会员中心
搜索
登录
注册

解决方案

数字化转型通用方案行业方案安全方案大数据人工智能物联网行业展望自动控制其他

产品|技术

白皮书产品介绍技术介绍技术创新模型算法

政策|规范

政策规范行动计划

电子书

电子书课件

报告|论文

报告模板论文

预测性维护-健康指标的构建

实际操作中，数据处理的主要困难之一与确定在PHM过程中实际有用的特征相关联。首先，尽管保留的特征通常与退化相关，但它们的因果关系并不明确，构建的指标的物理解释并不总是容易的。此外，特征并不是最终步骤，它们必须适应预期的后续处理（检测、诊断和预测）。这是我们可以解决与健康状态估计和故障预测相关的PHM子过程的基础。这些子过程将在接下来的两章中介绍。

  • 2024-06-08
  • 阅读437

健康评估、预测和剩余使用寿命-长期连接主义预测系统

基于数据的预测方法的实施假定系统可以配备传感器，以便实时收集原始数据，从而观察行为的演变。然后对这些数据进行预处理，以提取和选择能够表征退化的特征。这些特征一方面用于构建预测行为的模型，另一方面用于构建估算系统状态的模型。所有这些步骤构成了预测阶段。此外，尽管文献中并不总是明确提出，但预测可以被视为两个关键过程的组合：预测过程和分类过程（图4.1）

  • 2024-06-08
  • 阅读350

健康评估、预测和剩余使用寿命-通过“快速”神经网络进行预测

实施连接工具需要相当高的技能，并且通常基于试错过程，这种过程耗时长且令人气馁。此外，在PHM应用中，希望找到并利用与当前退化轨迹完全相同的轨迹是不现实的。因此，有必要扩展预测工具的边界，以确保在观察到新情况时将其整合到模型中。这个过程应在合理的时间内完成。下面，我们提出一种具有学习收敛性的预测算法，使得预测系统的结构可以在最短时间内重新学习，因此可以根据需要多次重新学习。此外，该算法能够减少构建预测器时所需的假设，并最大限度地降低随机初始化过程的影响。

  • 2024-06-08
  • 阅读323

健康评估、预测和剩余使用寿命-PHM问题中的应用与讨论

除了随时间的特征预测外，预测还需要在每个时刻估计监测系统的健康状态。考虑到预测的不确定性和故障限制概念的模糊性，状态分类的这一步骤可能是关键的。这就是我们在下一节要解决的问题。

  • 2024-06-08
  • 阅读306

健康评估、预测和剩余使用寿命-没有关于数据的先验信息和健康状态评估

在这一部分中，我们解决了基于提取和/或预测特征的监测系统的健康状态评估问题（参见图4.1，第68页）。这种状态估计是通过分类器实现的。下面，我们阐述原理并讨论必须解决的问题，以实现预测的“可靠性”和方法的“通用性”目标。

  • 2024-06-08
  • 阅读324

健康评估、预测和剩余使用寿命-S-MEFC算法

以下我们尝试通过引入一种新的分区算法以及一种新的系统健康状态评估方法来解决上述提到的问题（第 4.3.1.3 节）。所提出的聚类算法是减法-最大熵模糊聚类（S-MEFC）[JAV 13a, JAV 15a]。它基于（并利用）两种分区算法：

  • 2024-06-08
  • 阅读343

健康评估、预测和剩余使用寿命-动态阈值处理程序

正如在第 4.3.1.1 节中介绍的那样，本节的目的是提出一种程序，使得能够估计监测系统故障前的剩余时间（RUL）。因此，S-MFEC 算法一方面用于估计系统的离散状态（当前和未来状态），另一方面通过类似于已观察到的案例（符合方程 [4.21]）来动态设置故障阈值。为了清晰简单地呈现，这里假定特征由先前提出的 SW-ELM 算法（第 4.2.2.2 节）进行预测，但对于任何其他预测器，该程序都保持不变。

  • 2024-06-08
  • 阅读332

健康评估、预测和剩余使用寿命-应用与讨论

为了说明基于特征预测和无监督状态分类的预测方法以及所提出的动态阈值处理程序的价值，我们再次考虑了在2008年第一届国际 IEEE PHM 大会上介绍的 TURBOFAN 应用（第 56 页）

  • 2024-06-08
  • 阅读295