CN112685933A - 一种滚轮丝杠副剩余使用寿命预测方法 - Google Patents
一种滚轮丝杠副剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN112685933A CN112685933A CN202011546211.7A CN202011546211A CN112685933A CN 112685933 A CN112685933 A CN 112685933A CN 202011546211 A CN202011546211 A CN 202011546211A CN 112685933 A CN112685933 A CN 112685933A
- Authority
- CN
- China
- Prior art keywords
- data
- screw pair
- roller screw
- historical data
- nllp
- 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.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开一种滚轮丝杠副剩余使用寿命预测方法,包括:获取滚轮丝杠副历史数据中多种故障特征,组成多种故障特征向量空间,训练生成拓扑映射GTM网络,构建历史数据似然概率NLLP指标,利用K均值聚类法进行状态划分,构建基于历史数据的Markov模型,预测状态向量和剩余寿命;提取滚轮丝杠副在线监测数据中多种故障特征,构建在线监测数据NLLP指标,训练基于在线监测数据Markov模型预测下一时刻状态向量和剩余寿命;基于在线监测数据获取实际状态向量,获取权值动态修正系数,获取最终剩余寿命。本发明构建基于历史数据预测模型和基于在线监测数据预测模型,并进行加权平均得到预测结果,增强预测实时性,提高了预测精度。
Description
技术领域
本发明涉及丝杠寿命预测领域,特别是涉及一种滚轮丝杠副剩余使用寿命预测方法。
背景技术
密封磁阻马达式CRDM(Control Rod Drive Mechanism)是核反应堆控制系统和安全保护系统的一种伺服机构,主要应用在船用反应堆中,通过一组滚轮丝杠副带动控制棒组件上下运动。由于滚轮丝杠组件工作在一回路中,工作负荷大,环境恶劣,磨损严重并且维修成本高。为保证CRDM工作的安全可靠,对其剩余使用寿命RUL(Remaining UsefulLife)的有效预测并适时维修,变得尤为重要。对RUL预测一般通过选取一种或多种故障特征作为设备的健康状态指标,利用预测模型对健康状态指标进行预测,从而获取设备未来的健康状态并进一步得出剩余寿命。有效的健康状态指标和稳健的预测模型可以提高预测精确度。因此,如何选取有效的健康状态指标和合理利用数据构建预测模型成为提高远期预测精度的关键。
目前,针对机械设备的RUL预测主要有基于经验知识、基于物理失效模型和基于数据驱动的RUL预测方法。然而,基于经验知识的RUL预测方法一般用于定性推理,预测精度不高;基于物理失效模型的RUL预测方法精度较高却需要对失效原理有深入的了解,不便于推广和应用。
发明内容
本发明的目的是提供一种滚轮丝杠副剩余使用寿命预测方法,以解决上述现有技术存在的问题,采用NLLP指标作为滚轮寿命的健康状态指标,利用LMS和Markov模型构造基于历史数据和在线监测数据的自适应预测模型,增强了预测的实时性,提高了预测精度。
为实现上述目的,本发明提供了如下方案:本发明提供一种滚轮丝杠副剩余使用寿命预测方法,包括以下步骤:
获取滚轮丝杠副历史数据中多种故障特征,组成多种故障特征向量空间,利用多种故障特征向量空间训练生成拓扑映射GTM网络;
利用训练好的GTM网络构建历史数据似然概率NLLP指标;
基于历史数据NLLP指标,利用K均值聚类法对NLLP指标进行状态划分;
基于历史数据NLLP指标状态划分,构建基于历史数据的Markov模型并进行训练,利用基于历史数据的Markov模型预测滚轮丝杠副下一时刻的状态向量η1,并预测得出剩余寿命l1;
提取滚轮丝杠副在线监测数据中多种故障特征,利用训练完成的GTM网络构建在线监测数据NLLP指标;
基于在线监测数据NLLP指标和历史数据NLLP指标状态划分,训练基于在线监测数据的Markov模型;
基于在线监测数据的Markov模型分别预测下一时刻的状态向量η2和预测得出剩余寿命l2;
基于在线监测数据获取实际状态向量η3;
基于所述状态向量η1、所述状态向量η2和所述实际状态向量η3,获取权值动态修正系数ω;
基于所述剩余寿命l1、所述剩余寿命l2和所述权值动态修正系数ω,获取滚轮丝杠副最终剩余寿命。
优选地,利用GTM网络构建历史数据似然概率NLLP指标的方法如下式所示:
式中,p(t|W,β)为似然概率,t表示实际的高维空间数据,β表示实际的高维空间数据t的逆方差,W表示D×M转换矩阵,K表示将隐变量空间X离散成网格的个数,xi表示第i个网格的低维空间数据。
优选地,所述滚轮丝杠副剩余使用寿命Rul为:
Rul=(α1-ω)·l1+(α2+ω)·l2
式中,α1表示基于历史数据的Markov模型的权值,α2表示基于实时数据的Markov模型的权值,l1表示基于历史数据的Markov模型获取的剩余寿命预测值,l2表示基于在线监测数据的Markov模型获取的剩余寿命预测值。
优选地,权值动态修正系数ω采用LMS算法中的权值调整方法获取。
优选地,所述权值动态修正系数表示为
ω(t)=ω(t-1)+2μ(t)e(t)x(t)
式中,x(t)为t时刻预测的剩余使用寿命;μ(t)为步长,0<μ(t)<1/x(t);ω(t)为t时刻的权值修正系数;e(t)为基于实时数据的Markov模型和基于历史数据的Markov模型的相对预测误差。
优选地,Markov预测模型包括状态向量和状态转移矩阵。
本发明公开了以下技术效果:本发明采用基于GTM的NLLP指标作为滚轮丝杠副的健康状态指标,采用Markov模型分别构建基于历史数据的预测模型和基于在线监测数据的预测模型,并对这两个模型的预测结果进行加权平均得到最终预测结果,为了充分利用两种数据中的状态信息和增强对非平稳数据的处理能力,利用LMS算法使权值能够根据实时的相对预测误差进行自适应调整,进一步增强预测的实时性,提高了滚轮丝杠副剩余寿命的预测精度,可为滚轮丝杠副的预防性维修工作提供理论和方法支持。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明滚轮丝杠副剩余使用寿命预测流程示意图;
图2为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副四组数据全寿命周期的特征图;其中图2(a)表示全寿命峭度图、图2(b)表示全寿命有效值图,图2(c)表示全寿命峰值图;
图3为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副四组数据的基于NLLP健康指标的全寿命图;其中,图3(a)、图3(b)、图3(c)、图3(d)分别为四组数据基于NLLP健康指标的全寿命图;
图4为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副的历史数据样本分组组合的3种组合预测误差与权值的趋势图;
图5为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副自适应预测模型的剩余寿命预测图;
图6为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副基于历史数据模型的剩余寿命预测图;
图7为本申请实施例船用反应堆控制棒驱动机构滚轮丝杠副基于在线监测数据模型的剩余寿命预测图。
具体实施方式
下面将结合本发明实施例中的附图,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。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
参照图1,本发明提供一种滚轮丝杠副剩余使用寿命预测方法,包括以下步骤:
S1、从滚轮丝杠副健康状态下的历史运转数据中提取多种故障特征,利用多种故障组成的向量空间对GTM(Generative Topographic Mapping,生成拓扑映射)网络进行训练。
所述历史运转数据为全寿命周期数据,本实施例中所用的滚轮丝杠副全寿命周期数据是通过每间隔五分钟采集1秒钟的振动数据,对所有的等间隔采集的数据提取故障特征,并利用这些故障特征构成滚轮丝杠副的全寿命周期数据。
S2、利用训练完成的GTM网络构建历史数据的NLLP(似然概率)指标。
GTM是一种新的数据处理算法,能通过一种非线性转换将L维空间的变量x=(x1,x2,……xL)映射到D维空间的变量y=(y1,y2,……yD),以此用变量x的分布去表示变量y的分布,其中L<D。它具有很出色的聚类和识别的功能,而且还能达到降维的目的。映射关系如式(1)所示:
y=W·Φ(x) (1)
式中,W是一个D×M转换矩阵,Φ(x)={φj(x)}是一个由非线性函数组成的集合,用于建立高维空间变量y与将低维空间变量x之间的映射关系,其中,j=1,2……M;非线性函数φj(x)根据需要进行选取,本实施例中选为高斯函数。
对于实际的高维空间数据t=(t1,t2……tD),与构成映射的高维空间变量y存在一定的误差,根据此误差的分布可以得到β与p(t|x,W,β)的关系,如式(2)所示:
式中,β表示实际的高维空间数据t的逆方差,p(t|x,W,β)表示低维空间变量x的似然概率。
实际的高维空间数据t的分布p(t|W,β)可以根据W和x的分布得出,如式(3)所示:
p(t|W,β)=∫p(t|x,W,β)p(x)dx (3)
为了方便计算与分析,将先验分布p(x)定义成如式(4)所示的形式:
将公式(3)与公式(4)结合变成如式(5)所示:
根据期望最大化算法对W和β进行估计。对于p(t|x,W,β)也可以根据需要选取别的适当模型。
选取多个类型的故障特征作为健康指标对设备的运行状况进行监测,利用健康状态下的故障特征组成的向量空间对GTM进行训练。当给定一个在线监测数据t,根据GTM计算出一个对应的似然概率p(t|W,β),它表示t与健康状态数据的相近的程度,概率越大,说明越相近,概率越小,说明偏离健康数据越大,因此似然概率能够作为健康指标。基于GTM的NLLP指标比一般的故障特征更能有效的反映设备的健康状态,而且对于故障初期的弱故障有着较强的灵敏性。因此,本发明选取基于NLLP指标作为滚轮丝杠副的健康指标。
S3、在构建历史数据的NLLP(似然概率)指标基础上,利用K均值聚类法针对NLLP指标进行状态划分。本实施方式中按照NLLP指标的大小将全寿命周期划分为6个状态作为K均值聚类的初始分类状态:(0,10),(10,30),(30,50),(50,100),(100,300),(300,∞)。
K均值聚类法能够将相似度大的数据集中到一个集合中,并且不同集合中的数据相似度最小,基本原理是:
把n个向量xj(j=1,2……,n)分为c个组Gi(i=1,2……,c),并求取每组的聚类中心ci,目标函数为:
式中,ci代表第i组的聚类中心,xk代表需要聚类的向量,Ji代表聚类中心ci与其他需要聚类的向量的距离,J代表所有中心与需要聚类的向量的距离和。
根据聚类中心将各向量重新进行类别划分,得到新的分类。然后再求出聚类中心,不停的进行迭代。最终的分类目标是让目标函数值小于设定的阈值。
S4、在完成历史数据NLLP指标状态划分的基础上,构建基于历史数据的Markov模型并进行训练,利用基于历史数据的Markov模型预测下一时刻的状态向量η1,并预测得出剩余寿命l1。
滚轮丝杠副全寿命周期中的各故障阶段都是复杂的非平稳数据,而Markov模型能够很好的处理这种数据。
Markov预测模型采用状态向量和状态转移矩阵来解决预测问题。对于所有状态的一阶转移概率用一个状态转移概率矩阵P表示:
转移概率的计算如式(7)所示:
Nij代表由i状态转移到状态j的全部次数,Ni代表NLLP指标变量集Xn中所有属于状态i的变量的数量。
设t-1时刻的状态概率向量为Pt-1,t时刻的状态向量为Pt,则:
Pt=P·Pt-1 (8)
当时间t由1到K时,K时刻的状态概率向量Pk如式(9)所示:
Pk=Pk·P0 (9)
状态概率向量中的分量Pk·P0表示当前时刻每个划分的状态可能出现的概率。当已知初始状态和状态转移矩阵,就可以预测出任意时刻的状态向量。为了能够全面的表达设备当前的状态,本实施例中采用加权平均的方式获取状态值。设t时刻的状态向量Pt=(p1,p2......pn),n代表划分的状态数量。则此时的状态值Ct如式(10)所示:
Ct=1×p1+2×p2+......n×pn (10)
状态值Ct的大小表示当前所处故障状态,如果状态值是小数则表示设备处于相邻状态的过渡状态。针对状态值设定阈值,如果预测的状态向量的状态值达到预设阈值时,此时刻即为设备失效的时间点。根据当前时刻和预测的失效时间点可以得出剩余寿命。阈值可以根据历史数据的失效点进行设置。
设备运行初期在线监测数据量较小,用此数据构造的状态转移矩阵中不能包含全部划分的状态。对于所缺少的状态对应的行和列,采用基于历史数据的状态转移矩阵中的对应的行列进行添补,以保持在线监测数据的状态转移矩阵的状态完整性。
S5、从滚轮丝杠副健康状态下的在线监测数据中提取多种故障特征,利用训练完成的GTM网络构建在线监测数据的NLLP(似然概率)指标。在线监测数据的NLLP(似然概率)指标与利用K均值聚类法针对NLLP指标进行状态划分结果的基础上训练基于在线监测数据的Markov模型,利用在线监测数据的Markov模型分别预测下一时刻的状态概率向量η2和预测得出剩余寿命l2。
利用在线监测数据获取实际状态向量η3。将基于历史数据的Markov模型在t时刻预测的状态概率向量η1、基于实时数据的Markov模型在t时刻预测的状态概率向量η2和实际状态概率向量是η3,采用LMS算法中的权值调整方法获取权值动态修正系数ω。
S6、剩余寿命l1、剩余寿命l2和权值动态修正系数ω,获取最终剩余寿命。
利用历史数据构建预测模型,可以获取整个寿命周期的发展趋式,但是不能包含在线监测信息,降低了预测的实时性。如果利用基于实时数据的模型进行预测,只能获取较高的短期预测精度。为了使预测模型能够同时含有两种数据信息以提高远期预测精度。本发明分别利用历史数据和在线监测数据构建两个Markov模型,对两个模型的预测结果进行加权平均得到最终预测值。由于两种模型在不同的故障阶段的预测精度是不一样的。因此,为了进一步提高预测的实时性,设置权值动态修正系数ω,通过两个预测模型的相对预测误差对权值进行自适应的调整,提高预测的准确性。剩余寿命公式如式(11)所示:
Rul=(α1-ω)·l1+(α2+ω)·l2 (11)
式中,α1是基于历史数据的Markov模型的权值,α2是基于实时数据的Markov模型的权值,l1和l2分别是与两个Markov模型对应的剩余寿命预测值。
规定权值α1,α2∈[0,1],α1+α2=1。通过历史数据计算权值。把历史数据分为两部分,其中一部分由若干组数据组成,表示预测时的历史数据;另一部分由一组数据组成,表示预测时的实时数据。将α1初始值设为0.1,步长设为0.1。然后进行预测,记录预测误差。将α1累加0.1,再进行预测,记录预测误差。一直累加直到α1=1。最后选取预测误差较小的那组权值。
ω采用LMS算法中的权值调整方法获取。LMS算法是线性自适应滤波算法,包括滤波过程和自适应过程。由于LMS算法具有结构简单,计算复杂度小,性能稳定等特点,因而被广泛地应用于各领域。其权值调整公式如式(12)所示:
ω(t)=ω(t-1)+2μ(t)e(t)x(t) (12)
式中,x(t)为t时刻预测的状态值;μ(t)为步长,0<μ(t)<1/x(t);ω(t)为权重系数;e(t)为两模型的相对预测误差。设基于历史数据的Markov模型和基于实时数据的Markov模型在t时刻预测的状态概率向量分别是η1和η2,实际状态概率向量是η3,通过欧式距离计算两个Markov模型预测的相对误差e(t)为:
式中||·||表示取模运算。
以船用反应堆控制棒驱动机构滚轮丝杠副剩余寿命实验为例,获取全寿命振动数据,信号采样频率是16384Hz。每次测量分别采集提棒过程和落棒过程的振动数据,作为一组数据,每组数据时间间隔10min。采用三种参数作为特征,分别是峭度、有效值和峰值,并使用4组数据,其中3组数据训练预测模型,1组数据作为预测数据,4组数据全寿命周期的特征图参照图2所示,其中图2(a)表示全寿命峭度图、图2(b)表示全寿命有效值图,图2(c)表示全寿命峰值图。
选取4组数据中前5000min作为健康状态下的数据构建基于GTM的NLLP健康指标,4组数据的基于NLLP健康指标的全寿命图参照图3。图3中的曲线要比图2中的曲线要平滑,曲线的发展趋式明显,滚轮磨损初期的NLLP幅值变化显著,有助于对滚轮的健康状态做出及时的判断和构建精确的预测模型。
采用K均值聚类法对NLLP指标进行状态划分。从图3中可以看出随着滚轮丝杠副工作时间变长,磨损越严重,NLLP指标越大。当运行时间未超过6000min时,故障程度较轻,NLLP指标保持在50以下;当处于6000min和16000min时,NLLP指标维持在50~100;16000min以后故障程度接近失效点;18000min后滚轮磨损已经达到失效点。按照NLLP指标的大小将全寿命周期划分为6个状态作为K均值聚类的初始分类状态:(0,10),(10,30),(30,50),(50,100),(100,300),(300,∞)。然后对3组数据进行迭代分类,最终分类状态:(0,14),(14,31),(31,56),(56,122),(122,308),(308,∞)。
利用本申请的方法求解滚轮丝杠副剩余寿命,参考图4。
参考图4-7,可以看出图4的预测曲线最接近实际寿命,其余的预测曲线预测误差较大。由对比结果可以得出,利用历史数据和在线监测数据进行预测比只利用其中一种数据进行预测要精确的多。
本发明采用NLLP指标作为滚轮寿命的健康状态指标,利用LMS和Markov模型构造基于历史数据和在线监测数据的自适应预测模型,通过试验验证本发明预测精度高,而且结果表明同时利用历史数据和在线监测数据进行预测比只利用其中一种数据进行预测精确度提高明显。本发明选取的NLLP健康指标比一般的故障特征更能有效的反应的设备状况,能够有助于精确的构造预测模型,从而提高预测精度。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种滚轮丝杠副剩余使用寿命预测方法,其特征在于:包括以下步骤:
获取滚轮丝杠副历史数据中多种故障特征,组成多种故障特征向量空间,利用多种故障特征向量空间训练生成拓扑映射GTM网络;
利用训练好的GTM网络构建历史数据似然概率NLLP指标;
基于历史数据NLLP指标,利用K均值聚类法对NLLP指标进行状态划分;
基于历史数据NLLP指标状态划分,构建基于历史数据的Markov模型并进行训练,利用基于历史数据的Markov模型预测滚轮丝杠副下一时刻的状态向量η1,并预测得出剩余寿命l1;
提取滚轮丝杠副在线监测数据中多种故障特征,利用训练完成的GTM网络构建在线监测数据NLLP指标;
基于在线监测数据NLLP指标和历史数据NLLP指标状态划分,训练基于在线监测数据的Markov模型;
基于在线监测数据的Markov模型分别预测下一时刻的状态向量η2和预测得出剩余寿命l2;
基于在线监测数据获取实际状态向量η3;
基于所述状态向量η1、所述状态向量η2和所述实际状态向量η3,获取权值动态修正系数ω;
基于所述剩余寿命l1、所述剩余寿命l2和所述权值动态修正系数ω,获取滚轮丝杠副最终剩余寿命。
3.根据权利要求1所述的滚轮丝杠副剩余使用寿命预测方法,其特征在于:所述滚轮丝杠副剩余使用寿命Rul为:
Rul=(α1-ω)·l1+(α2+ω)·l2
式中,α1表示基于历史数据的Markov模型的权值,α2表示基于实时数据的Markov模型的权值,l1表示基于历史数据的Markov模型获取的剩余寿命预测值,l2表示基于在线监测数据的Markov模型获取的剩余寿命预测值。
4.根据权利要求1所述的滚轮丝杠副剩余使用寿命预测方法,其特征在于:权值动态修正系数ω采用LMS算法中的权值调整方法获取。
5.根据权利要求4所述的滚轮丝杠副剩余使用寿命预测方法,其特征在于:所述权值动态修正系数表示为
ω(t)=ω(t-1)+2μ(t)e(t)x(t)
式中,x(t)为t时刻预测的剩余使用寿命;μ(t)为步长,0<μ(t)<1/x(t);ω(t)为t时刻的权值修正系数;e(t)为基于实时数据的Markov模型和基于历史数据的Markov模型的相对预测误差。
6.根据权利要求1所述的滚轮丝杠副剩余使用寿命预测方法,其特征在于:Markov预测模型包括状态向量和状态转移矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546211.7A CN112685933B (zh) | 2020-12-24 | 2020-12-24 | 一种滚轮丝杠副剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011546211.7A CN112685933B (zh) | 2020-12-24 | 2020-12-24 | 一种滚轮丝杠副剩余使用寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112685933A true CN112685933A (zh) | 2021-04-20 |
CN112685933B CN112685933B (zh) | 2022-10-18 |
Family
ID=75451545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011546211.7A Active CN112685933B (zh) | 2020-12-24 | 2020-12-24 | 一种滚轮丝杠副剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112685933B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520651A (zh) * | 2009-03-03 | 2009-09-02 | 华中科技大学 | 一种基于隐马尔科夫链的数控装备可靠性分析方法 |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
CN108591393A (zh) * | 2018-03-23 | 2018-09-28 | 扬州众孚传动科技有限公司 | 用于核堆控制棒驱动机构的圆弧牙型螺纹滚轮丝杠副 |
CN109948180A (zh) * | 2019-01-25 | 2019-06-28 | 北京航空航天大学 | 一种正交各向异性对边简支矩形薄板振动分析方法 |
WO2019174142A1 (zh) * | 2018-03-14 | 2019-09-19 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN110889178A (zh) * | 2019-11-26 | 2020-03-17 | 北京工业大学 | 一种预测谐波减速器柔轮寿命的方法 |
CN111324987A (zh) * | 2020-02-20 | 2020-06-23 | 西北工业大学 | 一种基于稀疏高斯过程的目标运动预测方法 |
-
2020
- 2020-12-24 CN CN202011546211.7A patent/CN112685933B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101520651A (zh) * | 2009-03-03 | 2009-09-02 | 华中科技大学 | 一种基于隐马尔科夫链的数控装备可靠性分析方法 |
CN107274011A (zh) * | 2017-06-05 | 2017-10-20 | 上海电力学院 | 综合马尔科夫模型和概率网络的设备状态识别方法 |
WO2019174142A1 (zh) * | 2018-03-14 | 2019-09-19 | 山东科技大学 | 一种多模式的退化过程建模及剩余寿命预测方法 |
CN108591393A (zh) * | 2018-03-23 | 2018-09-28 | 扬州众孚传动科技有限公司 | 用于核堆控制棒驱动机构的圆弧牙型螺纹滚轮丝杠副 |
CN109948180A (zh) * | 2019-01-25 | 2019-06-28 | 北京航空航天大学 | 一种正交各向异性对边简支矩形薄板振动分析方法 |
CN110674752A (zh) * | 2019-09-25 | 2020-01-10 | 广东省智能机器人研究院 | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 |
CN110889178A (zh) * | 2019-11-26 | 2020-03-17 | 北京工业大学 | 一种预测谐波减速器柔轮寿命的方法 |
CN111324987A (zh) * | 2020-02-20 | 2020-06-23 | 西北工业大学 | 一种基于稀疏高斯过程的目标运动预测方法 |
Non-Patent Citations (2)
Title |
---|
QINMING LIU: "A novel method for online health prognosis of equipment based on hidden semi-Markov model using sequential Monte Carlo methods", 《ELSEVVIER》 * |
赵敏等: "多变量灰色模型在滚珠丝杠剩余寿命预测中的应用", 《计算机集成制造系统》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112685933B (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN111709490A (zh) | 一种基于gru神经网络的风机健康状态评估方法 | |
CN112433896B (zh) | 一种服务器磁盘故障预测方法、装置、设备及存储介质 | |
CN111784061B (zh) | 一种电网工程造价预测模型的训练方法、装置和设备 | |
CN111340282A (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
CN116380445B (zh) | 基于振动波形的设备状态诊断方法及相关装置 | |
CN112115636A (zh) | 一种电力电缆绝缘老化寿命超前预测方法及系统 | |
CN112746934A (zh) | 一种自联想神经网络诊断风机故障方法 | |
CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN116702612A (zh) | 一种多维指标融合的cvt健康状态预测方法及系统 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN116186633A (zh) | 一种基于小样本学习的用电异常诊断方法和系统 | |
CN114578234A (zh) | 一种考虑因果性特征的锂离子电池退化与容量预测模型 | |
CN112016800B (zh) | 一种基于有效性指标的特征选择方法与系统 | |
CN112685933B (zh) | 一种滚轮丝杠副剩余使用寿命预测方法 | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN115935814A (zh) | 一种基于arima-svm模型的变压器故障预测方法 | |
CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 |
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 |