CN113987917B - 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 - Google Patents

基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 Download PDF

Info

Publication number
CN113987917B
CN113987917B CN202111125988.0A CN202111125988A CN113987917B CN 113987917 B CN113987917 B CN 113987917B CN 202111125988 A CN202111125988 A CN 202111125988A CN 113987917 B CN113987917 B CN 113987917B
Authority
CN
China
Prior art keywords
nitrile rubber
sealing ring
neural network
rubber sealing
residual life
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
Application number
CN202111125988.0A
Other languages
English (en)
Other versions
CN113987917A (zh
Inventor
刘文凤
张子琦
郑雪梅
迟晓红
程璐
刘宏博
李盛涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202111125988.0A priority Critical patent/CN113987917B/zh
Publication of CN113987917A publication Critical patent/CN113987917A/zh
Application granted granted Critical
Publication of CN113987917B publication Critical patent/CN113987917B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing Resistance To Weather, Investigating Materials By Mechanical Methods (AREA)
  • Examining Or Testing Airtightness (AREA)

Abstract

公开了基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法，方法中，测量丁腈橡胶密封圈的特征变量以构建训练样本，其中，以玻璃化转变温度、微米压痕硬度、服役时间和经历最低温度作为输入参数，以微米压痕简约杨氏模量作为输出参数，微米压痕简约杨氏模量越小，丁腈橡胶密封圈剩余寿命越少，并对数据进行归一化处理，获得训练样本；构建BP神经网络模型；使用遗传算法优化BP神经网络模型的初始权值和阈值；使用训练样本对BP神经网络模型进行迭代训练，获得丁腈橡胶密封圈剩余寿命预测模型；基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型对丁腈橡胶密封圈进行剩余寿命预测。

Description

基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法
技术领域
本发明属于橡胶剩余寿命技术领域，尤其涉及一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法。
背景技术
丁腈橡胶(NBR)因具有良好的耐磨性、耐油性和气密性等，作为密封圈而广泛应用于变压器类设备中。但由于受到外界环境因素的影响，在使用过程中丁腈橡胶密封圈往往会出现密封性能下降乃至失效的情况，从而引发气体、液体介质渗漏，严重影响设备安全运行。丁腈橡胶密封圈的可靠性关键在于特定运行环境下的剩余寿命问题。目前对于丁腈橡胶密封圈运行环境的研究，大多集中于高温、高湿度情况下，极少关注低温条件对丁腈橡胶密封圈剩余寿命的影响。目前行业标准要求的最低工作温度为-40℃。橡胶类制品的工作状态为材料的高弹态，我国极寒地区所处地域的最低温度可达到-50℃以下，而且运行设备内外存在温度梯度，均会影响橡胶类制品的相态变化和其功能可靠性。因此，能够准确预测低温环境丁腈橡胶密封圈的剩余寿命具有重要意义。
现有针对丁腈橡胶密封圈的剩余寿命预测方法有阿累尼乌斯(Arrhenius)方程理论、Dakin寿命方程、动力学曲线直线化法、变量折合法及数学模型法等，往往需要配合长时间的老化试验或者根据经验公式外推出寿命预测模型。由于试验环境条件与实际环境条件有一定差距，得到的寿命预测模型缺乏普适性。并且影响因素众多且随机性大，在模型参数选择不全的情况下，其预测寿命与真实值偏差较大。
在背景技术部分中公开的上述信息仅仅用于增强对本发明背景的理解，因此可能包含不构成本领域普通技术人员公知的现有技术的信息。
发明内容
本发明的目的是提供一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法，能够更准确地预测低温环境下丁腈橡胶密封圈的剩余寿命。为了实现上述目的，本发明提供如下技术方案：
本发明的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法包括：
第一步骤，测量丁腈橡胶密封圈的特征变量以构建训练样本，其中，特征变量包括丁腈橡胶密封圈的玻璃化转变温度、微米压痕硬度和微米压痕简约杨氏模量，以所述玻璃化转变温度、微米压痕硬度、服役时间和经历最低温度作为输入参数，以微米压痕简约杨氏模量作为输出参数，微米压痕简约杨氏模量越小，丁腈橡胶密封圈剩余寿命越少，并对数据进行归一化处理，获得训练样本；
第二步骤，构建BP神经网络模型；
第三步骤，使用遗传算法优化BP神经网络模型的初始权值和阈值；
第四步骤，使用所述训练样本对BP神经网络模型进行迭代训练，获得训练好的基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型；
第五步骤，待测丁腈橡胶密封圈的特征变量输入所述基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型，以对丁腈橡胶密封圈进行剩余寿命预测。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法中，第二步骤中，BP神经网络模型包括输入层、隐含层、输出层，以所述输入参数数目作为输入层节点数N，以所述输出参数数目作为输出层节点数M，隐含层节点数L基于训练样本的训练结果确定。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法中，第三步骤中，采用所述输入层与隐含层连接权值、所述隐含层与输出层权值、所述隐含层阈值及所述输出层阈值四部分作为遗传信息进行实数编码，编码长度S满足：
S＝N·L+M·L+M+L，将每次预测的误差绝对值之和的倒数定义为适应度函数，采用轮盘赌法进行选择操作，适应度值越高的个体被选中的概率越大，采用实数交叉法进行交叉操作以及从种群中随机选择个体，按预定概率变异随机得到新个体。
在上述技术方案中，本发明提供的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法，具有以下有益效果：采用高敏感度的特征向量，运用神经网络建立数据驱动的丁腈橡胶密封圈剩余寿命预测模型，可以凭借其极强的自适应、自学习能力，拟合非线性的试验数据，实现对丁腈橡胶密封圈剩余寿命的准确预测。
附图说明
为了更清楚地说明本申请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中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本发明中基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的算法流程图；
图2为本发明中基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的丁腈橡胶密封圈剩余寿命预测模型结构图；
图3为本发明中基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的遗传算法优化过程中每代最优个体适应度值的变化曲线图；
图4为本发明中基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的预测值与实际值的曲线图；
图5为本发明中基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的预测误差百分比示意图。
具体实施方式
为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
因此，以下对在附图图1至图5中提供的本发明的实施方式的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施方式。基于本发明中的实施方式，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
为了使本领域的技术人员更好地理解本发明的技术方案，下面将结合附图对本发明作进一步的详细介绍。一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法包括，
第一步骤，测量丁腈橡胶密封圈的特征变量以构建训练样本，其中，特征变量包括丁腈橡胶密封圈的玻璃化转变温度、微米压痕硬度和微米压痕简约杨氏模量，以所述玻璃化转变温度、微米压痕硬度、服役时间和经历最低温度作为输入参数，以微米压痕简约杨氏模量作为输出参数，微米压痕简约杨氏模量越小，丁腈橡胶密封圈剩余寿命越少，并对数据进行归一化处理，获得训练样本；
第二步骤，构建BP神经网络模型；
第三步骤，使用遗传算法优化BP神经网络模型的初始权值和阈值；
第四步骤，使用所述训练样本对BP神经网络模型进行迭代训练，获得训练好的基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型；
第五步骤，待测丁腈橡胶密封圈的特征变量输入所述基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型，以对丁腈橡胶密封圈进行剩余寿命预测。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的优选实施方式中，第二步骤中，BP神经网络模型包括输入层、隐含层、输出层，以所述输入参数数目作为输入层节点数N，以所述输出参数数目作为输出层节点数M，隐含层节点数L基于训练样本的训练结果确定。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的优选实施方式中，第三步骤中，采用所述输入层与隐含层连接权值、所述隐含层与输出层权值、所述隐含层阈值及所述输出层阈值四部分作为遗传信息进行实数编码，编码长度S满足：
S＝N·L+M·L+M+L，将每次预测的误差绝对值之和的倒数定义为适应度函数，采用轮盘赌法进行选择操作，适应度值越高的个体被选中的概率越大，采用实数交叉法进行交叉操作以及从种群中随机选择个体，按预定概率变异随机得到新个体。
在一个实施例中，基于BP神经网络的低温环境丁腈橡胶密封圈剩余寿命预测方法包括以下步骤：
S1、测量丁腈橡胶密封圈的特征变量以构建训练样本；
S2、构建BP神经网络模型；
S3、使用遗传算法对BP神经网络的初始权值和阈值进行优化；
S4、使用训练样本对BP神经网络进行迭代训练，获得训练好的基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型；
S5、利用训练好的基于BP神经网络的丁腈橡胶密封圈低温力学性丁腈橡胶密封圈能评估模型对丁腈橡胶密封圈进行剩余寿命预测。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的优选实施方式中，测试丁腈橡胶密封圈的玻璃化转变温度、微米压痕硬度和微米压痕简约杨氏模量，以丁腈橡胶密封圈的玻璃化转变温度、微米压痕硬度、服役时间和经历最低温度作为输入参数，以微米压痕简约杨氏模量作为输出参数，微米压痕简约杨氏模量越小，丁腈橡胶密封圈剩余寿命越少，并对数据进行归一化处理，获得训练样本；
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的优选实施方式中，确定BP神经网络模型拓扑结构，包括输入层、隐含层、输出层，以输入参数数目作为输入层节点数N，以输出参数作为输出层节点数M，隐含层节点数L根据训练样本训练结果确定。
所述的一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法的优选实施方式中，S3包括以下步骤：
S31、种群初始化
本发明采用输入层与隐含层连接权值、隐含层与输出层权值、隐含层阈值及输出层阈值四部分作为一个个体所应具备的遗传信息进行实数编码。染色体编码长度S满足：
S＝N·L+M·L+M+L
S32、适应度函数
本发明将每次预测的误差绝对值之和的倒数定义为适应度函数。
S33、选择操作
本发明采用轮盘赌法进行选择操作，即适应度值越高的个体被选中的概率越大，符合问题实际。
S34、交叉操作
本发明在采用实数编码的背景下，采用实数交叉法进行交叉操作。
S35、变异操作
本发明从种群中随机选择个体，按一定概率变异随机得到新个体。
在一个实施例中，变异操作后计算适应度函数值，判定符合结束条件后，获得最优初始BP神经网络权值和阈值。
在一个实施例中，丁腈橡胶密封圈为低温环境中使用的丁腈橡胶密封圈。
在一个实施例中，构建BP神经网络模型为拓扑结构。
在一个实施例中，计算预测值和实际值误差，不断迭代更新权值和阈值，知道符合结束条件，构建基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型。
最后应该说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例，基于本申请中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例，都属于本申请保护的范围。
以上只通过说明的方式描述了本发明的某些示范性实施例，毋庸置疑，对于本领域的普通技术人员，在不偏离本发明的精神和范围的情况下，可以用各种不同的方式对所描述的实施例进行修正。因此，上述附图和描述在本质上是说明性的，不应理解为对本发明权利要求保护范围的限制。
具体实施例：
通过对全新丁腈橡胶密封圈与失效密封圈的特征变量进行测量，共计获得56组实验数据。部分原始数据如下：
对实验数据进行归一化处理，其中，42组作为训练集，14组作为测试集。构建BP神经网络，输入层节点数N为4，输出层节点数M为1，隐含层节点数L的最优值为5，拓扑结构如图2所示。
使用遗传算法对BP神经网络的初始权值和阈值进行优化，种群规模为200，进化次数为200次，交叉概率为0.4，变异概率为0.2。
S31、种群初始化
本发明采用输入层与隐含层连接权值、隐含层与输出层权值、隐含层阈值及输出层阈值四部分作为一个个体所应具备的遗传信息进行实数编码。染色体编码长度S满足：
S＝N·L+M·L+M+L，
本实施例中，S的长度为31。
S32、适应度函数
本发明将每次预测的误差绝对值之和的倒数定义为适应度函数，适应度值越高的个体在遗传过程中具备更大的繁衍优势，而使神经网络预测误差越小的个体显然是该优化问题中的优秀个体。计算公式为
式中，n表示输出层变量维数；yi表示输出层第i个节点的实际输出变量值；Oi表示输出层第i个节点的预测输出变量值；k为系数
S33、选择操作
本发明采用轮盘赌法进行选择操作，即适应度值越高的个体被选中的概率越大，符合问题实际。计算公式为fi＝k·Fi
式中，Fi为第i个个体的适应度值，k为权重；N为种群个体数目。
S34、交叉操作
本发明在采用实数编码的背景下，采用实数交叉法进行交叉操作。以下公式表明k号染色体ak与i号染色体ai在位置j上的交叉操作方法：
akj＝akj(1-b)+aljbalj＝alj(1-b)+akjb
式中，b为[0，1]间的随机数。
S35、变异操作
本发明从种群中随机选择个体，按20％的概率变异随机得到新个体。
通过训练集获得丁腈橡胶密封圈剩余寿命预测模型后，我们使用测试集对预测模型进行验证评估。其中，遗传算法优化过程中最优个体适应度值的变化曲线预测结果如图3所示，随着进化代数的增加，每代最优个体的适应度值逐渐增加，并在160代后趋于平稳。丁腈橡胶密封圈剩余寿命预测模型的预测值与实际值的曲线图如图4所示，可以看出，预测曲线与实际结果基本吻合。丁腈橡胶密封圈剩余寿命预测模型的预测误差百分比如图5所示，预测误差百分比均保持10％以内，平均预测误差百分比仅为2.7％，预测准确率高达97.3％，具有极高的精确度。

Claims (1)

1.一种基于BP神经网络的丁腈橡胶密封圈剩余寿命预测方法，其特征在于，其包括以下步骤：
第一步骤，测量丁腈橡胶密封圈的特征变量以构建训练样本，其中，特征变量包括丁腈橡胶密封圈的玻璃化转变温度、微米压痕硬度和微米压痕简约杨氏模量，以所述玻璃化转变温度、微米压痕硬度、服役时间和经历最低温度作为输入参数，以微米压痕简约杨氏模量作为输出参数，微米压痕简约杨氏模量越小，丁腈橡胶密封圈剩余寿命越少，并对数据进行归一化处理，获得训练样本；
第二步骤，构建BP神经网络模型，BP神经网络模型包括输入层、隐含层、输出层，以所述输入参数数目作为输入层节点数N，以所述输出参数数目作为输出层节点数M，隐含层节点数L基于训练样本的训练结果确定；
第三步骤，使用遗传算法优化BP神经网络模型的初始权值和阈值，采用所述输入层与隐含层连接权值、所述隐含层与输出层权值、所述隐含层阈值及所述输出层阈值四部分作为遗传信息进行实数编码，编码长度S满足：
，将每次预测的误差绝对值之和的倒数定义为适应度函数，采用轮盘赌法进行选择操作，适应度值越高的个体被选中的概率越大，采用实数交叉法进行交叉操作以及从种群中随机选择个体，按预定概率变异随机得到新个体；
第四步骤，使用所述训练样本对BP神经网络模型进行迭代训练，获得训练好的基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型；
第五步骤，待测丁腈橡胶密封圈的特征变量输入所述基于BP神经网络的丁腈橡胶密封圈剩余寿命预测模型，以对丁腈橡胶密封圈进行剩余寿命预测。
CN202111125988.0A 2021-09-24 2021-09-24 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法 Active CN113987917B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111125988.0A CN113987917B (zh) 2021-09-24 2021-09-24 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111125988.0A CN113987917B (zh) 2021-09-24 2021-09-24 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN113987917A CN113987917A (zh) 2022-01-28
CN113987917B true CN113987917B (zh) 2024-04-09

Family

ID=79736635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111125988.0A Active CN113987917B (zh) 2021-09-24 2021-09-24 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN113987917B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104834808A (zh) * 2015-04-07 2015-08-12 青岛科技大学 基于bp神经网络的橡胶减振器使用寿命预测方法
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015172560A1 (zh) * 2014-05-16 2015-11-19 华南理工大学 基于bp神经网络的中央空调冷负荷的预测方法
CN104834808A (zh) * 2015-04-07 2015-08-12 青岛科技大学 基于bp神经网络的橡胶减振器使用寿命预测方法
CN111814401A (zh) * 2020-07-08 2020-10-23 重庆大学 基于遗传算法的bp神经网络的led寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
某战场侦察雷达电子机箱重要件寿命预测与可靠性分析;田丰;;装备环境工程(12);全文 *
橡胶材料加速老化试验与寿命预测方法研究进展;刘晓丹;谢俊杰;冯志新;谢宇芳;;合成材料老化与应用(01);全文 *

Also Published As

Publication number Publication date
CN113987917A (zh) 2022-01-28

Similar Documents

Publication Publication Date Title
CN110633792B (zh) 端到端基于卷积循环神经网络的轴承健康指标构建方法
WO2020191800A1 (zh) 基于wde优化lstm网络的锂离子电池剩余寿命预测方法
CN109063416B (zh) 基于lstm循环神经网络的基因表达预测方法
CN107725283A (zh) 一种基于深度信念网络模型的风机故障检测方法
Fei et al. Forecasting dissolved gases content in power transformer oil based on support vector machine with genetic algorithm
CN111652310B (zh) 基于Bagging框架SVM继电器贮存寿命预测方法
Fei et al. Support vector machine with genetic algorithm for forecasting of key-gas ratios in oil-immersed transformer
CN109657147B (zh) 基于萤火虫和加权极限学习机的微博异常用户检测方法
CN104020401A (zh) 基于云模型理论的变压器绝缘热老化状态的评估方法
CN113917334A (zh) 基于进化lstm自编码器的电池健康状态估计方法
Zhou et al. Novel probabilistic neural network models combined with dissolved gas analysis for fault diagnosis of oil-immersed power transformers
CN113987917B (zh) 基于bp神经网络的丁腈橡胶密封圈剩余寿命预测方法
CN113408192B (zh) 基于ga-fsvr的智能电表误差预测方法
CN117250490A (zh) 一种基于lstm的剩余电流动作断路器寿命预测方法
CN116736133A (zh) 锂离子电池全寿命周期容量退化轨迹的早期预测方法
CN113361025B (zh) 一种基于机器学习的蠕变疲劳概率损伤评定方法
Lei et al. Improved fuzzy weighted optimum curve-fitting method for estimating the parameters of a Pearson Type-III distribution
CN114722721A (zh) 基于深度编解码卷积网络的电力变压器健康状态评估方法
CN114970813A (zh) 一种溶解氧浓度数据修复及预报方法
CN111832731B (zh) 一种多指标监测的油液不确定状态表征及故障诊断的方法
Wang et al. Anomaly detection using large-scale multimode industrial data: An integration method of nonstationary kernel and autoencoder
CN115017683A (zh) 基于深度lstm神经网络的泡沫橡胶材料剩余寿命预测方法
CN113552438B (zh) 一种变压器负载能力的预测方法
CN110991121B (zh) 基于cdbn-svr的空气预热器转子变形软测量方法
Yan et al. A Novel Parameter-Related Wiener Process Model With Its Estimation of Remaining Useful Life in Degradation Analysis

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