共查询到20条相似文献,搜索用时 31 毫秒
1.
《工业仪表与自动化装置》2015,(5)
针对自回归AR(p)模型在进行非平稳瓦斯浓度时间序列预测分析时存在精确度不高的问题,文章采用卡尔曼滤波算法动态地估算出模型参数值,在推算过程中将模型参数作为状态向量。实例分析表明基于卡尔曼滤波算法的AR(p)模型优于单一的AR(p)模型,大幅度地提高了模型的预测精度,预测效果远好于BP神经网络、支持向量机和ARMA等模型,值得借鉴。 相似文献
2.
3.
4.
5.
6.
7.
8.
剩余寿命预测为管理者制定预防性维修策略以保证设备不发生非正常停机提供重要信息。针对设备状态呈现非线性变化以及工程实际中的实时性寿命预测要求,提出一种基于无迹卡尔曼滤波的在线剩余寿命预测方法。该方法首先建立状态空间模型描述设备的退化过程,然后利用监测信号使用无迹卡尔曼滤波估计模型的状态,并通过期望最大化算法估计模型的参数,进而利用当前时刻模型的状态和模型的参数递推求解设备的剩余寿命,最后将该方法应用于直升机主减速器的剩余安全寿命预测。结果表明:该方法能够较准确的在线预测出直升机主减速器的寿命。 相似文献
9.
提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。 相似文献
10.
复杂机械设备运行状态趋势的灰色预测 总被引:3,自引:0,他引:3
重点介绍了灰色预测的有关理论及拓扑预测在复杂机械设备运行状态趋势分析中的应用,实践证明,该方法计算简便,短期预测精度高,预测结果可检验。 相似文献
11.
12.
为准确预测机械设备的磨损问题,提出基于改进PSO算法的Volterra级数预测模型。该预测方法首先根据Volterra级数的性质,建立Volterra级数模型;然后利用改进的PSO算法对模型参数进行优化,得到Volterra级数的预测模型。利用轴承钢试件的磨损实验数据,采用建立的预测模型对数据进行建模和磨损预测。仿真结果表明,与基于PSO算法的Volterra模型、多项式模型、AR模型、RBF神经网络模型及BP神经网络模型相比,基于改进PSO算法的Volterra预测模型结构简单、预测精度高,具有一定的实用性。 相似文献
13.
由于单一传感器获取的振动信号具有片面性,采用全矢谱信息融合技术对滚动轴承信号进行特征提取,并与KPCA模型和AR时序预测方法相结合进行故障预测。首先,采用全矢谱技术提取实验数据中的特征主振矢;然后,采用KPCA方法对得到的特征主振矢进行融合,消除数据冗余,并建立全矢KPCA监控模型;最后,将测试样本输入全矢KPCA监控模型并输出T2和SPE统计量,将其值作为AR预测模型的输入,预测其变化情况,并根据其预测值超出KPCA监控模型的控制限与否来判断设备是否出现故障。实验结果表明,该方法既能较好地预测出滚动轴承的运行状态,又能进一步追踪故障发展趋势,为及时做好维修措施提供理论依据。 相似文献
14.
15.
AR模型在数控车削在线监测中的应用研究 总被引:1,自引:0,他引:1
这里针对数控车削在线检测的需要,建立了用于状态监测与预报的AR模型,并开发了基于该模型的软件,它能够实现AR模型的自动定阶、AR谱分析、加工状态的实时预报。作为在线监测系统的重要组成部分,大大增强了原来系统的功能。 相似文献
16.
齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。 相似文献
17.
在机械设备的使用过程中,如果能准确地提前预测机械设备将要发生的故障并防患于未然,则可为企业节省大量的维修费用,降低企业成本。为此提出了一种依据特征基于神经网络算法的故障预测系统。把机械设备本身的运行特征和环境特征作为输入,把发生故障的概率作为输出,建立映射关系。以历史映射数据训练并建立神经网络,用以预测机械设备在某状态达成后发生故障的概率。通过某厂的机床对系统进行训练和验证,预测故障率与实际故障率的相对误差在15.3%以内。仿真结果表明,该系统可以有效的根据机械设备运行状态特征对其故障率进行准确预测。 相似文献
18.
19.
通过对机械设备智能诊断和预测维修技术进行研究,建立了相应的机械设备故障诊断和状态预测软硬件系统。对该系统的功能展开了较为详细的说明,并在此基础上进行了实际应用。结果表明,该系统对机械设备故障诊断和预测维修的指导意义十分重大。 相似文献
20.
AR模型和分形几何在设备状态监测中的应用研究 总被引:15,自引:0,他引:15
状态特征指标对机械的状态监测和故障诊断具有重要意义。本文提出应用机械设备工作状态下噪声信号自回归模型的关联维数来描述设备在不同工作状态下的特征,进而实现对状态的监测、识别和分类。文中通过实验证明,设备在相同工作状态下,噪声信号的AR模型参数具有相近的关联维数,在不相同状态下则有明显不同的关联维数。因此关联维数不仅可以作为状态监测与识别和分类的重要依据,而且可以作为其他特征提取方法的补充。此方法对设备状态监测准确率的提高具有明显的作用。 相似文献