机器和部件剩余寿命估计的神经网络应用
摘要：使用神经网络预测机器和组件的剩余寿命，同时研究了使用条件监测数据来增强这些神经网络的预测能力的优势。对两个不同可靠性相关数据集的数据进行了多种神经网络变化的训练和测试。第一个数据集代表了修复案例，其中故障单元被修复并恢复到良好状态。通过使用液压驱动器对一系列相似的试验样品进行疲劳加载，在实验室中收集了数据。在这个数据集上，各种神经网络的平均预测误差从431到841秒不等，测试样品的特征寿命为8,971秒。第二个数据集来自用于在工厂内循环水和磁铁石激活液的一组泵。因此，数据来自受可靠性退化影响的修复系统。经过优化，使用Levenberg-Marquardt算法训练的多层感知器神经网络和通用回归神经网络在平方和误差方面相差不到11.1％。使用神经网络进行剩余寿命预测以及将基于条件的数据纳入模型的优势在这两个示例中得到了证明。
作者：M.A. Herzog, T. Marwala and P.S. Heyns
论文ID：0705.1390
分类：Computational Engineering, Finance, and Science
分类简称：cs.CE
提交时间：2007-05-23