CN115292820A - 一种城轨列车轴承剩余使用寿命的预测方法 - Google Patents
一种城轨列车轴承剩余使用寿命的预测方法 Download PDFInfo
- Publication number
- CN115292820A CN115292820A CN202210992969.6A CN202210992969A CN115292820A CN 115292820 A CN115292820 A CN 115292820A CN 202210992969 A CN202210992969 A CN 202210992969A CN 115292820 A CN115292820 A CN 115292820A
- Authority
- CN
- China
- Prior art keywords
- bearing
- energy
- lstm
- network
- lstm network
- 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
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
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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
- 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
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城轨列车轴承剩余使用寿命的预测方法,包括如下步骤,设置轴承的转速和采样频率,并采集轴承运行至失效的全生命周期原始振动信号,提取轴承原始振动信号的时域特征,采用相似性度量方法衡量特征之间的相似程度;轴承原始振动信号进行变分模态分解,获得模态分量特征,采用能量熵判别法,根据能量熵越大信息不确定性原则;将时域特征与所得的模态分量特征结合,划分为训练集与验证集;用优化后的超参数建立LSTM预测网络,将特征矩阵输入LSTM网络,通过反向传播算法更新权重,通过Adam优化器更新梯度,经过计算后输出轴承RUL预测值。发明能对城轨列车轴承的RUL预测科学、高效和全面预测,网络超参数选择快捷有效、预测性能好等优势。
Description
技术领域
本发明属于轨道交通列车旋转部件轴承的故障预测技术领域,尤其涉及一种城轨列车轴承剩余使用寿命的预测方法。
背景技术
近年来城市轨道交通飞速发展,成为公共交通的重要组成部分,城轨列车的行驶可靠性与安全性受到社会各界广泛重视。轴承是列车的旋转机械设备中不可或缺的部件,研究表明大约50%的电机故障是由滚动轴承故障引起的。因此,预测轴承的剩余使用寿命在列车的运维工作上有重要的意义。目前工业界针对列车部件大多采用周期性的预防性维修,将大修、中修、小修相结合进行维护检查,能尽可能减少故障发生,但是仍存在维修过剩和维修不足的现象。为了保证列车可靠运行,降低故障次数和频率,减少由于故障停机造成经济损失甚至危及人身安全的情形,学术界和工业界正广泛关注采用故障预测与健康管理(PHM)这一新兴技术对列车进行维护。PHM是指利用传感器监控并采集***运行状态数据并进行数据处理和特征提取,通过故障诊断和预测模型,对监测对象的健康状况进行评估,对其故障发生进行预测,为监测对象的检修与维护提供指导及决策。剩余使用寿命(RUL)是评估对象健康状况的重要依据,PHM通过监测轴承状态并预测其RUL,有效地显示其退化趋势,根据运行状态动态制定、优化维修策略,以此避免引起电机等旋转部件故障,提高列车运行的可靠性和安全性。
轴承寿命预测主要包括数据处理与特征提取、RUL预测两个阶段。目前可以采用信号处理方法如时频分解、模态分解等提取轴承特征,存在采用单一域特征导致退化状态信息不足的问题。RUL预测方法中,基于模型拟合退化状态依赖专家先验知识,预测精度和适用性难以达到较高的水平。数据驱动的方法通过机器学习、深度学习等挖掘状态数据中的退化信息,映射监测信号和RUL值之间的关系,但现有支持向量机等RUL预测方法在利用轴承振动信号的时间序列信息上有很大限制。长短期记忆网络(LSTM)适合处理长期依赖性问题,在轴承RUL预测中应用广泛。LSTM超参数的设置会影响预测精度,人工选择超参数工作量大且准确度低,一些优化算法寻优超参数容易陷入局部最优,寻优能力较差、精度不够高,难以全面准确地预测轴承剩余使用寿命。
发明内容
本发明的目的在于:针对上述存在的问题,提供一种城轨列车轴承剩余使用寿命的预测方法,本发明的预测方法在数据处理与特征提取阶段保留轴承振动信号的时间序列特性,在RUL预测阶段通过哈里斯鹰优化算法(HHO) 自适应优化选择神经网络的超参数,以提高预测的精度;本发明能对城轨列车轴承的RUL预测科学、高效和全面,具有特征信息多样、LSTM网络超参数选择快捷有效、预测性能好等优势。为了实现上述目的,本发明采用的技术方案如下:
本发明提供了一种城轨列车轴承剩余使用寿命的预测方法,包括以下步骤:
步骤1:设置轴承的转速和采样频率,并采集轴承运行至失效的全生命周期原始振动信号;
步骤2:提取轴承原始振动信号的时域特征,采用相似性度量方法衡量特征之间的相似程度,将区分度较低的特征去除,选择其中表征轴承退化能力最优的特征参数;
步骤3:轴承原始振动信号进行变分模态分解,获得模态分量特征,采用能量熵判别法,根据能量熵越大信息不确定性原则,以能量最高、能量熵最小的标准选择模态分量,在时域特征基础上扩充频域信息,并分别计算模态分量的能量和能量熵;
步骤4:将步骤2所得的时域特征与步骤3所得的模态分量特征结合,共 k个序列长度为n的特征向量,第i个特征向量为Fi=[F1(i),F2(i),...,Fn(i)],其中 Fn(i)表示第n个采样时间点对应的特征值,然后将k个特征向量组合成特征矩阵F=[F1,F2,...,Fk];剔除每个特征向量内的异常值并通过三次样条插值补全后,将特征向量归一化至0至1之间,再将特征矩阵划分为训练集与验证集;
步骤5:采用LSTM网络作为RUL预测主体网络,将LSTM网络的超参数设定为种群位置,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,采用哈里斯鹰优化算法寻优LSTM超参数,每一次训练LSTM网络时都迭代更新最优的超参数组合;用优化后的超参数建立LSTM预测网络,将特征矩阵输入LSTM网络,经过计算后输出轴承RUL预测值。
上述方案进一步优选的,所述步骤3的能量熵判别法中所述能量满足如下表达式:
其中ui为第i个模态分量序列,t={0,1,...,n},n为序列长度;
所述能量熵满足:
Hi=-pilog10pi, (2);
其中pi是第i个模态分量的能量占总能量的比值,
其中i={0,1,...,K},K是总的模态分量个数。
上述方案进一步优选的,所述步骤4中特征矩阵由时域特征提取和能量熵判别法选择变分模态分解模态分量进行构建,所构建的特征矩阵内含有轴承退化的时域、频域、熵域特征信息。
上述方案进一步优选的,所述步骤5中,采用哈里斯鹰优化算法优化 LSTM网络超参数的具体过程为:
步骤5.1:选择LSTM网络的超参数学习率、批大小、迭代周期、LSTM 层单元数、Dense层单元数作为种群位置,设置种群数量、最大迭代次数;
步骤5.2:初始化哈里斯鹰种群以及猎物的位置与能量,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,比较并更新最优个体的适应度及位置;
步骤5.3:计算猎物的逃逸能量,当逃逸能量大于或等于1时进行全局搜索更新位置,当逃逸能量小于1时进行局部勘探更新位置;局部勘探过程中,当猎物逃逸能量尚大于或等于0.5,哈里斯鹰通过软围攻消耗其能量,当逃逸能量小于0.5,哈里斯鹰通过硬围攻直接捕捉猎物,在猎物无法逃脱时采用团队快速俯冲策略攻击;
步骤5.4:计算经过哈里斯鹰捕食策略更新位置后个体的适应度,比较并更新最优个体的适应度及位置;
步骤5.5:判断是否满足优化的终止条件,即是否达到设置的最大迭代次数或者适应度是否满足要求,若满足,输出优化后的适应度以及最优种群位置对应的超参数,若不满足,返回步骤5.3继续寻优。
上述方案进一步优选的,LSTM网络在训练过程中通过哈里斯鹰优化算法自适应迭代更新其最优超参数,并以此直接构建最优的LSTM网络,无需再重新训练。
综上所述,由于本发明采用了上述技术方案,本发明具有如下显著效果:
本发明综合考虑了综合考虑信号处理与RUL预测网络中存在的问题,采用时域分析和变分模态分解等信号处理方法提取特征,综合时域和频域信息,避免单一特征的有效退化信息不全面,采用LSTM网络作为RUL预测主体网络,以哈里斯鹰优化算法在网络训练过程中自适应优化其超参数,有效地解决超参数人工选择工作量太大且不易找到预测性能最优超参数的问题。本发明方法对城轨列车的轴承RUL预测科学而全面,是一种有效、实用的预测方法,可以广泛应用于列车各种旋转部件的轴承剩余使用寿命预测。
附图说明
图1是一种城轨列车轴承剩余使用寿命的预测方法的流程图;
图2是HHO优化LSTM超参数的适应度曲线;
图3是HHO优化的LSTM和原始网络的预测曲线对比图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下参照附图并举出优选实施例,对本发明进一步详细说明。然而,需要说明的是,说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解,即便没有这些特定的细节也可以实现本发明的这些方面。
如图1至图3所示,根据本发明的一种城轨列车轴承剩余使用寿命的预测方法,包括如下步骤:
步骤1:设置轴承的转速和采样频率,并采集轴承运行至失效的全生命周期原始振动信号;
步骤2:提取轴承原始振动信号的时域特征,采用相似性度量方法衡量特征之间的相似程度,将区分度较低的特征去除,选择其中表征轴承退化能力最优的特征参数;其中时域特征如表1所示;
表1时域特征
步骤3:轴承原始振动信号进行变分模态分解,获得模态分量(IMF分量) 特征,采用能量熵判别法,根据能量熵越大信息不确定性原则,以能量最高、能量熵最小的标准选择模态分量,在时域特征基础上扩充频域信息,并分别计算模态分量的能量和能量熵;
所述能量满足如下表达式:
其中ui为第i个模态分量序列,t={0,1,...,n},n为序列长度;
所述能量熵满足:
Hi=-pilog10pi, (2);
其中pi是第i个模态分量的能量占总能量的比值,
其中i={0,1,...,K},K是总的模态分量个数。
步骤4:将步骤2所得的时域特征与步骤3所得的模态分量特征结合,共 k个序列长度为n的特征向量,第i个特征向量为Fi=[F1(i),F2(i),...,Fn(i)],其中 Fn(i)表示第n个采样时间点对应的特征值,然后将k个特征向量组合成特征矩阵F=[F1,F2,...,Fk];剔除每个特征向量内的异常值并通过三次样条插值补全后,将特征向量归一化至0至1之间,再将特征矩阵划分为训练集与验证集;本发明结合时域特征提取和能量熵判别法选择变分模态分解模态分量进行构建特征矩阵,所构建的特征矩阵内含有轴承退化的时域、频域、熵域特征信息;
步骤5:采用LSTM网络作为RUL预测主体网络,将LSTM网络的超参数设定为种群位置,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,采用哈里斯鹰优化算法寻优LSTM超参数,每一次训练LSTM网络时都迭代更新最优的超参数组合;用优化后的超参数建立 LSTM预测网络,将特征矩阵输入LSTM网络,通过反向传播算法更新权重,通过Adam优化器更新梯度,经过计算后输出轴承RUL预测值。在本发明实施例中,采用哈里斯鹰优化算法优化LSTM网络超参数的具体过程为:
步骤5.1:选择LSTM网络的超参数学习率、批大小、迭代周期、LSTM 层单元数、Dense层单元数作为种群位置,设置种群数量、最大迭代次数;
步骤5.2:初始化哈里斯鹰种群以及猎物的位置与能量,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,比较并更新最优个体的适应度及位置;
步骤5.3:计算猎物的逃逸能量,当逃逸能量大于或等于1时进行全局搜索更新位置,当逃逸能量小于1时进行局部勘探更新位置;局部勘探过程中,当猎物逃逸能量尚大于或等于0.5,哈里斯鹰通过软围攻消耗其能量,当逃逸能量小于0.5,哈里斯鹰通过硬围攻直接捕捉猎物,在猎物无法逃脱时采用团队快速俯冲策略攻击;
步骤5.4:计算经过哈里斯鹰捕食策略更新位置后个体的适应度,比较并更新最优个体的适应度及位置;
步骤5.5:判断是否满足优化的终止条件,即是否达到设置的最大迭代次数或者适应度是否满足要求,若满足,输出优化后的适应度以及最优种群位置对应的超参数,若不满足,返回步骤5.3继续寻优。
本发明通过对轴承振动信号进行监测和采集,并提取振动信号的时域特征并通过相似性度量选择,然后采用变分模态分解并结合能量熵判别法选择模态分量特征,结合多个特征向量Fi=[F1(i),F2(i),...,Fn(i)],以构建特征矩阵 F=[F1,F2,...,Fk],划分训练集、验证集、随后将训练集输入哈里斯鹰优化的 LSTM网络进行模型训练,以验证集数据预测结果的均方差作为适应度函数自适应寻优超参数,用迭代更新后的最优超参数建立LSTM预测模型预测轴承RUL。以滚动轴承剩余使用寿命为例,试验采集轴承振动信号所用的实验台负载为12kN,转速为2100rpm,采样频率为25.6kHz,采样间隔为1min,每次采集时间1.28s;并按如下步骤进行预测;
1)、实时监控并采集轴承振动信号,每隔1min采样一次,每次以25.6kHz 采样1.28s得到32768个数据点,到轴承失效为止共采样123组样本;
2)、对所采集的轴承振动信号进行时域分析,得到14个时域特征,根据各特征之间的相似性,选择相似性较小的特征种类表征退化状态;
3)、对所采集的轴承振动信号进行变分模态分解,得到5个模态分量,根据能量熵判别法,选择能量尽可能大、能量熵尽可能小的模态分量表征退化状态;
4)、分别对所得到的各特征向量进行归一化、异常值剔除及插值补全,构建特征矩阵并划分前90个样本为训练集,第91个到第120个样本为验证集;
5)、以训练集数据作为LSTM网络的输入,以验证集数据预测的均方差作为哈里斯鹰优化的适应度函数,设置种群数量为10,最大寻优次数为10,种群位置对应学习率、批大小、迭代周期等超参数,在训练LSTM网络的同时自适应地寻优最佳超参数组合,以寻优迭代完成后的超参数建立预测网络。哈里斯鹰优化算法寻优超参数过程中适应度曲线如图2所示,可以看出全局搜索能力强,收敛速度快,适应度值经过四次寻优即达到收敛。
表2超参数范围
6)、、对于特征样本数据,用自适应HHO优化超参数的长短期记忆网络预测轴承的剩余使用寿命,与其他多种算法优化下的LSTM和原始LSTM网络模型对比预测精度,均方误差(MSE)指标降低27.3%-62.8%,平均绝对误差(MAE)指标降低19.0%-40.9%。相比而言,本发明方法的预测性能具有明显提升。HHO优化的LSTM网络与原始网络预测结果曲线对比如图3所示。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.一种城轨列车轴承剩余使用寿命的预测方法,其特征在于:包括以下步骤:
步骤1:设置轴承的转速和采样频率,并采集轴承运行至失效的全生命周期原始振动信号;
步骤2:提取轴承原始振动信号的时域特征,采用相似性度量方法衡量特征之间的相似程度,将区分度较低的特征去除,选择其中表征轴承退化能力最优的特征参数;
步骤3:轴承原始振动信号进行变分模态分解,获得模态分量特征,采用能量熵判别法,根据能量熵越大信息不确定性原则,以能量最高、能量熵最小的标准选择模态分量,在时域特征基础上扩充频域信息,并分别计算模态分量的能量和能量熵;
步骤4:将步骤2所得的时域特征与步骤3所得的模态分量特征结合,共k个序列长度为n的特征向量,第i个特征向量为Fi=[F1(i),F2(i),...,Fn(i)],其中Fn(i)表示第n个采样时间点对应的特征值,然后将k个特征向量组合成特征矩阵F=[F1,F2,...,Fk];剔除每个特征向量内的异常值并通过三次样条插值补全后,将特征向量归一化至0至1之间,再将特征矩阵划分为训练集与验证集;
步骤5:采用LSTM网络作为RUL预测主体网络,将LSTM网络的超参数设定为种群位置,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,采用哈里斯鹰优化算法寻优LSTM超参数,每一次训练LSTM网络时都迭代更新最优的超参数组合;用优化后的超参数建立LSTM预测网络,将特征矩阵输入LSTM网络,通过反向传播算法更新权重,通过Adam优化器更新梯度,经过计算后输出轴承RUL预测值。
3.根据权利要求1所述的一种城轨列车轴承剩余使用寿命的预测方法,其特征在于:所述步骤4中特征矩阵由时域特征提取和能量熵判别法选择变分模态分解模态分量进行构建,所构建的特征矩阵内含有轴承退化的时域、频域、熵域特征信息。
4.根据权利要求1所述的一种城轨列车轴承剩余使用寿命的预测方法,其特征在于:所述步骤5中,采用哈里斯鹰优化算法优化LSTM网络超参数的具体过程为:
步骤5.1:选择LSTM网络的超参数学习率、批大小、迭代周期、LSTM层单元数、Dense层单元数作为种群位置,设置种群数量、最大迭代次数;
步骤5.2:初始化哈里斯鹰种群以及猎物的位置与能量,以训练集数据训练LSTM网络,以验证集数据预测结果的均方差作为适应度函数,比较并更新最优个体的适应度及位置;
步骤5.3:计算猎物的逃逸能量,当逃逸能量大于或等于1时进行全局搜索更新位置,当逃逸能量小于1时进行局部勘探更新位置;局部勘探过程中,当猎物逃逸能量尚大于或等于0.5,哈里斯鹰通过软围攻消耗其能量,当逃逸能量小于0.5,哈里斯鹰通过硬围攻直接捕捉猎物,在猎物无法逃脱时采用团队快速俯冲策略攻击;
步骤5.4:计算经过哈里斯鹰捕食策略更新位置后个体的适应度,比较并更新最优个体的适应度及位置;
步骤5.5:判断是否满足优化的终止条件,即是否达到设置的最大迭代次数或者适应度是否满足要求,若满足,输出优化后的适应度以及最优种群位置对应的超参数,若不满足,返回步骤5.3继续寻优。
5.根据权利要求4所述的一种城轨列车轴承剩余使用寿命的预测方法,其特征在于:LSTM网络在训练过程中通过哈里斯鹰优化算法自适应迭代更新其最优超参数,并以此直接构建最优的LSTM网络,无需再重新训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992969.6A CN115292820A (zh) | 2022-08-18 | 2022-08-18 | 一种城轨列车轴承剩余使用寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210992969.6A CN115292820A (zh) | 2022-08-18 | 2022-08-18 | 一种城轨列车轴承剩余使用寿命的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115292820A true CN115292820A (zh) | 2022-11-04 |
Family
ID=83830771
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210992969.6A Pending CN115292820A (zh) | 2022-08-18 | 2022-08-18 | 一种城轨列车轴承剩余使用寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115292820A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502049A (zh) * | 2023-06-25 | 2023-07-28 | 山东科技大学 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
-
2022
- 2022-08-18 CN CN202210992969.6A patent/CN115292820A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116502049A (zh) * | 2023-06-25 | 2023-07-28 | 山东科技大学 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
CN116502049B (zh) * | 2023-06-25 | 2023-09-08 | 山东科技大学 | 滚动轴承剩余使用寿命预测方法、***、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378052B (zh) | 基于循环神经网络考虑未来工况的设备剩余寿命预测方法 | |
CN109492193B (zh) | 基于深度机器学习模型的异常网络数据生成与预测方法 | |
CN108984893B (zh) | 一种基于梯度提升方法的趋势预测方法 | |
Kwan et al. | A novel approach to fault diagnostics and prognostics | |
CN111220387B (zh) | 基于多特征量相关向量机的车辆轴承剩余寿命预测方法 | |
CN110598851A (zh) | 一种融合lstm和gan的时间序列数据异常检测方法 | |
CN115034248A (zh) | 用于设备的自动诊断方法、***和存储介质 | |
CN112629863A (zh) | 变工况下动态联合分布对齐网络的轴承故障诊断方法 | |
CN112328588B (zh) | 一种工业故障诊断非平衡时序数据扩充方法 | |
Zhao et al. | Bearing health condition prediction using deep belief network | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN115187832A (zh) | 一种基于深度学习与格拉姆角场图像的能源***故障诊断方法 | |
CN112179691A (zh) | 基于对抗学习策略的机械装备运行状态异常检测***和方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN114048688A (zh) | 一种风力发电机轴承寿命预测方法 | |
CN109145373B (zh) | 基于改进esgp与预测区间的剩余寿命预测方法及装置 | |
CN117521512A (zh) | 一种基于多尺度贝叶斯卷积Transformer模型的轴承剩余使用寿命预测方法 | |
CN114091349A (zh) | 一种基于多源领域自适应的滚动轴承寿命预测方法 | |
CN112529053A (zh) | 一种服务器中时序数据短期预测方法及*** | |
CN115292820A (zh) | 一种城轨列车轴承剩余使用寿命的预测方法 | |
CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
CN116702076A (zh) | 一种基于cnn特征融合的小样本迁移学习故障诊断方法、***、计算机及存储介质 | |
Sadoughi et al. | A deep learning approach for failure prognostics of rolling element bearings | |
CN114881087A (zh) | 一种建筑机器人轴承性能退化评估方法 | |
CN111400964B (zh) | 一种故障发生时间预测方法及装置 |
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 |