首页 理论教育 系统健康因子对系统状态判断的实例

系统健康因子对系统状态判断的实例

时间:2023-06-16 理论教育 版权反馈
【摘要】:表2预测实例按系统健康因子的取值范围,可将系统状态分为健康状态(0,0.4]、亚健康状态(0.4,0.7)、故障状态[0.7,1]3种情况,从而可依据预测健康因子来判断系统所处状态[5]。由表2可知,当系统部分特征参数处于正常范围边缘时,当前系统为亚健康状态;当系统部分特征参数超出正常范围时,当前系统为故障状态。

系统健康因子对系统状态判断的实例

本文根据上述内容建立转运伺服驱动系统的3层改进小波神经网络预测模型,该模型通过建立弹库控制系统工作数据与系统健康因子之间的关系,实现对系统健康参数的预测。表1所示为实际测试及专家分析得到的部分训练样本。

表1 部分训练样本

将模型的输入数据采用[-1,1]范围的归一化方式进行处理,输出数据因其本身在[0,1]范围之内,所以不对其做归一化处理。通过对大量的样本进行训练,不断对各层之间的权值、阈值,小波系数,网络学习速率进行调整,直至达到系统的精度要求,经过训练后的神经网络即可用于参数预测。预测实例如表2所示。

表2 预测实例

按系统健康因子的取值范围,可将系统状态分为健康状态(0,0.4]、亚健康状态(0.4,0.7)、故障状态[0.7,1]3种情况,从而可依据预测健康因子来判断系统所处状态[5]。各特征参数的正常范围如表2第一行所示,其均来自专家分析及现场实验测试。其中,X3,X5,X7的范围与X1相同。由表2可知,当系统部分特征参数处于正常范围边缘时,当前系统为亚健康状态;当系统部分特征参数超出正常范围时,当前系统为故障状态。(www.xing528.com)

对系统30组特征数据进行预测准确度验证,测试结果如图4所示。

图4 测试结果

由图4可知,系统实际的健康因子和系统预测得到的健康因子基本一致,准确率较高,实例表明改进小波神经网络模型适用于本健康管理系统的参数预测。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈