针对数控机床的刀具加工过程中噪声干扰大、磨损特征微弱导致其寿命退化趋势难以预测等问题,提出了一种基于PPRMS和循环神经网络的刀具磨损趋势预测方法。采用峰峰值(Peak to Peak)计算刀具寿命状态数据的幅值波动性大小,利用高斯4σ准...针对数控机床的刀具加工过程中噪声干扰大、磨损特征微弱导致其寿命退化趋势难以预测等问题,提出了一种基于PPRMS和循环神经网络的刀具磨损趋势预测方法。采用峰峰值(Peak to Peak)计算刀具寿命状态数据的幅值波动性大小,利用高斯4σ准则剔除异常值,抑制随机噪声的干扰;采用均方根值(Root Mean Square,RMS)计算刀具健康因子,结合Bi-LSTM和Bi-GRU网络搭建刀具磨损趋势退化预测网络模型,提取出刀具磨损退化微弱特征。在全寿命公开数据集PHM-2010上验证了所提方法的有效性,预测误差MSE、RMSE和MAE均优于单一的Bi-LSTM模型。展开更多
针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归(online support vector regression,OSVR)预测算法。OSVR的在线学习算...针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归(online support vector regression,OSVR)预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。展开更多
文摘针对数控机床的刀具加工过程中噪声干扰大、磨损特征微弱导致其寿命退化趋势难以预测等问题,提出了一种基于PPRMS和循环神经网络的刀具磨损趋势预测方法。采用峰峰值(Peak to Peak)计算刀具寿命状态数据的幅值波动性大小,利用高斯4σ准则剔除异常值,抑制随机噪声的干扰;采用均方根值(Root Mean Square,RMS)计算刀具健康因子,结合Bi-LSTM和Bi-GRU网络搭建刀具磨损趋势退化预测网络模型,提取出刀具磨损退化微弱特征。在全寿命公开数据集PHM-2010上验证了所提方法的有效性,预测误差MSE、RMSE和MAE均优于单一的Bi-LSTM模型。
文摘针对起重机减速齿轮箱的磨损过程具有非线性与时变性,传统磨损趋势预测方法无法有效兼顾预测精度与执行效率的问题,提出了一种基于组合核函数的在线支持向量机回归(online support vector regression,OSVR)预测算法。OSVR的在线学习算法能够适应时间序列的时变性并提高执行效率,同时可利用不同的核函数性能,通过组合模型提高预测精度。采用实际齿轮箱铁谱数据对预测算法进行验证,结果表明,基于组合核函数的OSVR预测算法具有很好的预测精度和适应性,能有效预测起重机齿轮箱的磨损故障,且相比于单一OSVR算法和灰色神经网络组合算法有更高的效率和预测精度。
