II的训练过程中则将历史发动机剩余寿命预估计残差作为输出,建立状态特征序列到预估计残差的映射关系,并尝试通过该模型对模型I的预测误差进行修正,从而提高整个双层结构预测模型的预测精度。
S5:预测当前发动机状态特征序列的剩余寿命,并以所有基础学习机输出的均值作为最终结果。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种通过建立PFR模型的发动机寿命预测方法,其特征在于,包括以下步骤:
S1:以相似度为依据,改进生成训练样本的扩充方式;
S2:以特征参数的多指标评价结果,改进随机森林的特征选择方式;
S3:采用神经网络模型代替决策树,从而提高模型的集成学习效果,以人工神经网络作为基础学习机,代替随机森林模型中的决策树进行寿命预测;
S4:为进一步减少预测误差,采用基于误差修正的双层结构建立预测模型,通过单层随机森林模型预测历史状态特征序列的剩余寿命,提取预测残差作为第二层预测模型的输入量;
S5:预测当前发动机状态特征序列的剩余寿命,并以所有基础学习机输出的均值作为最终结果;
所述S1中计算当前发动机状态特征序列与所有历史状态特征序列之间的相似度采用以下公式:
式中:X=(x1,x2,…,xn)为当前发动机状态特征序列,Yi=(yi1,yi2,…,yin),i=1,2,...,N为历史状态序列,N为历史状态,dis(X,Yi)为两序列的距离函数,通常可取欧氏距离,即:
所述S1扩充方式采用Bootstrap方法;总体分布F的某个分布特征θ=θ(F),由观测子样X=(X1,…,Xn)构造经验分布Fn,则有对θ的估计估计误差为:
根据经验分布Fn,重新抽取再生子样进而构造经验分布函数/>于是由X(1)又可得到θ的估计/>此时可得到估计误差Tn的Bootstrap统计量/>即:
重复抽取多组再生子样X(i),i=1,2,...,m,可计算相应进而可利用的分布去逼近Tn的分布,即可根据公式得到θ(F)的样本:
所述S1中基于Bootstrap的全寿命数据构建过程,以发动机某一特征参数全寿命数据分布为未知总体分布F,该特征参数的时间序列为随机子样X=(X1,…,Xn),推测其拟合序列Y=(Y1,…,Yn)和标准差δ两个分布特征,设对随机子样的估计误差为:
T2=S2-δ2
式中:
其中Fit(t,X)为特征参数序列X对相应时间的拟合函数,
并有再生样本统计误差:
式中:S*分别为根据再生子样X*对总体分布特征Y=(Y1,…,Yn)和δ的估计,用模拟T1、T2分布,则有:
所述发动机扩充方式采用全寿命数据构建,以不同时刻各特征参数拟合指组成的状态特征向量作为发动机当前时刻的参考状态,并以规定大修期时的参考状态作为发动机使用极限状态,此时各参考状态的剩余寿命由发动机的规定大修期与状态特征序列当前使用期确定,即:
RUL(Xi)=Tend-ti
式中:Xi为状态特征序列,ti为该序列对应的使用期,Tend为发动机规定大修期对应的使用时间;
所述S2中根据相似度计算历史状态特征序列被选入训练样本的概率,
所述S3采用神经网络模型代替决策树,其中某一时刻发动机的剩余寿命Rt,与当前时刻的特征序列Xt=(xt1,xt2,…,xtm)相关,其预测模型的数学方式可以表示为:
式中:Xt=(xt1,xt2,…,xtm)为当前发动机状态特征序列,m为特征数量,代表非线性函数;
所述S3中借助预测精度指标,评价发动机剩余寿命预测模型的预测效果;
所述S4中,模型采用两层预测模型并联的结构,第一层作为剩余寿命预测模型,对当前发动机剩余寿命进行预估计,第二层作为误差修正模型,对第一层模型的预估计误差进行预测并加以修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217216.5A CN112231931B (zh) | 2020-11-04 | 2020-11-04 | 一种通过建立pfr模型的发动机寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011217216.5A CN112231931B (zh) | 2020-11-04 | 2020-11-04 | 一种通过建立pfr模型的发动机寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112231931A CN112231931A (zh) | 2021-01-15 |
CN112231931B true CN112231931B (zh) | 2024-02-02 |
Family
ID=74123111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011217216.5A Active CN112231931B (zh) | 2020-11-04 | 2020-11-04 | 一种通过建立pfr模型的发动机寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112231931B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566492A (zh) * | 2012-01-13 | 2012-07-11 | 华中科技大学 | 一种用于预测金属难加工材料插铣最大铣削力的方法 |
CN106372748A (zh) * | 2016-08-29 | 2017-02-01 | 上海交通大学 | 一种硬岩掘进机的掘进效率预测方法 |
CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN110245745A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 |
WO2019240161A1 (ja) * | 2018-06-13 | 2019-12-19 | いすゞ自動車株式会社 | 推定装置及び推定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7548830B2 (en) * | 2007-02-23 | 2009-06-16 | General Electric Company | System and method for equipment remaining life estimation |
-
2020
- 2020-11-04 CN CN202011217216.5A patent/CN112231931B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102566492A (zh) * | 2012-01-13 | 2012-07-11 | 华中科技大学 | 一种用于预测金属难加工材料插铣最大铣削力的方法 |
CN106372748A (zh) * | 2016-08-29 | 2017-02-01 | 上海交通大学 | 一种硬岩掘进机的掘进效率预测方法 |
WO2019240161A1 (ja) * | 2018-06-13 | 2019-12-19 | いすゞ自動車株式会社 | 推定装置及び推定方法 |
CN109766583A (zh) * | 2018-12-14 | 2019-05-17 | 南京航空航天大学 | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 |
CN110245745A (zh) * | 2019-05-30 | 2019-09-17 | 华中科技大学 | 基于集成双向循环神经网络的设备剩余使用寿命预测方法 |
CN110232249A (zh) * | 2019-06-17 | 2019-09-13 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN110187290A (zh) * | 2019-06-27 | 2019-08-30 | 重庆大学 | 一种基于融合型算法的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
基于压力测量的发动机汽缸磨损寿命预测方法;乔新勇等;《装甲兵工程学院学报》;第22卷(第4期);42-45 * |
基于特征评价的发动机寿命预测方法研究;谷广宇等;《汽车工程》;第42卷(第1期);108-113+120 * |
Also Published As
Publication number | Publication date |
---|---|
CN112231931A (zh) | 2021-01-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112765772A (zh) | 一种基于数据驱动的动力电池剩余寿命预测方法 | |
CN109685366A (zh) | 基于异变数据的装备健康状态评估方法 | |
CN111339712A (zh) | 质子交换膜燃料电池剩余寿命预测方法 | |
CN106677763B (zh) | 一种基于动态集成建模的油井动液面预测方法 | |
CN109726517B (zh) | 一种基于多变量关联数据的设备剩余寿命预测方法 | |
CN111768000A (zh) | 在线自适应微调深度学习的工业过程数据建模方法 | |
CN111062508A (zh) | 一种基于大数据技术评估风电机组实时运行状态的方法 | |
CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN112818608A (zh) | 一种基于改进的粒子群优化算法与支持向量机的中长期径流预报方法 | |
CN114595883A (zh) | 基于元学习的油浸式变压器剩余寿命个性化动态预测方法 | |
CN110782083A (zh) | 基于深度Croston方法的航空发动机备用需求预测方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN112231931B (zh) | 一种通过建立pfr模型的发动机寿命预测方法 | |
CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
CN114169091A (zh) | 工程机械部件剩余寿命的预测模型建立方法及预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN116662925A (zh) | 一种基于加权稀疏神经网络工业过程软测量方法 | |
CN115734274A (zh) | 一种基于深度学习和知识图谱的蜂窝网络故障诊断方法 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
CN114943328A (zh) | 基于bp神经网络非线性组合的sarima-gru时序预测模型 | |
CN114252266A (zh) | 一种基于dbn-svdd模型的滚动轴承性能退化评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |