简介:摘 要:针对高铁列车车载蓄电池剩余寿命的问题,本文采用故障预测与健康管理方法,提出通过选取特征因子表征蓄电池的状态,并在基于大量数据基础采用神经网路算法对蓄电池剩余使用时长进行预测。为高速铁路列车车载蓄电池的延长使用寿命和维护工作提供一定的指导。
简介:摘要:锂离子电池因其容量高、安全性好、环保等优点被广泛应用于各行各业,如电子通讯、航空航天等。但锂离子电池在使用一段时间后往往会变质,这对设备和仪器非常不利。因此,预测锂离子电池的使用寿命非常重要。
简介:摘要:由于刀具磨损状态对加工质量影响较大,提出了一种基于单隐含层前馈神经网络——ELM的刀具磨损状态在线监测方法。根据铣削刀具的实时工况数据,采用统计分析、快速傅里叶变换和小波变换多种特征提取方法,提取出34个对刀具磨损敏感的时域、频域、时频域混合特征。将提取的特征与磨损量输入极限学习机网络框架中进行训练得到ELM模型,把测试集特征放入ELM模型进行预测评估,得到对应的预测刀具磨损量及剩余走刀次数。通过与SVR和遗传算法优化BP神经网络的预测结果比较发现,ELM具有学习速度快、预测精度高、泛化能力强的显著优势,能实现刀具磨损状态的在线监测。
简介:摘要:针对航空管制雷达驱动机构中的轴承实际工作环境中往往环境噪声较大,严重制约了信号的分析,影响最终的信号分析与判断的问题,本文提出了一种基于完全集合经验模态分解(Complete EEMD with Adaptive Noise,CEEMDAN)和长短期记忆网络(LSTM,Long Short-Term Memory)的滚动轴承剩余寿命预测方法。以PHM2012滚动轴承数据集为实验数据,利用采集到三种不同工况下的X轴和Y轴振动信号,利用 CEEMDAN对振动信号分解并筛选主要 IMF分量,计算前 7阶 IMF分量的能量熵作为特征向量;最后将特征向量LSTM进行寿命预测。实验结果表明本文提出的模型有效,为工程应用中滚动轴承剩余寿命预测提供参考。