基于动态贝叶斯网络的智能工厂设备健康评估方法研究

针对传统的机械工厂设备健康评估方法存在设备重组困难、主要故障提取无特点以及设备间的交互不明显问题,提出了一种基于动态贝叶斯网络的设备健康评估方法.利用智能工厂生产线上实时采集的数据,对工厂数据进行了特征提取,以每小时产量作为评估工厂健康程度的指标;利用随机森林算法提取了影响该工厂生产线产量的主要故障类型,构建了动态贝叶...     

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。