用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 5. 监测与诊断 > 寿命与维护

关键词搜索：

标 题： A hybrid approach estimates the real-time health state of a bearing by accelerated degradation tests, Machine learning
混合方法通过加速劣化测试和机器学习来估计轴承的实时健康状态。
作 者： Pramoda Patro
R. AZHAGUMURUGAN
Sathya R
Krishna Kumar
T. Rajasanthosh Kumar
M. Vijaya Sekhar Babu
关键词： Remaining useful life  [剩余使用寿命]
Support vector machine  [ 支持向量机]
Rolling element bearing  [ 滚动轴承]
Accelerated degradation test  [ 加速降解测试]
出版年： 2021
文集名： 2nd International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE 2021)
第二届智能计算、电气与电子技术国际会议（ICSTCEE 2021）
会议名： 2nd International Conference on Smart Technologies in Computing, Electrical and Electronics (ICSTCEE 2021)
第二届智能计算、电气与电子技术国际会议（ICSTCEE 2021）
届 次： 2nd
摘 要： For Remaining useful life (RUL) prediction, this article presents a paradigm that separates the whole bearing life into many health states and then builds unique local regression models for each of those states, rather than searching for an overall regression model with multiple health state assessments. A method that utilised both unsupervised learnings and supervised learning to estimate a bearing's real-time health status is presented without previous information. The primary technology used to perform health status assessment and RUL prediction is the support vector machine. The efficacy of the suggested framework has been shown via experiments, including accelerated deterioration testing on rolling element bearings.

在剩余使用寿命（RUL）预测方面，本文提出了一种新的方法论：将轴承的整个寿命划分为多个健康状态，并针对每个状态分别构建独特的局部回归模型，而非通过综合多个健康状态评估来寻找整体回归模型。该方法无需预先信息，结合了无监督学习和监督学习，用于估计轴承的实时健康状态。主要采用的技术是支持向量机，用于健康状态评估和剩余使用寿命预测。该框架的有效性已通过实验验证，包括对滚动轴承的加速劣化测试。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号