排序方式: 共有4条查询结果,搜索用时 15 毫秒
1
1.
齿轮退化状态的准确评估对于设备安全运行具有重要意义。常规的齿轮退化状态评估方法的效果受特征提取、预处理等因素的影响。基于生成模型的状态评估方法利用原始观测进行评估,能够降低人为因素的影响。但传统生成模型如变分自编码器(VAE)存在边缘估计不准确的缺点。本文提出了多元可逆深度概率学习(MIDPL),通过叠加可以被优化的可逆变换实现从既定初始分布到未知观测分布的转换,将分布特性复杂的多观测序列转换至既定初始分布进行边缘概率计算继而实现状态评估。本文通过齿轮退化实验验证了MIDPL的有效性,与VAE相比,MIDPL在点蚀和断齿数据集下的评估误差分别降低了30.92%和69.25%,MIDPL能够实现更为稳定和准确的齿轮退化过程评估。 相似文献
2.
3.
针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明:变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。 相似文献
4.
腐蚀状态的准确预测对油气储运、化工设备安全可靠运行具有重要意义。因腐蚀过程复杂,影响因素多,导致常规腐蚀预测方法中先验模型对环境依赖性大,中长期预测效果差。本文提出一种融合模糊推理和深度学习的数模融合驱动的卡尔曼滤波腐蚀预测方法。首先结合腐蚀物理模型和实际监测数据,建立腐蚀速度模糊规则,得到基于现场环境的结合物理模型的修正腐蚀速度。同时针对模糊推理结果存在的预测滞后性,考虑腐蚀监测数据的长期规律性,利用深度学习预测腐蚀速度;然后融合模糊策略和深度学习预测结果,实现基于卡尔曼滤波的数模融合腐蚀预测。最后利用天然气管道实际腐蚀监测数据,与高斯过程回归(Gaussian process regression, GPR),粒子群优化灰度模型(particle swarm optimization gray model, PSOGM),模糊推理(fuzzy reasoning, FR),多层感知机(multilayer perceptron, MLP)和卡尔曼滤波预测方法(Kalman filter, KF)进行了对比验证分析。结果表明本文所提方法具有良好的预测效果,对两年内腐蚀状态的相对预测误... 相似文献
1