【技术实现步骤摘要】
本专利技术属于工业控制
,尤其涉及基于多变量灰色神经网络的工业设备剩余寿命预测系统。
技术介绍
设备或系统的剩余寿命预测是制定设备更换和维修策略的重要依据,从而对设备或系统的长期稳定运行有很重要的影响。设备或系统的剩余寿命定义为:反映设备或系统运行状态的退化性能参数从当前时刻到首次到达其阈值时刻之间的时间差值,单个性能退化参数的定义:URLj=(td-1)-ti,j=1,2,…,NURL=min(URLj) (ti为当前时刻,td为性能退化参数到达阈值的时刻)在现有的诸多研究中,对设备或系统的剩余寿命预测一般都仅仅利用了设备自身的性能退化数据,在此背景下,要想获得较高的预测精度,则需要较多的性能退化参数去建立剩余寿命预测模型,此类模型的建模方法存在以下两个方面的不足,第一,在考虑设备或系统的个体差异性时,在运行初期获取的性能退化参数的数据量较少,同时对于模型设备或系统的性能参数较难获取,因此难以保证此建模方法的预测精度等级和预测能力,第二,没有考虑现场工况因素对设备或系统运行的影响。
技术实现思路
本专利技术提供基于多变量灰色神经网络的工业设备剩余寿命预测系统,以解决上述
技术介绍
中提出第一,在考虑设备或系统的个体差异性时,在运行初期获取的性能退化参数的数据量较少,同时对于模型设备或系统的性能参数较难获取,因此难以保证此建模方法的预测精度等级和预测能力,第二,没有考虑现场工况因素对设备或系统运行的影响。本专利技术所解决的技术问题采用以下技术方案来实现:基于多变量灰色神经网络的工业设备剩余寿命预测系统,包括剩余寿命预测平台;所述剩余寿命预测平台用于实时预测 ...
【技术保护点】
基于多变量灰色神经网络的工业设备剩余寿命预测系统,其特征在于,包括剩余寿命预测平台;所述剩余寿命预测平台用于实时预测工业设备剩余寿命:每次预测工业设备剩余寿命时,则执行工业设备剩余寿命处理;所述工业设备剩余寿命处理包括:第一步骤:获得特征参数集合及其元素所对应的阈值集合;所述特征参数集合为S={S1,S2,…,SN};所述阈值集合为Smax={S1max,S2max,…,SNmax};第二步骤:通过一次指数平滑模型建立用于预测的原始序列;所述一次指数平滑模型为所述Xt为时间序列观测值;所述为时间序列Xt的一次指数平滑值;所述α为静态平滑系数;所述用于预测的原始序列为第三步骤:用背景值的构造方法建立一次累加序列;所述一次累加序列X1={X11,X21,…,XN1};第四步骤:通过多变量灰色模型MGM‑NN得到预测值集合;所述预测值集合为第五步骤:将预测值集合与现场工况参数集合经神经网络误差纠正模型RBF得到误差纠正值集合;所述现场工况参数集合为P={P1,P2,…,Pt};所述误差纠正值集合为第六步骤:将预测值集合与误差纠正值集合求和。
【技术特征摘要】
1.基于多变量灰色神经网络的工业设备剩余寿命预测系统,其特征在于,包括剩余寿命预测平台;所述剩余寿命预测平台用于实时预测工业设备剩余寿命:每次预测工业设备剩余寿...
【专利技术属性】
技术研发人员:康琦,张华巍,曹贻社,郝进伟,曲毅,
申请(专利权)人:山东毅康科技股份有限公司,
类型:发明
国别省市:山东;37
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。