为解决柴油机空气系统因结构复杂、故障频发、全生命周期数据不足及故障精确表征困难导致的柴油机空气系统健康状态评估难题,为其预测性维护提供支撑,提出一种基于时间序列的柴油机健康状态评估方法,根据单位时间内空气系统健康状态构...为解决柴油机空气系统因结构复杂、故障频发、全生命周期数据不足及故障精确表征困难导致的柴油机空气系统健康状态评估难题,为其预测性维护提供支撑,提出一种基于时间序列的柴油机健康状态评估方法,根据单位时间内空气系统健康状态构建初始健康指标,采用自编码器模型对初始指标进行特征加权优化以提高表征精度,按照时间序列结合滑动窗口法对历史健康状态进行平滑处理,构建长短期记忆(long-short term memory,LSTM)网络,预测柴油机空气系统的健康状态。结果表明:设计的基于时间序列的柴油机空气系统健康状态评估方法有效且预测准确度较高,健康状态预测结果与实测结果的均方误差为2.11×10^(-5),均方根误差为0.0046,平均绝对误差为0.0031,该方法可以为柴油机空气系统预测性维护提供可靠支撑。展开更多
文摘为解决柴油机空气系统因结构复杂、故障频发、全生命周期数据不足及故障精确表征困难导致的柴油机空气系统健康状态评估难题,为其预测性维护提供支撑,提出一种基于时间序列的柴油机健康状态评估方法,根据单位时间内空气系统健康状态构建初始健康指标,采用自编码器模型对初始指标进行特征加权优化以提高表征精度,按照时间序列结合滑动窗口法对历史健康状态进行平滑处理,构建长短期记忆(long-short term memory,LSTM)网络,预测柴油机空气系统的健康状态。结果表明:设计的基于时间序列的柴油机空气系统健康状态评估方法有效且预测准确度较高,健康状态预测结果与实测结果的均方误差为2.11×10^(-5),均方根误差为0.0046,平均绝对误差为0.0031,该方法可以为柴油机空气系统预测性维护提供可靠支撑。
