性能退化预测研究(PHM, prognostics, diagnostics)

最新推荐文章于 2024-07-06 03:08:00 发布
最新推荐文章于 2024-07-06 03:08:00 发布
阅读量822 收藏 2
点赞数 1
分类专栏： PHM 文章标签： 大数据 机器学习 运维
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_37994598/article/details/107710461
版权


设备的性能退化4%后只需要更换部件和零件，退化10%后需要更换子系统，退化100%后需要更换整个系统，这正是性退化预测研究的重要性的体现.

碳酸何
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于退化数据的剩余寿命预测
11-29
退化数据分析和剩余使用寿命估算_基于Wiener过程的方法综述
论文笔记-理解和解决图卷积网络的性能退化问题
test
03-31 1540
理解和解决图卷积网络的性能退化问题摘要简介理解和解决图卷积网络的性能退化问题图卷积网络的性能退化问题解决图卷积网络的性能退化问题-缓解方差膨胀技术 论文标题：Understanding and Resolving Performance Degradation in Graph Convolutional Networks 论文链接：arxiv 代码链接：github 摘要 图卷积网络（GCN）由数层神经网络堆叠而成，在每层中执行传播操作（PROP，PROPagation）和变换操作（TRAN，TRANsf
滚动轴承退化趋势预测
zailushag的博客
09-28 3033
性能退化趋势预测总结 个人觉得性能退化趋势预测比寿命预测做出东西简单一点，但是找问题的话都是不简单的，说到找问题，这就要写文献综述了，写文献综述的意义是找到你要解决的问题；看到这里就会问如何写文献综述？https://zhuanlan.zhihu.com/p/53322770（很详细）。 性能退化趋势预测的关键步骤： 1. 衰退性能指标的建立 2. 预测模型的建立 说白了预测模型就是拟合，不同的模型拟合程度不一样，重点是衰退指标的建立，衰退指标建立又和统计特征有关（时域、频域、时频域、三角函数等）。 衰退指
服务器性能退化,基于CHMM的设备性能退化评估方法研究
weixin_39999209的博客
08-05 183
摘要：随着科学技术的飞速发展,现代机械设备不断向大型化,高速化,重载化和智能化等方向发展.这类大型设备一旦发生突发故障,不仅会影响企业效率,造成经济损失,甚至导致人员伤亡,产生不良的社会影响.因此,如何有效评估设备的运行状态,从而能够及时采取措施以防止灾难性事故的发生是当前迫切需要解决的问题. 机械设备的性能劣化是一个连续变化的过程,从正常到设备完全失效通常要经过一系列不同的性能退化阶段.如果能够...
对于性能退化建模的小结
rqlqieqingyunian的博客
03-29 1306
分为：通用路径模型和随机退化模型 摘自：《数据驱动的机械设备性能退化建模与剩余寿命预测研究》
性能退化评估 matlab,matlab列车轴承性能退化评估研究.doc
weixin_35081861的博客
03-20 429
matlab列车轴承性能退化评估研究matlab列车轴承性能退化评估研究摘要：轴承是列车的重要部件，同时也是极易损伤的部件。现阶段对于轴承故障诊断的研究比较多，而对轴承性能退化评估的研究则较少。性能退化评估可以用于轴承的主动维护，能缩短维修时间，提高列车的利用率和可靠性。本先使用小波包-支持向量数据描述的方法对列车轴承性能退化评估进行理论分析。小波包分解是一种强大的信号分析处理工具，可对信号进行精...
基于PHM的供配电系统故障预测关键技术研究
10-18
基于PHM的供配电系统故障预测关键技术研究。包括数据融合和人工智能技术。重点分析了状态监测与健康管理、故障诊断和预测技术及其实现方法。
PHM故障预测与健康管理技术
09-18
PHM（Prognostics and Health Management）是一种新的维护策略，它的主要目的是通过对设备的实时监控和故障预测来实现设备的健康管理。PHM技术的出现可以解决传统维护方法的缺陷，如高昂的维护成本、设备停机时间长...
PHM的预测模型评估
03-07
PHM的预测模型评估
PHM技术国内外发展情况综述.pdf
06-04
PHM技术国内外发展情况综述
滚动轴承性能退化评估的小波包熵matlab
09-25
小波包熵程序，可用于提取滚动轴承性能退化数据的小波包熵值，是特征提取的好方法
基于机器学习的故障预测与健康管理（PHM）方法研究
11-12
故障预测与健康管理（PHM，Prognostics and Health Management）是现代信息技术与工程领域交叉融合的重要方向，特别是在工业4.0和物联网背景下，PHM技术对于设备的智能化运维、降低维护成本、提高生产效率具有重大...
2021-06-18
zailushag的博客
06-18 234
轴承性能退化趋势预测方法总结 目前，轴承性能退化趋势预测方法包括两种情况： 新数据容易获取情况 可以考虑整体预测方法；但是个人觉得这不叫预测。 数据难获取（轴承全寿命数据） 迭代循环预测，考虑到工程实际问题，我更倾向迭代循环预测方法。 其存在的问题是存在误差累积问题，但是更符合逻辑。 ...
三岁看大，七岁看老——基于退化模型进行剩余有效寿命预测的案例讲解
fengzhuqiaoqiu的博客
03-31 9155
本篇是寿命预测系列的第二个案例，在看这篇之前可以先看一下这里。 使用退化模型进行机电产品剩余寿命预测在工程应用中比较常见，退化模型法又有着几种不同的具体形式，博主见到比较多的包括基于随机过程的退化模型、基于时间序列方法的退化模型以及基于线性/指数形式的退化模型。其中线性/指数模型最为简单，在MATLAB的相关文档[1]中也是以该类型模型作为例子的，所以本篇将对此模型的案例进行介绍。 额外提一句...
机械设备故障诊断健康监测公开数据集
热门推荐
deepzhangzhihau的博客
03-13 1万+
美国-凯斯西储大学轴承数据中心CWRU） 美国-机械故障预防技术学会MFPT 数据链接：(Fault Data Sets - Society For Machinery Failure Prevention Technology) 德国-帕德伯恩大学Paderborn 法国-FEMTO-ST轴承退化数据集 美国-辛辛那提大学IMS轴承退化数据 美国-康涅狄格大学University of Connecticut 由美国康涅狄格大学唐炯...
5.4 Residual diagnostics
11-20 2766
英文地址：https://www.otexts.org/fpp/5/4 5/4 残差诊断 回归模型的残差是实际值与拟合值之间的差值。每个残差都是相关观测的不可预测成分。 在选择回归变量并拟合回归模型之后，有必要绘制残差以检查模型的假设是否已经满足。为了检查拟合模型的不同方面和基本假设，应该生成一系列的图表。   1.    预测变量的残差散点图   对模型中的每个预测变量做一个残
企业搭建知识库：解锁无限潜力的钥匙
sheji888的专栏
07-05 564
在当今这个信息爆炸的时代，企业如何高效地管理、传播与利用知识，已成为衡量其竞争力的重要标尺。知识库，作为这一背景下的产物，正逐步成为企业不可或缺的数字资产。它不仅是一个自助式的数字门户，更是连接员工、客户与知识的桥梁，其重要性不容忽视。
阶段三：项目开发---大数据系统基础环境准备：任务1：准备系统运行的先决条件
qq_60872637的博客
07-04 793
大数据基础环境准备SSH免密码连接安装配置JDK安装配置Scala无项目开发测试环境为分布式集群环境，在当前项目中使用多台基于CentOS 64bit 的虚拟机来模拟生产环境。
Memcached在大数据量下的挑战：性能瓶颈与优化策略
最新发布
2401_85761762的博客
07-06 663
Memcached是一个基于内存的分布式缓存系统，它通过减少对数据库的访问次数来提高应用程序的性能。它支持简单的数据存储和检索操作，并且是许多高流量网站的核心技术。
PHM算法与智能分析技术.pdf
02-27
PHM算法与智能分析技术 ⽂章⽬录 ⼀、 智能维护技术引述 1.智能维护技术的发展与问题（PHM技术产⽣的背景） 智能维护的⽬标是为了解决⽣产制造中出现的问题，包括设备的停机、部件的损坏，质量的不良以及能量的低利⽤率。我们要解决这些问 题并不能从这些问题产⽣的表象⼊⼿，⽽是要关注产⽣这些表象的原因，我们⼀般称这些原因为不可见问题。不可见问题包括零件的磨损、 腐蚀、泄露、⼈为操作甚⾄是环境因素，这些因素有多种多样的表征形式，这些因素很可能会互相耦合、交叉，共同作⽤产⽣这些失效。对 于这种情况，我们要从源头⼊⼿来避免这些问题。 要避免这些问题，需要利⽤监控、分析甚⾄是决策⽀持⼿段来去解决这些问题。那么， 如何避免不可见问题的发⽣呢？很重要的⼀点就是做预测。 维护策略的演进按照上⾯⼏个步骤进⾏： 传统反应式维护(RM)：等待设备出现问题再进⾏维修 ⾼可靠性设备过维护(PM)：对于⾼可靠性设备不能被原有的传统反应式维护来满⾜可靠性的要求，所以，我们需要做过维护，这种过 维护纯粹是基于时间的，频繁的更换尚未损坏（仍能使⽤⼀段时间）的零件，这种维护⽅式成本⾮常⾼昂 基于状态监测的维护（CBM）：这种维护不再单纯依赖于时间，⽽是通过从设备⾥⾯测量得到的物理量来发现故障出现的早期现象， 从⽽避免严重故障的发⽣ 故障预测与健康维护（PHM）：在状态监测基础上预测设备的使⽤寿命 随着维护技术的发展，设备⽣命周期内的维护成本是逐渐降低的，但是模型的复杂程度会逐渐升⾼，即系统的智能化程度不断升⾼。 2. PHM概念与⽅法论 2.1 PHM概念 PHM是⼀种系统⼯程学科，它聚焦于对复杂⼯程系统健康状态的检测、预测与管理。PHM所关注的问题可概括为以下⼏个⽅⾯： 降低成本：⽐如通过对⾮预期的停机事件进⾏预测并且避免； 减少过度维护，最⼤化部件的使⽤寿命； 减少⽣产制造中不良的产品； 提⾼设备的可靠性 2.2 MTBD(Mean-Time-Before-Degradation) 2.3 常见概念分析 Prognostics :预诊断；在⼯业中，我们称其为故障诊断，狭义上，指的是对设备使⽤寿命的预测 Health prediction：健康预测；指的是在近期的时间段内，预测设备健康值的⾛向，起到趋势预测的作⽤，还达不到对剩余使⽤寿命 的预测。 Failure：失效；分为硬失效与软失效，硬失效：⽐如组件的损坏，设备的停机、不良产品；软失效：⽐如：设备的可靠性降低即设备 仍然能运转，但是发⽣了衰退 Run-to-failure data：全⽣命周期数据 Measurements：测量：来⾃状态监测的数据。系统输出：⾏为数据；系统输⼊：操作条件数据 Features：特征：从原始数据中提取的信息。 Health index：健康指数 2.4 故障预测的主要⽅法 失效发⽣的平均时间（MTBF）是可靠性⾥⾯的重要概念。这个概念所针对的是被⼤批量⽣产、重复性⽐较⼤的设备，我们单纯基于时间就可以统计出可靠性的 1 基于机理进⾏建模，控制学科衍⽣对故障的检测与分类 混合⽅法 基于可靠性统计分析来做故障预测 数据驱动⽅式 从特征空间中我们可以看到，如果设备处于⼀个健康的状态，它会处于⼀个特定的分布范围内；如果设备失效的话，则会在特征空间发⽣漂 移，如果我们的设备的状态进⾏实时监测，我们就可以预测出什么时候跑出失效边界，从⽽预测剩余寿命。 那么，是不是所有的系统都可以做剩余使⽤寿命预测？做剩余使⽤寿命预测需要全⽣命周期的数据。 上图展⽰了不同层次的PHM系统功能 健康评估：基于健康状态数据 故障诊断：基于故障数据 故障预测：基于全⽣命周期数据 2.5实现PHM建模的⽅法论 数据采集 信号处理、降噪、清洗 特征提取与特征选择 建⽴健康评估与故障诊断的模型来描述当前对象的健康状态 对健康状态做预测 将评估结果可视化的呈现给⽤户 3. PHM系统设计 开发流程如下： 1. 需求定义：对象是否适合做PHM，如果适合的话，关注哪⼀类故障模式，关注什么具体问题 2. 监控层次定义：要做组件级的还是设备级的还是产线级的还是⼯⼚级的 3. 分析模型选择：分析是强数据弱机理还是弱数据强机理，甚⾄是强数据强机理，取决于使⽤什么模型 4. 关键参数选择：与第⼀步、第⼆步相对应，业务⽬标与关键参数是关联的 5. 部署策略和实验设计：采集能进⾏可⾏性分析的数据，尽量采集完整的⼯况，并且尽量覆盖到不同的失效模式。如果能有全⽣命周期 数据是最好的 6. 技术和经济性可⾏性研究 7. 技术开发与线上应⽤ ⼆、数据预处理与特征提取⽅法 1.数据预处理 为什么需要进⾏数据预处理？ Broken：数据分散在多个信息系统中，碎⽚化问题严重 Bad Quality：⼯业现场环境恶劣，数据质量差 Background：数

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值