CN114722529B - 一种基于人工智能的推杆设备寿命预测方法及系统 - Google Patents
一种基于人工智能的推杆设备寿命预测方法及系统 Download PDFInfo
- Publication number
- CN114722529B CN114722529B CN202210345080.9A CN202210345080A CN114722529B CN 114722529 B CN114722529 B CN 114722529B CN 202210345080 A CN202210345080 A CN 202210345080A CN 114722529 B CN114722529 B CN 114722529B
- Authority
- CN
- China
- Prior art keywords
- push rod
- data
- overload
- predicted
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
-
- 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
- G06F2119/12—Timing analysis or timing optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的推杆设备寿命预测方法及系统。该方法以历史推杆数据训练推杆数据预测网络,根据预测推杆数据之前时刻的过载时间节点的过载使用时间获得每个过载时间节点的过载率,根据过载率和过载时间节点进行高斯拟合获得高斯函数,根据预测推杆数据的时刻对应的高斯函数值获得表示影响程度的第一权重系数。根据第一权重系数和对应时刻下的第一卡尔曼增益系数共同调整网络损失。根据预测推杆数据序列获得设备剩余寿命。本发明构建的预测网络考虑到了推杆数据中的过载事件的影响,使其可以根据输出的预测数据获得准确的设备剩余寿命。
Description
技术领域
本发明涉及人工智能技术领域,具体涉及一种基于人工智能的推杆设备寿命预测方法及系统。
背景技术
电动推杆为多种零件组合成的电动设备,对于电动推杆而言,对其寿命影响最大的部件为推杆电机。在生产设备时,对电动推杆寿命的常规方法为在产品中随机抽样,对抽样得到的电动推杆中的电机进行试验,让电机持续运行直至产品损坏,记录运行次数以及时间,获得电动推杆寿命。
在电动推杆应用过程时,需要根据电动推杆的寿命进行判断是否需要更换推杆,但是对于电动推杆而言,在实际使用过程中存在一个标准运行时间。在标准运行时间内电动推杆会正常运行,但是一旦超过标准运行时间,电动推杆就会过载运行,过载会加大电动推杆的损耗,影响其寿命,因此常规方法中对于电动推杆的寿命预测没有考虑到运行过程中的过载因素,无法准确获得电动推杆的剩余寿命。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于人工智能的推杆设备寿命预测方法及系统,所采用的技术方案具体如下:
本发明提出了一种基于人工智能的推杆设备寿命预测方法,所述方法包括:
获取连续时刻的历史推杆数据;
根据所述历史推杆数据训练推杆数据预测网络;所述推杆数据预测网络输出预测推杆数据;统计所述历史数据中发生过载行为的过载时间节点;根据所述预测推杆数据之前时刻的所述过载时间节点的过载使用时间获得过载率;以所述过载率为方差,所述过载时间节点为期望进行高斯拟合,获得高斯函数;根据所述预测推杆数据对应时刻下的所述高斯函数值获得第一权重系数;根据所述预测推杆数据和所述预测推杆数据相同时刻的所述历史推杆数据获得该时刻的第一卡尔曼增益系数;根据所述第一权重系数和所述第一卡尔曼增益系数调整所述推杆数据预测网络的网络损失;
获取电动推杆启用时刻到当前时刻的目标推杆数据序列;将所述目标推杆数据序列输入所述推杆数据预测网络中,获得预测推杆数据序列;根据所述预测推杆数据序列的时间信息获得设备剩余寿命。
进一步地,所述历史推杆数据包括启动时长和负载电流。
进一步地,所述推杆数据预测网络结构采用长短期记忆网络结构。
进一步地,所述根据所述预测推杆数据之前时刻的所述过载时间节点的过载使用时间获得过载率包括:
根据先验知识获得正常使用的所述电动推杆的正常寿命和过载使用的过载寿命,以所述正常寿命和所述过载寿命的比值作为寿命损耗值;
将所述过载使用时间与标准使用时间的比值作为负载使用比;以所述负载使用比和所述寿命损耗值的乘积作为所述过载率。
进一步地,所述根据所述预测推杆数据对应时刻下的所述高斯函数值获得第一权重系数包括:
以所述预测推杆数据对应时刻下的所有高斯函数值的和作为所述第一权重系数。
进一步地,所述根据所述第一权重系数和所述第一卡尔曼增益系数调整所述推杆数据预测网络的网络损失包括:
将所述第一权重系数和所述第一卡尔曼增益系数相加,获得第二卡尔曼增益系数;根据第二卡尔曼增益系数对应的卡尔曼状态更新方程获得最优数据,以最优数据和所述预测推杆数据的差异作为所述网络损失。
进一步地,所述根据所述预测推杆数据序列的时间信息获得设备寿命包括:
根据所述预测推杆数据获得所述预测推杆数据序列中无法正常运行的故障时刻;根据所述故障时刻与所述当前时刻的时间差获得所述设备剩余寿命。
本发明还提出了一种基于人工智能的推杆设备寿命预测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任意一项所述一种基于人工智能的推杆设备寿命预测方法的步骤。
本发明具有如下有益效果:
1.本发明实施例通过推杆数据预测网络学习历史推杆数据中过载事件的数据特征,根据过载事件节点在整体时间序列上的位置和过载率对推杆数据预测网络的网络损失进行调整,使得网络可以学习到历史数据中发生过载事件后对应的数据特征。将目标推杆数据序列输入推杆数据预测网络中,输出预测推杆数据序列,可根据预测推杆数据序列判断电动推杆的设备剩余寿命。
2.本发明实施例考虑到过载事件对于预测推杆数据的影响特点为:过载越强,距离预测推杆数据的时间点越近,则影响越大。因此以过载率表示过载强度,根据过载率和发生过载的时间点进行高斯函数拟合,根据高斯函数可以有效合理的表示过载影响大小,对后续网络的损失调整有很好的参考性。
3.本发明实施例在调整网络损失时引入了卡尔曼增益系数,根据卡尔曼滤波过程实现对网络损失的进一步限制,增加了网络的准确性。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于人工智能的推杆设备寿命预测方法流程图;
图2为本发明一个实施例所提供的一个运行事件影响结构示意图;
图3为本发明一个实施例所提供的一个预测时间节点对应的高斯函数示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于人工智能的推杆设备寿命预测方法及系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于人工智能的推杆设备寿命预测方法及系统的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于人工智能的推杆设备寿命预测方法流程图,该方法包括:
步骤S1:获取连续时刻的历史推杆数据。
因为电动推杆的生产方式通常为车间流水线生产,因此常规情况下每个电动推杆的质量应相同,即使用寿命相同。但是在实际使用过程中因为任务需求或者操作不当会导致电动推杆的使用时间超过超过了标准运行时间,导致电动推杆出现过载情况,对于过载情况的最直观的数据为电动推杆中的电机电流大小,因此连续时刻的历史推杆数据包括启动时长和负载电流,即启动时长和负载电流构成一个二元组,连续时刻的二元组为一组历史推杆数据。需要说明的是,历史推杆数据中二元组出现的位置表示电动推杆运行时刻,即运行次数,如第2个二元组表示电动推杆在第二次运行时的启动时长和负载电流。
步骤S2:根据历史推杆数据训练推杆数据预测网络;推杆数据预测网络输出预测推杆数据;统计历史数据中发生过载行为的过载时间节点;根据预测推杆数据之前时刻的过载时间节点的过载使用时间获得过载率;以过载率为方差,过载时间节点为期望进行高斯拟合,获得高斯函数;根据预测推杆数据对应时刻下的高斯函数值获得第一权重系数;根据预测推杆数据和预测推杆数据相同时刻的历史推杆数据获得该时刻的卡尔曼增益系数,以卡尔曼增益系数作为第二权重系数;根据第一权重系数和第二权重系数调整推杆数据预测网络的网络损失。
多组历史推杆数据可表示多种运行状况,因此以历史推杆数据作为训练数据,训练推杆数据预测网络,使得推杆数据预测网络能够学习到时序数据之间的关联特征,实现数据预测功能。
优选的,推杆数据预测网络采用长短期记忆网络结构(LSTM Networks),长短期记忆网络能够学习长期以来关系,能够学习到时序视距之间的关联特征,能够实现预测数据的功能。长短期记忆网络的结构特点为一个神经元对应一组输入和输出,且多个神经元之间存在连接关系,对于一个神经元的输出来说,前一个神经元对它影响最大,即某一时刻的预测推杆数据之前最近的时刻对当前预测时刻的影响最大。但是因为电动推杆使用过程中存在过载事件,因此过载事件也应对当前预测时刻存在影响,请参阅图2其示出了本发明一个实施例所提供的一个运行事件影响结构示意图,图2中包含a、b、c、d、e、f六个时间节点,每个时间节点表示一个运行事件,其中a、c、e时间节点对应的运行事件为正常运行,b、d时间节点对应的运行事件为过载事件,f时间节点为预测推杆数据对应的时间节点。在图2中,f时间节点不仅受到e时间节点的影响,还受到b和d时间节点的影响,因此在网络中需要针对预测推杆数据所在时间节点之前的过载事件进行分析,控制网络训练,使网络学习到包含过载事件的数据关联特征。
根据图2可知,距离预测推杆数据时间节点越近的时间节点造成的影响越大,过载事件对预测推杆数据的影响也是如此,距离预测推杆数据时间节点越近的过载事件对其影响越大,距离越远影响越小。统计历史数据中发生过载行为的过载时间节点,可根据预测推杆数据之前时刻的过载时间节点的过载使用时间获得过载率,过载使用时间越长,则过载率越大,对预测推杆数据的影响越大。进一步以过载率为方差,过载时间节点为期望进行高斯拟合,获得高斯函数。高斯函数的方差为过载率,体现的是高斯曲线的宽度,即宽度越大说明对预测推杆数据影响越大;高斯函数的期望为过载时间节点,即横坐标为时间信息,距离过载时间节点越近,影响越大。
优选的,根据预测推杆数据之前时刻的过载时间节点的过载使用时间获得过载率包括:
根据先验知识获得正常使用的电动推杆的正常寿命和过载使用的过载寿命,以正常寿命和过载寿命的比值作为寿命损耗值。需要说明的是,寿命损耗值为根据历史数据统计出的数据,可认为是一个先验值。
将过载使用时间与标准使用时间的比值作为负载使用比。以负载使用比和寿命损耗值的乘积作为过载率。
根据预测推杆数据对应时刻下的所述高斯函数值获得第一权重系数,具体包括:
因为高斯函数是根据预测推杆数据的时间节点的信息获得的,因此每个预测推杆数据对应一种高斯函数的分布情况,可能存在预测时间节点之前存在多个过载时间节点的情况,则以预测推杆数据对应时刻下的所有高斯函数值的和作为第一权重系数。请参阅图3,其示出了本发明一个实施例所提供的一个预测时间节点对应的高斯函数示意图,在图3中有高斯曲线A和高斯曲线B,即在预测时间节点之前存在两个过载时间节点,其中高斯曲线A对应的过载时间节点为5,高斯曲线B对应的过载时间节点为10。预测时间节点为11,则第一权重系数为A(11)+B(11)。
为了进一步保证网络输出的准确性,根据预测推杆数据和预测推杆数据相同时刻的历史推杆数据获得该时刻的卡尔曼增益系数。
卡尔曼滤波为在观测值和预测值都不准确的情况下,找到折中的最有可能接近真实值的最优值的过程。卡尔曼滤波不要求信号和噪声都是平稳过程这一假设条件,但是在使用此方法时默认测量噪声和经验估计噪声均为白噪声,即两种获得值的方法都为高斯分布。计算增益系数实际上就是高斯分布求积的过程。卡尔曼增益系数越小,即当前网络损失值越小,预测推杆数据置信度越高。卡尔曼增益可以对历史推杆数据和其对应时间节点的预测推杆数据的误差进行均衡化,即预测推杆数据存在一定的准确性,历史推杆数据也存在一定准确性,通过计算两者的交集得到准确性更高的最优数据。
根据第一权重系数和卡尔曼增益系数调整推杆数据预测网络的网络损失包括:
将第一权重系数和第一卡尔曼增益系数相加,获得第二卡尔曼增益系数;根据第二卡尔曼增益系数对应的卡尔曼状态更新方程获得最优数据,以最优数据和预测推杆数据的差异作为网络损失。
需要说明的是,卡尔曼增益系数的获取方法和根据卡尔曼滤波的卡尔曼状态更新方程获得最优数据为本领域工作人员熟知的技术手段,在此不多赘述。
通过多组历史推杆数据的训练使得推杆数据预测网络的网络损失收敛,直至网络损失达到最小,完成网络训练。推杆数据预测网络的训练过程具体包括:
(1)通过前向计算获得每个神经元的输出值。
(2)通过反向计算获得每个神经元的误差项值,误差项的计算涉及两个方向,一个是按照时间序列的方向传播,即从当前时刻t开始计算前一时刻t-1误差项的值;另一个是按照空间结构的方向传播,即从当前层L向上一层L-1计算误差项的值。
(3)在两个方向误差项值的基础上,计算每个权值矩阵的梯度值,并进行对网络参数更新操作。
步骤S3:获取电动推杆启用时刻到当前时刻的目标推杆数据序列;将目标推杆数据序列输入推杆数据预测网络中,获得预测推杆数据序列;根据预测推杆数据序列的时间信息获得设备剩余寿命。
需要说明的是,推杆数据预测网络的输入数据和输出数据的长度可根据具体任务需求自行设置,通过调整网络中的神经元个数可实现对数据长度的设置。
根据预测推杆数据获得预测推杆数据序列中无法正常运行的故障时刻。根据故障时刻与当前时刻的时间差获得设备剩余寿命。可根据设备剩余寿命对电动推杆制定替换计划。
综上所述,本发明实施例以历史推杆数据训练推杆数据预测网络,根据预测推杆数据之前时刻的过载时间节点的过载使用时间获得每个过载时间节点的过载率,根据过载率和过载时间节点进行高斯拟合获得高斯函数,根据预测推杆数据的时刻对应的高斯函数值获得表示影响程度的第一权重系数。进一步获得第一卡尔曼增益系数,根据第一权重系数和第一卡尔曼增益系数共同调整网络损失。将目标推杆数据序列输入推杆数据预测网络中,获得预测推杆数据序列,根据预测推杆数据序列获得设备剩余寿命。本发明实施例构建的预测网络考虑到了推杆数据中的过载事件的影响,使其可以根据输出的预测数据获得准确的设备剩余寿命。
本发明还提出了一种基于人工智能的推杆设备寿命预测系统,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现任意一项一种基于人工智能的推杆设备寿命预测方法的步骤。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述方法包括:
获取连续时刻的历史推杆数据;
根据所述历史推杆数据训练推杆数据预测网络;所述推杆数据预测网络输出预测推杆数据;统计所述历史推杆数据中发生过载行为的过载时间节点;根据所述预测推杆数据之前时刻的所述过载时间节点的过载使用时间获得过载率;以所述过载率为方差,所述过载时间节点为期望进行高斯拟合,获得高斯函数;根据所述预测推杆数据对应时刻下的所述高斯函数值获得第一权重系数;根据所述预测推杆数据和所述预测推杆数据相同时刻的所述历史推杆数据获得该时刻的第一卡尔曼增益系数;根据所述第一权重系数和所述第一卡尔曼增益系数调整所述推杆数据预测网络的网络损失;
获取电动推杆启用时刻到当前时刻的目标推杆数据序列;将所述目标推杆数据序列输入所述推杆数据预测网络中,获得预测推杆数据序列;根据所述预测推杆数据序列的时间信息获得设备剩余寿命;
所述根据所述预测推杆数据之前时刻的所述过载时间节点的过载使用时间获得过载率包括:
根据先验知识获得正常使用的所述电动推杆的正常寿命和过载使用的过载寿命,以所述正常寿命和所述过载寿命的比值作为寿命损耗值;
将所述过载使用时间与标准使用时间的比值作为负载使用比;以所述负载使用比和所述寿命损耗值的乘积作为所述过载率。
2.根据权利要求1所述的一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述历史推杆数据包括启动时长和负载电流。
3.根据权利要求1所述的一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述推杆数据预测网络结构采用长短期记忆网络结构。
4.根据权利要求1所述的一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述根据所述预测推杆数据对应时刻下的所述高斯函数值获得第一权重系数包括:
以所述预测推杆数据对应时刻下的所有高斯函数值的和作为所述第一权重系数。
5.根据权利要求1所述的一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述根据所述第一权重系数和所述第一卡尔曼增益系数调整所述推杆数据预测网络的网络损失包括:
将所述第一权重系数和所述第一卡尔曼增益系数相加,获得第二卡尔曼增益系数;根据第二卡尔曼增益系数对应的卡尔曼状态更新方程获得最优数据,以最优数据和所述预测推杆数据的差异作为所述网络损失。
6.根据权利要求1所述的一种基于人工智能的推杆设备寿命预测方法,其特征在于,所述根据所述预测推杆数据序列的时间信息获得设备寿命包括:
根据所述预测推杆数据获得所述预测推杆数据序列中无法正常运行的故障时刻;根据所述故障时刻与所述当前时刻的时间差获得所述设备剩余寿命。
7.一种基于人工智能的推杆设备寿命预测系统,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1~6任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345080.9A CN114722529B (zh) | 2022-03-31 | 2022-03-31 | 一种基于人工智能的推杆设备寿命预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210345080.9A CN114722529B (zh) | 2022-03-31 | 2022-03-31 | 一种基于人工智能的推杆设备寿命预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722529A CN114722529A (zh) | 2022-07-08 |
CN114722529B true CN114722529B (zh) | 2023-08-08 |
Family
ID=82241902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210345080.9A Active CN114722529B (zh) | 2022-03-31 | 2022-03-31 | 一种基于人工智能的推杆设备寿命预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722529B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116381490B (zh) * | 2023-06-05 | 2023-08-11 | 江苏铭星智能家居有限公司 | 一种基于数据分析的推杆电机性能检测系统及方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021719A (zh) * | 2016-05-19 | 2016-10-12 | 浙江工业大学 | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113901716A (zh) * | 2021-10-09 | 2022-01-07 | 武汉科技大学 | 一种基于woukf算法的锂离子电池剩余寿命预测方法 |
WO2022016808A1 (zh) * | 2020-07-22 | 2022-01-27 | 中国科学院深圳先进技术研究院 | 一种kubernetes集群资源动态调整方法及电子设备 |
-
2022
- 2022-03-31 CN CN202210345080.9A patent/CN114722529B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106021719A (zh) * | 2016-05-19 | 2016-10-12 | 浙江工业大学 | 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法 |
WO2021042935A1 (zh) * | 2019-09-05 | 2021-03-11 | 苏州大学 | 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 |
WO2022016808A1 (zh) * | 2020-07-22 | 2022-01-27 | 中国科学院深圳先进技术研究院 | 一种kubernetes集群资源动态调整方法及电子设备 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113901716A (zh) * | 2021-10-09 | 2022-01-07 | 武汉科技大学 | 一种基于woukf算法的锂离子电池剩余寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于嵌套长短期记忆网络的机械装备剩余使用寿命预测方法_程一伟;_程一伟;《基于嵌套长短期记忆网络的机械装备剩余使用寿命预测方法》;20211117;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114722529A (zh) | 2022-07-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
CN112269769A (zh) | 数据压缩方法、装置、计算机设备及存储介质 | |
CN114722529B (zh) | 一种基于人工智能的推杆设备寿命预测方法及系统 | |
CN114666204B (zh) | 一种基于因果强化学习的故障根因定位方法及系统 | |
CN115308558B (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
CN114694379B (zh) | 一种基于自适应动态图卷积的交通流预测方法及系统 | |
CN114329347B (zh) | 一种电能表计量误差预测方法、装置及存储介质 | |
CN115963420A (zh) | 一种电池soh影响因素分析方法 | |
CN116185584A (zh) | 一种基于深度强化学习的多租户数据库资源规划与调度方法 | |
CN111277710A (zh) | 话务量预测方法、系统、计算机设备及存储介质 | |
WO2021169478A1 (zh) | 神经网络模型的融合训练方法及装置 | |
CN115879372A (zh) | 基于退化模型动态校准的设备剩余寿命预测方法及系统 | |
CN113132482B (zh) | 一种基于强化学习的分布式消息系统参数自适应优化方法 | |
CN110309472B (zh) | 基于离线数据的策略评估方法及装置 | |
Abd Samad et al. | Effect of penalty function parameter in objective function of system identification | |
Borkar et al. | Reinforcement learning for matrix computations: PageRank as an example | |
KR20220042687A (ko) | 순환 신경망(rnn)을 이용한 스마트팜 센서의 고장여부 판단방법 | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN111047016A (zh) | 一种模型训练的方法和装置 | |
CN114970359B (zh) | 建立时间序列预测模型的方法、时间序列预测方法和装置 | |
CN116484941A (zh) | 应用于稀疏奖励场景的奖励塑造与数据混合强化学习方法 | |
CN117148170B (zh) | 一种电池储能系统及其储能测试方法 | |
CN117439859A (zh) | 网络异常监控方法及系统 | |
CN116866196A (zh) | 流量预测模型的训练方法、预测方法、装置、设备及介质 |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230711 Address after: 523000 Room 301, building 3, No. 6, Wanjiang Datang Road, Wanjiang street, Dongguan City, Guangdong Province Applicant after: GUANGDONG JINGMAO HEALTH TECHNOLOGY CO.,LTD. Address before: 226200 17 Yuelong East Road, Qidong science and Technology Pioneer Park, Nantong City, Jiangsu Province Applicant before: NANTONG BECA MACHINERY TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |