《表1 人工神经网络在预测性维护中的最新应用》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于机器学习的设备预测性维护方法综述》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

Biswal等人[7]采用人工神经网络提出一种用于模拟风力涡轮机的模型，该模型能够模拟风力涡轮机关键部件的故障工况，也可以用缺陷的部件替换健康的部件，从而收集健康和故障工况下的涡轮机的振动数据，再通过人工神经网络模型预测，对设备健康状态进行预测识并别决定维护策略，实验结果准确性为92.6%。Gebraeel等人[8]基于BP神经网络建立单个轴承和批量轴承的寿命预测模型，利用寿命周期内的振动监测信息，以一定权重融合各轴承指数回归模型参数，同时进行参数在线更新，有效保证寿命预测的准确性。Bezazi等人[9]采用基于多层感知器的人工神经网络对复合材料结构监测数据进行建模，通过极大似然估计和贝叶斯推理对神经网络模型进行训练，结果表明该模型具有较好的泛化能力。Wang等人[10]提出一种极限学习机模型，避免隐含层神经元的数目选择问题，实现了非平稳序列的在线预测。Kolokas等人[11]使用运行期间的过程传感器数据，实时检测某工业阳极生产设备的实时故障，并将人工神经网络与其他机器学习进行了比较。Sheng等人[12]针对齿轮寿命预测问题，提出一种基于权值放大的长短时记忆神经网络，并加入一种将隐含层的输入权值和递归权值进行不同程度放大的注意机制，结果表明预测方法具有更高的精度。更多基于人工神经网络的预测性维护研究的最新论文见表1。