CN115098962A - 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 - Google Patents

一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 Download PDF

Info

Publication number
CN115098962A
CN115098962A CN202210688516.4A CN202210688516A CN115098962A CN 115098962 A CN115098962 A CN 115098962A CN 202210688516 A CN202210688516 A CN 202210688516A CN 115098962 A CN115098962 A CN 115098962A
Authority
CN
China
Prior art keywords
model
data
state
predicting
bearing
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.)
Pending
Application number
CN202210688516.4A
Other languages
English (en)
Inventor
张翔平
范洪辉
朱洪锦
盛小春
黄宪振
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.)
Jiangsu University of Technology
Original Assignee
Jiangsu University of Technology
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 Jiangsu University of Technology filed Critical Jiangsu University of Technology
Priority to CN202210688516.4A priority Critical patent/CN115098962A/zh
Publication of CN115098962A publication Critical patent/CN115098962A/zh
Pending legal-status Critical Current

Links

Images

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
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • 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
    • 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
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明涉及深度学习和设备维护领域，特别涉及一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，包括以下步骤：训练阶段：(1)利用实验平台对轴承数据进行收据采集；(2)利用通过RNN‑FW方法对对象进行特征提取；(3)在HMM的基础上优化参数组成HMM‑FW；(4)将训练数据导入深度学习网络，生成实验对象的RUL；测试阶段：(1)将测试样本输入已经训练好的HMM‑FW模型中进行退化曲线预测；(2)对测试数据整个全寿命周期里的完整退化趋势进行复原；(3)计算出测试样本的RUL；分析阶段；提供一个综合框架来实现设备故障诊断和剩余寿命预测；适用于动态过程时间序列建模，具有很强的时间序列模式分类能力，适用于非平稳、重现性差的信号分析。

Description

一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预 测方法
技术领域
本发明涉及深度学习和设备维护领域，特别涉及一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法。
背景技术
近十年来，机械设备的健康评估技术已经成为长寿命、高可靠性机械设备运行管理的关键技术。健康评估具有检测早期系统性能退化、给出设备运行健康状况、将现有的设备定期维护发展为情景维护等优点。设备剩余寿命的预测是对设备运行健康状况最直接的评价，而剩余寿命的预测精度和预测效率是该问题的最大难点。
隐马尔可夫模型(HMM)是一种处理时间序列的模型。在这一点上，它与卡尔曼滤波算法非常相似。事实上，HMM和卡尔曼滤波的算法基本相同，只是HMM假设隐藏变量是离散的，而卡尔曼滤波则假设隐藏变量是连续的。 HMM已被广泛用于手写识别、地图匹配、金融预测、DNA序列分析等方面。
HMM也被广泛应用于故障诊断和故障预测领域，而故障预测是PHM的核心课题之一。HMM可以根据测量信号检测和识别系统的健康状态，并估计未来一段时间的健康状态，实现系统的RUL预测。将概率结构发展为分类器形式，以便在模型获取过程中融合各种类型的过程信息。使用分段聚合近似和符号聚合近似的时间序列数据挖掘表征，结合HMM应用于过程变量监测数据，并与过程缺陷相关联，以捕捉隐藏在观察数据中的有意义的信息，从而识别特定的异常情况；使用隐马尔科夫模型-贝叶斯网络混合系统预测和隔离Tennesse-Isman过程中的10个已识别的故障，成功预测了选定的10个过程故障并准确隔离了其中8个故障。
然而，从上述众多研究中可以看出，HMM的主要局限性在于：
(1)HMM状态持续的概率随着时间的推移呈指数下降的趋势。也就是说，系统在状态i下持续d的概率为P(d)＝1，其中o表示系统停留在状态i的概率，这显然与实际情况不一致，从而影响其建模和分析能力。
(2)HMM假设每个变量是相互独立的。但这与大多数的工作情况是不一致的。
(3)因为马尔科夫链具有齐次性，即一步转移概率与起始时刻无关。这一特性与实际情况严重不符，因为在设备功能退化的过程中，随着设备使用时间的增加，设备状态转移的概率肯定会发生变化。
所以综上所述可以看出目前现有技术中需要一个综合框架来实现设备故障诊断和剩余寿命预测
发明内容
针对背景技术中提到的问题，本发明的目的是提供一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法。
本发明的上述技术目的是通过以下技术方案得以实现的：一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，包括以下步骤：
训练阶段：
(5)利用实验平台对轴承数据进行收据采集；
(6)利用通过RNN-FW方法对对象进行特征提取；
(7)在HMM的基础上优化参数组成HMM-FW；
(8)将训练数据导入深度学习网络，生成实验对象的RUL；
测试阶段：
(4)将测试样本输入已经训练好的HMM-FW模型中进行退化曲线预测；
(5)对测试数据整个全寿命周期里的完整退化趋势进行复原；
(6)计算出测试样本的RUL；
分析阶段：
(3)将测试对象的训练RUL和测试的RUL进行对比；
(4)通过曲线对比将故障进行分类。
作为优选，所述步骤1中原始数据集为采集的水平方向和垂直方向的机械设备内部组件的振动信号。
作为优选，从实验对象的振动原始信号中提取时域特征、时频域特征和三角函数特征，形成振动特征集合。
作为优选，通过所提的HMM-FW进行优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得深度神经网络寿命预测模型。
作为优选，按照实验要求分别采取了以下三种轴承工作状况下的振动信号，没有采集其他特征信息，如温度系信息，因为没有合适设备对多种特征信息进行处理；
三种工况下的轴承波形图：负载为3500N，转速1800r/min；负载为4000N，转速为1650r/min；负载为5000N，转速为1500r/min。
作为优选，本方法可以来修正当前系统状态，它假定一组存在的粒子来模拟系统的真实状态，然后通过对概率函数的求解，从而摆脱非线性模型的高斯限制，当前卡尔滤波等传统预测方法很难解决当前非线性且相对复杂的场景，但是使用粒子波算法可以很好地解决这一问题，其中kx是系统在kt时刻的状态，kw为kt时刻独立同分布的系统噪声，上式通常公式(1)被称为状态转移方程；在大多数情况下不能直接观测系统的状态，但可以根据系统状态和测量数据之间的关系来估计；kt时刻的关系如下所示：
xk＝f(xA+1,Wk)
zk＝h(xk,vk)。
作为优选，采用时间相关性和变量相关性的敏感特征选择，通过构架一个基于RNN-FW的健康指示器，可以保留有益于阐明降解过程的特征,其中相似性特征RS计算方法如公式所示，它被定义为在运行时刻振动波形和初始时刻的波形的相似程度；
Figure BDA0003698715690000051
作为优选，将待测数据样本输入已训练好的模型λ中，计算该模型的输出概率P；因为模型在正常工况下下的训练得到的，所以P代表了正常轴承运行时产生数据的概率，因此输入测试的概率数据和正常轴承产生的概率的偏离程度；偏离程度越小，则数据由正常轴承产生的概率越大，即实际产生数据的轴承处于正常状态的概率就越大；反之轴承处于失效状态的概率就越大；因此，这和评估系统可以描述轴承的性能。
作为优选，将时间序列的影响引入到神经网络模型，因为RNN可以将过去时刻的状态带入到当前时刻，这是由于模型中加入了具有内部动态的隐含层，使得模型具有记忆功能，因此对于时间序列的处理具有良好性能。
综上所述，本发明的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法主要具有以下有益效果：提供一个综合框架来实现设备故障诊断和剩余寿命预测；隐马尔科夫模型(HMM)作为一种动态时间序列统计模型，适用于动态过程时间序列建模，具有很强的时间序列模式分类能力，尤其适用于非平稳、重现性差的信号分析。
附图说明
图1RNN-FW结构图；
图2测试平台图；
图3样本采样时间图；
图4轴承1-1水平图和垂直振动图；
图5轴承2-3水平图和垂直振动图；
图6轴承3-3水平图和垂直振动图；
图7轴承1-2预测图；
图8轴承2-2预测图；
图9轴承3-2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。
本发明设备故障预测，也可称为剩余寿命预测，与设备故障诊断密不可分。然而，诊断和预测一直是分开实施的，例如，诊断和预测的数据是分开收集和分析的。因此，需要一个综合框架来实现设备故障诊断和剩余寿命预测。隐马尔科夫模型(HMM)作为一种动态时间序列统计模型，适用于动态过程时间序列建模，具有很强的时间序列模式分类能力，尤其适用于非平稳、重现性差的信号分析。
本发明的一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，包括以下步骤：
训练阶段：
(9)利用实验平台对轴承数据进行收据采集；
(10)利用通过RNN-FW方法对对象进行特征提取；
(11)在HMM的基础上优化参数组成HMM-FW；
(12)将训练数据导入深度学习网络，生成实验对象的RUL；
测试阶段：
(7)将测试样本输入已经训练好的HMM-FW模型中进行退化曲线预测；
(8)对测试数据整个全寿命周期里的完整退化趋势进行复原；
(9)计算出测试样本的RUL；
分析阶段：
(5)将测试对象的训练RUL和测试的RUL进行对比；
(6)通过曲线对比将故障进行分类。
所述步骤1中原始数据集为采集的水平方向和垂直方向的机械设备内部组件的振动信号。
从实验对象的振动原始信号中提取时域特征、时频域特征和三角函数特征，形成振动特征集合。
通过所提的HMM-FW进行优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得深度神经网络寿命预测模型。
按照实验要求分别采取了以下三种轴承工作状况下的振动信号，没有采集其他特征信息，如温度系信息，因为没有合适设备对多种特征信息进行处理；
三种工况下的轴承波形图：负载为3500N，转速1800r/min；负载为4000N，转速为1650r/min；负载为5000N，转速为1500r/min。
本方法可以来修正当前系统状态，它假定一组存在的粒子来模拟系统的真实状态，然后通过对概率函数的求解，从而摆脱非线性模型的高斯限制，当前卡尔滤波等传统预测方法很难解决当前非线性且相对复杂的场景，但是使用粒子波算法可以很好地解决这一问题，其中kx是系统在kt时刻的状态， kw为kt时刻独立同分布的系统噪声，上式通常公式(1)被称为状态转移方程；在大多数情况下不能直接观测系统的状态，但可以根据系统状态和测量数据之间的关系来估计；kt时刻的关系如下所示：
xk＝f(xA+1,Wk)
zk＝h(xk,vk)。
采用时间相关性和变量相关性的敏感特征选择，通过构架一个基于 RNN-FW的健康指示器，可以保留有益于阐明降解过程的特征,其中相似性特征RS计算方法如公式所示，它被定义为在运行时刻振动波形和初始时刻的波形的相似程度；
Figure BDA0003698715690000091
将待测数据样本输入已训练好的模型λ中，计算该模型的输出概率P；因为模型在正常工况下下的训练得到的，所以P代表了正常轴承运行时产生数据的概率，因此输入测试的概率数据和正常轴承产生的概率的偏离程度；偏离程度越小，则数据由正常轴承产生的概率越大，即实际产生数据的轴承处于正常状态的概率就越大；反之轴承处于失效状态的概率就越大；因此，这和评估系统可以描述轴承的性能。
将时间序列的影响引入到神经网络模型，因为RNN可以将过去时刻的状态带入到当前时刻，这是由于模型中加入了具有内部动态的隐含层，使得模型具有记忆功能，因此对于时间序列的处理具有良好性能。
关键步骤如下：
(1)为了验证本本发明提出的HMM改进，以及对设备健康程度的划分合理性，采用了轴承加速疲劳寿命实验，来验证本发明提出的模型和方法，实验中的数据集的采集是采用杭州轴承实验研究中心研发的ABLT1A型轴承寿命试验机。
(2)通过放置在旋转液压泵主轴的平行位置的液压加速计，来采集设备的振动数据，然后本发明验证的同时辅助使用了一套自行开发的数据采集系统，该系统主要包括三个加速传感器，两个信号调解器，一张多功能数据采集卡。该装置的振动信号每隔十秒采集一次数据，采取数据的持续时间为0.1 秒，采样的频率为26.5KHZ。
(3)通过对轴承震动信号进行分解，可以提取各节点能量状态组成的特征向量
(4)选择轴承正常状态下的工作数据作为HMM改进型的训练数据，通过训练后得到模型λ，存入对比数据库中。
本发明在实验测试后效果总结：
将改良后的HMM-FW的预测结果和现存类似的研究方法进行对比，可以从表可以看出建立了一个科学的健康指示器，可以很好的对工况寿命进行分类，改良后的HMM可以筛选一部分不无用特征，因此可以很好减小预测误差，对比了原始的HMM，从表可以很明显看出，改良后的HMM可以更好地实现寿命预测的目的。
Figure BDA0003698715690000101
Figure BDA0003698715690000111
Figure BDA0003698715690000112
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 (9)

1.一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，包括以下步骤：
训练阶段：
(1)利用实验平台对轴承数据进行收据采集；
(2)利用通过RNN-FW方法对对象进行特征提取；
(3)在HMM的基础上优化参数组成HMM-FW；
(4)将训练数据导入深度学习网络，生成实验对象的RUL；
测试阶段：
(1)将测试样本输入已经训练好的HMM-FW模型中进行退化曲线预测；
(2)对测试数据整个全寿命周期里的完整退化趋势进行复原；
(3)计算出测试样本的RUL；
分析阶段：
(1)将测试对象的训练RUL和测试的RUL进行对比；
(2)通过曲线对比将故障进行分类。
2.根据权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，所述步骤1中原始数据集为采集的水平方向和垂直方向的机械设备内部组件的振动信号。
3.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，从实验对象的振动原始信号中提取时域特征、时频域特征和三角函数特征，形成振动特征集合。
4.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，通过所提的HMM-FW进行优化目标训练获得域不变特征和最优模型参数，将最优模型参数代入感知机模型获得深度神经网络寿命预测模型。
5.如权利要求1述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，按照实验要求分别采取了以下三种轴承工作状况下的振动信号，没有采集其他特征信息，如温度系信息，因为没有合适设备对多种特征信息进行处理；
三种工况下的轴承波形图：负载为3500N，转速1800r/min；负载为4000N，转速为1650r/min；负载为5000N，转速为1500r/min。
6.如权利要求1所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，本方法可以来修正当前系统状态，它假定一组存在的粒子来模拟系统的真实状态，然后通过对概率函数的求解，从而摆脱非线性模型的高斯限制，当前卡尔滤波等传统预测方法很难解决当前非线性且相对复杂的场景，但是使用粒子波算法可以很好地解决这一问题，其中kx是系统在kt时刻的状态，kw为kt时刻独立同分布的系统噪声，上式通常公式(1)被称为状态转移方程；在大多数情况下不能直接观测系统的状态，但可以根据系统状态和测量数据之间的关系来估计；kt时刻的关系如下所示：
xk＝f(xA+1,Wk)
zk＝h(xk,vk)。
7.如权利要求4所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，采用时间相关性和变量相关性的敏感特征选择，通过构架一个基于RNN-FW的健康指示器，可以保留有益于阐明降解过程的特征,其中相似性特征RS计算方法如公式所示，它被定义为在运行时刻振动波形和初始时刻的波形的相似程度；
Figure RE-FDA0003790396020000031
8.如权利要求6所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，将待测数据样本输入已训练好的模型λ中，计算该模型的输出概率P；因为模型在正常工况下下的训练得到的，所以P代表了正常轴承运行时产生数据的概率，因此输入测试的概率数据和正常轴承产生的概率的偏离程度；偏离程度越小，则数据由正常轴承产生的概率越大，即实际产生数据的轴承处于正常状态的概率就越大；反之轴承处于失效状态的概率就越大；因此，这和评估系统可以描述轴承的性能。
9.如权利要求6所述的基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法，其特征在于，将时间序列的影响引入到神经网络模型，因为RNN可以将过去时刻的状态带入到当前时刻，这是由于模型中加入了具有内部动态的隐含层，使得模型具有记忆功能，因此对于时间序列的处理具有良好性能。
CN202210688516.4A 2022-06-16 2022-06-16 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法 Pending CN115098962A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210688516.4A CN115098962A (zh) 2022-06-16 2022-06-16 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210688516.4A CN115098962A (zh) 2022-06-16 2022-06-16 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法

Publications (1)

Publication Number Publication Date
CN115098962A true CN115098962A (zh) 2022-09-23

Family

ID=83291139

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210688516.4A Pending CN115098962A (zh) 2022-06-16 2022-06-16 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法

Country Status (1)

Country Link
CN (1) CN115098962A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329283A (zh) * 2022-10-12 2022-11-11 南通翔润机电有限公司 一种启动马达高强度换向器寿命预测方法
CN117828481A (zh) * 2024-03-04 2024-04-05 烟台哈尔滨工程大学研究院 基于动态集成框架共轨船用燃油系统故障诊断方法及介质
CN117874639A (zh) * 2024-03-12 2024-04-12 山东能源数智云科技有限公司 基于人工智能的机械设备寿命预测方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115329283A (zh) * 2022-10-12 2022-11-11 南通翔润机电有限公司 一种启动马达高强度换向器寿命预测方法
CN115329283B (zh) * 2022-10-12 2023-03-28 南通翔润机电有限公司 一种启动马达高强度换向器寿命预测方法
CN117828481A (zh) * 2024-03-04 2024-04-05 烟台哈尔滨工程大学研究院 基于动态集成框架共轨船用燃油系统故障诊断方法及介质
CN117828481B (zh) * 2024-03-04 2024-07-02 烟台哈尔滨工程大学研究院 基于动态集成框架共轨船用燃油系统故障诊断方法及介质
CN117874639A (zh) * 2024-03-12 2024-04-12 山东能源数智云科技有限公司 基于人工智能的机械设备寿命预测方法及装置

Similar Documents

Publication Publication Date Title
Ma et al. Discriminative deep belief networks with ant colony optimization for health status assessment of machine
Ren et al. Multi-bearing remaining useful life collaborative prediction: A deep learning approach
CN115098962A (zh) 一种基于隐半马尔夫模型的机械设备退化态下剩余寿命的预测方法
Wen et al. Graph modeling of singular values for early fault detection and diagnosis of rolling element bearings
Yan et al. Fisher’s discriminant ratio based health indicator for locating informative frequency bands for machine performance degradation assessment
CN111241673B (zh) 用于噪声环境工业设备的健康状态预测方法
CN113642754B (zh) 一种基于rf降噪自编码信息重构和时间卷积网络的复杂工业过程故障预测方法
Jiang et al. Dual-attention-based multiscale convolutional neural network with stage division for remaining useful life prediction of rolling bearings
Son et al. Deep learning-based anomaly detection to classify inaccurate data and damaged condition of a cable-stayed bridge
Sadoughi et al. A deep learning approach for failure prognostics of rolling element bearings
CN114912640A (zh) 基于深度学习的发电机组的异常模式检测方法及系统
CN117076955A (zh) 一种高压变频器的故障检测方法及系统
Wang et al. An improved fusion prognostics method for remaining useful life prediction of bearings
Yang et al. A novel multiple feature-based engine knock detection system using sparse Bayesian extreme learning machine
Alsumaidaee et al. Fault detection for medium voltage switchgear using a deep learning hybrid 1D-CNN-LSTM model
Niu et al. A hybrid bearing prognostic method with fault diagnosis and model fusion
Aremu et al. Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems
CN113052060B (zh) 基于数据增强的轴承剩余寿命预测方法、装置及电子设备
CN116204825A (zh) 一种基于数据驱动的生产线设备故障检测方法
CN115423370A (zh) 一种继电保护设备健康状态评估方法及装置
Liu et al. Prognostics for rotating machinery using variational mode decomposition and long short-term memory network
CN114841196A (zh) 一种基于监督学习的机械设备智能故障检测方法及系统
Hao et al. New fusion features convolutional neural network with high generalization ability on rolling bearing fault diagnosis
Nie et al. Remaining useful life prediction approach for rolling element bearings based on optimized SVR model with reliable time intervals
CN114021465A (zh) 基于深度学习的电力系统鲁棒状态估计方法及系统

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