旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网...旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。展开更多
文摘作为网络传输控制机制的核心,拥塞控制关注如何在异构网络环境中最优化特定传输性能目标。已有拥塞控制机制忽略了不同应用的性能偏好在吞吐量-时延两个维度上的帕累托最优前沿(Pareto optimal frontier,POF)分布,难以满足差异化应用的性能需求。针对上述问题,本文提出了一种面向应用性能偏好的帕累托最优拥塞控制机制pBBR(ParetooptimalBBR),结合离线网络场景学习和在线控制参数优化的思想,最大程度满足应用的差异化性能偏好。实验结果表明,pBBR能够在一个采集-识别周期内判断出网络场景的切换,从而快速选择当前网络场景的最优控制参数。每个网络场景下,pBBR都能够最大化满足不同的应用性能偏好:针对吞吐量敏感业务,pBBR可以达到Cubic(吞吐优先)的97%,且时延只有Cubic的52%;针对时延敏感业务,pBBR的时延可以达到Sprout(时延优先)的95%,同时吞吐量损失只有1%。此外,多参数优化可进一步提升pBBR性能,例如在高铁长期演进技术(long term evolution,LTE)通信场景下,单参数pBBR的吞吐量、时延分别是Cubic的94%和99%,而三参数pBBR则分别提升到Cubic的101%和93%(优于Cubic)。
文摘旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。
