服役工况下的高速列车轴承温度预测模型构建

轴承温度预测对高速列车服役状态的评估以及运维策略的制定具有重要作用.针对复杂服役环境下的高速列车轴温预测问题,首先构建了轴承热力学近似计算模型,并分析了引起轴承温升的服役工况敏感参数,再利用支持向量机回归的方法建立了基于服役工况参数的轴承温度预测模型.对高速列车轴承履历服役数据进行统计分析,构建轴承温升相对速度变化的延...     

基于Web的网络管理系统的研究与实现

随着计算机网络结构的复杂化,传统的网络管理模式已经不能适应当今网络管理的需求,而基于Web的网络管理模式将Web技术与网络管理技术相融合,使网络管理人员能够方便地通过Web浏览器配置和监控网络,简化了网络管理操作,给传统的网管技术带来了新的活力。该文在分析基于Web的网络管理方法的基础上,提出了WebNMS网络管理系统体系结构,并简要介绍了WebNMS的实现。     

液压减振器故障-参数集的知识表达及映射

液压减振器由于具有内部高压、管路封闭及结构复杂等特点,导致其参数可测性差,从而限制了其故障诊断技术的发展。在AMESim中搭建液压减振器仿真模型的基础上,通过分析液压减振器各组成间的功能、零件故障模式及其影响和各功能零部件间的耦合关系,确定映射规则并建立故障现象与底层故障参数集之间的映射,之后对液压减振器的故障知识管理应用、故障模式注入和故障参数集的优化进行了研究。最后通过油液内泄漏故障现象的参数集表达及动态特性分析实例,验证了故障参数集表达方法。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。