基于支持向量回归的多参数设备故障预测方法

针对热连扎生产线的大型、复杂生产装备,构建了一个基于支持向量回归的无量纲参数智能故障预测系统。通过对已有的热连轧生产线在线监测信息进行无量纲统计分析,提出了利用支持向量回归技术对多个特征量进行并行预测,并对各类特征及其各预测步骤的剩余使用寿命预测结果进行趋势分析,通过置信区间估计确定最终预测结果,为管理者制定维修决策提供可靠依据。     

基于支持向量回归机的切削力预测

针对神经网络方法在切削力预测方面存在的缺陷,提出了一种新的基于支持向量回归机的切削力智能预测方法。分析了以往切削力预测模型中输入参数和输出参数的选择问题,在此基础上选择轴向切深、进给量、主轴转速和曲面半径四个关键指标作为预测模型的输入,选择XY平面上的切削力合力和轴向切削力作为预测模型的输出,进一步建立了基于支持向量回归机的切削力预测模型。仿真实例的预测结果表明,建立的智能切削力预测模型合理有效。     

基于支持向量回归机的刀具寿命预测

刀具寿命是制定刀具需求计划、衡量刀具性能和核算成本等的重要依据。针对现有神经网络方法在预测刀具寿命方面存在的不足,提出了一种新的基于支持向量回归机的刀具寿命预测方法。在分析了影响刀具寿命预测主要因素的基础上,建立了基于支持向量回归机的刀具寿命预测模型。应用实例的仿真结果表明,所建立的预测模型具有较强的推广能力和较高的预测精度。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

一种基于在线支持向量回归的预测控制及试验研究

针对复杂不确定系统的控制问题,提出了一种基于在线支持向量回归的预测控制方法。该方法应用支持向量回归在线估计预测控制的预测模型,并实时更新。分析了预测时域和控制时域的选择对控制精度的影响,给出了控制参数设计原则。对电液力伺服加载系统的仿真试验表明,该方法有很好的控制性能。     

支持向量机回归方法在切削参数预测中的应用

采用支持向量机回归算法对切削参数进行预测,并与试验数据进行比较,计算结果证明了该算法在切削参数预测中的有效性和实用性。     

基于孪生支持向量回归的风力机功率预测方法

针对风力机运行状态的不确定性问题应用机器学习提出一种基于孪生支持向量回归的风力机功率预测方法.首先,在孪生支持向量回归方法中分别采用线性核函数与多项式核函数,参数寻优上选用遗传算法建立预测模型并以平均预测精度作为评价指标;其次,基于SC ADA数据分析影响风力机性能的环境因素确定了风速、风向和环境温度为输入,风力机功率...     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

基于劣化机理的轴承剩余使用寿命预测

滚动轴承作为工业设备的关键部件之一,一旦发生故障容易造成严重损失。因此提出了一种基于Paris公式相关轴承劣化理论和扩展卡尔曼滤波结合的剩余使用寿命预测方法,通过选用10个特征参数构成备选特征集,基于单调性、鲁棒性、相关性进行特征评估,结合等距特征映射法对敏感特征集进行特征融合,得到单个敏感特征值进行剩余寿命预测,最后针对试验获取的振动信号分别用基于劣化机理的模型和指数模型进行对比,验证了其有效性。     

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测

为解决有限状态数据下滚动轴承剩余寿命难以估算的问题,提出一种基于相对特征和多变量支持向量机(Multivariablesupport vector machine,MSVM)的剩余寿命预测的新方法。该方法利用不受轴承个体差异影响的相对方均根值(Relative rootmean square,RRMS)评估轴承性能衰退规律,运用相关分析选取敏感特征作为输入,构造兼顾多变量回归和小样本预测双重优势的MSVM模型预测轴承剩余寿命。与单变量支持向量机相比,MSVM克服了结构简单、信息匮乏等缺点,实现小样本数据潜在信息的最大挖掘。运用仿真数据和轴承全寿命试验数据对预测模型进行检验,结果表明MSVM可在小样本条件下利用尽可能多的有效信息获得准确的预测结果,具有较强的工程使用价值和通用性。     

自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

[数字孪生驱动的智能制造]数字孪生与深度学习融合驱动的采煤机健康状态预测

针对处于恶劣工作环境的采煤机状态预测与维护困难的问题,结合数字孪生高逼真度行为仿真特性和深度学习强大的数据挖掘能力,提出数字孪生与深度学习融合驱动的采煤机健康状态预测方法。基于物理空间多物理参数构建采煤机数字孪生体,通过在虚拟空间的可视化展示与分析实现健康状态预判;建立基于深度学习的采煤机关键零件剩余寿命预测模型,实现实时监测数据驱动下的零件剩余寿命的在线预测;综合数字孪生体状态和剩余寿命值,实现采煤机健康状态预测。通过试验验证了该方法的有效性,为采煤机健康状态预测与管理提供新思路。     

支持矢量回归机的参数优化及在智能减压阀压力预测中的应用

智能减压阀可通过控制膜片缸压力实现出口压力的智能调节。膜片缸压力是智能减压阀控制器的控制目标,因此需要依据进口压力和出口目标压力对膜片缸压力进行预测。基于此,提出了基于人工化学反应优化算法的支持向量回归机（ACROA-SVR）参数优化方法,并将ACROA-SVR应用于智能减压阀膜片缸压力预测,采用实验数据将ACROA-SVR与基于遗传算法的SVR和传统SVR进行了对比,分析结果表明了ACROA-SVR的有效性和优越性。     

基于DAE-HTPF的新能源汽车电池剩余寿命预测

针对反映锂电池寿命的趋势性特征自学习与电池剩余寿命预测问题,提出了基于降噪自编码器（denoising auto-encoder,DAE）与混合趋势粒子滤波（hybrid trend particle filter,HTPF）的电池剩余寿命预测方法。利用电池使用前期的信号特征训练DAE,然后将使用中后期的电池信号特征输入DAE中,并提取重构误差。另外,利用HTPF方法对电池生命周期内的信号特征进行分析,建立自适应状态方程。分析结果表明,该方法能有效地对锂电池的性能退化趋势性特征进行自提取,从而有效地减少人为因素的干扰,同时相比于传统粒子滤波（particle filter,PF）,HTPF对电池剩余寿命预测精度更高。      

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

基于支持向量回归机的交流异步电力测功机软测量模型

为解决目前测试方法复杂且成本高的问题,分析了影响测功机转速和转矩测量的主要因素,并利用支持向量回归机（SVR）能够从全局意义上逼近任意非线性关系的特点,构建了交流异步电力测功机的软测量模型。实验证明,该测试方法具有可行性,为发动机等传动设备的输入输出机械功率的测试提供了一种新的方法。     

使用CNN-SVR的汽车组合仪表组装质量预测方法

汽车组合仪表组装过程质检时间长、效率低,因此提出卷积神经网络与支持向量回归相结合的汽车组合仪表组装质量预测方法.结合仪表组装工艺,将卷积神经网络提取的生产数据特征作为支持向量回归的输入,对表征仪表质量的指针偏转角度做出预测.通过车间质检系统获取了仪表原始生产数据,对不同质检情况下的指针偏转角度进行了预测;结果表明所提方...     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

考虑非完美维修的实时剩余寿命预测及维修决策模型

准确的剩余寿命预测是对设备进行预防性维护维修决策的关键。利用随机滤波理论,基于当前时刻及之前的历史状态监测信息,由已知的设备初始寿命分布函数建立非完美维修策略下的实时剩余寿命分布函数预测模型。同时考虑非完美维修效果与时间相关性,提出一种以平均剩余寿命为阈值的非完美预防性维护及更换的维修策略,建立了以系统的预防性维护及预防性更换阈值为优化变量和最小化平均维护维修费用为目标函数的优化模型。采用微粒群算法进行优化求解,得到系统最佳的预防性维护及预防性更换阈值,并使系统长期运行平均费用率最低。以初始寿命符合威布尔分布的疲劳裂纹为例,验证了该实时剩余寿命分布预测方法及非完美维护维修策略的可行性。