排序方式: 共有11条查询结果,搜索用时 15 毫秒
1.
2.
轴承由于在制造、安装以及工况上的不同,退化过程有很大差异,在轴承的剩余使用寿命预测中,特征的轴承个体差异会直接影响到后续模型的训练难度和预测精度。为了在提取特征时减小轴承的个体差异性,提出了一种并行方差约束卷积自编码(parallel variance constrained convolutional auto-encode, PVC-CAE)的轴承退化特征提取模型。具体方法是在卷积自编码的框架内定义并行方差约束,通过改进卷积自编码的损失函数,搭建出PVC-CAE模型。PVC-CAE模型可以有效地降低同标签特征的轴承个体差异性,提升预测精度。预测流程为:先用PVC-CAE模型在频域信号内提取特征,再用LSTM网络预测。通过PRONOSTIA实验平台所获取的实验数据集以及西安交大轴承数据集对所提方法进行了验证,同时与另外三种方法进行对比,实验结果表明,所提方法在轴承剩余使用寿命预测中取得了较好的结果,并且在不同的工况下具有一定的泛化性。 相似文献
3.
在预测轴承的剩余使用寿命(remaining useful life,RUL)时,能否有效提取退化特征是实现准确预测的关键之一。轴承的个体异质性和工况差异性导致退化特征曲线不同,同一特征的变化趋势在不同轴承上是具有差异的,从而导致训练轴承建立的RUL预测模型与测试轴承不匹配。在提取特征时应当考虑轴承的个体差异性,减少轴承特征的个体差异性有利于提升预测精度。为了促进同一特征在不同轴承上的趋势一致性,减少退化特征的轴承个体差异性,提出了一种基于趋势一致性约束卷积编码(trend consistency convolutional auto-encoder,TC-CAE)的轴承寿命预测方法。通过构造趋势一致性约束,并和卷积自编码相结合,形成了TC-CAE特征提取模型。预测流程为先用TC-CAE模型在频域信号内提取特征,再用长短期记忆网络(long short-term memory,LSTM)预测。在一个轴承公开数据集上进行试验,试验结果表明,相比于普通卷积自编码方法的预测结果,该方法的综合平均误差降低了21.1%,相比于特征评价方法和卷积神经网络方法分别降低了35.6%和25.9%。 相似文献
4.
5.
在介绍图形点阵式液晶显示模块GTG240128的结构和功能的基础上,讨论了其与AT89C55单片机的硬件接口电路和接口软件编程方法,并给出了写指令、写数据、初始化和汉字显示等通用程序。 相似文献
6.
在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差. 相似文献
7.
针对目前广泛采用的案例教学方法,笔者以自己所在学校的计算机及相关课程为基础,提出自己的一些看法,并以此抛砖引玉,使案例教学法更好地服务于中职学校的专业教学。 相似文献
8.
9.
在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差. 相似文献
10.