Print

基于机器学习的设备剩余寿命预测方法综述

论文摘要

随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。

论文目录

  • 0前言
  • 1 基于浅层ML的剩余寿命预测方法
  •   1.1 基于神经网络的剩余寿命预测方法
  •     1.1.1 基于MLP神经网络的剩余寿命预测方法
  •     1.1.2 基于RBF神经网络的剩余寿命预测方法
  •     1.1.3 基于ELMs的剩余寿命预测方法
  •   1.2 基于SVM的剩余寿命预测方法
  • 2 基于深度学习的剩余寿命预测方法
  •   2.1 基于DNN的剩余寿命预测方法
  •   2.2 基于DBN的剩余寿命预测方法
  •   2.3 基于CNN的剩余寿命预测方法
  •   2.4 基于RNN的剩余寿命预测方法
  • 3 未来研究方向
  • 4 结论

    • 文章来源

    类型: 期刊论文

    作者: 裴洪,胡昌华,司小胜,张建勋,庞哲楠,张鹏

    关键词: 剩余寿命预测,机器学习,神经网络,支持向量机,深度学习

    来源: 机械工程学报 2019年08期

    年度: 2019

    分类: 工程科技Ⅱ辑

    专业: 机械工业

    单位: 火箭军工程大学导弹工程学院

    基金: 国家自然科学基金(61833016,61573365,61773386,61603398,61374126,61473094),中国科协青年人才托举工程(2016QNRC001)资助项目

    分类号: TH17

    页码: 1-13

    总页数: 13

    文件大小: 290K

    下载量: 3648

    相关论文文献

    本文来源: https://www.lunwen66.cn/article/2f96376ec27c4fa8737c391f.html