基于Stacking的机舱设备剩余寿命预测方法北大核心CSCD

[目的]在参考中国船级社《智能船舶规范》中智能机舱定义和要求的基础上,探索机舱设备故障预测与健康管理相关技术,开展轴承剩余寿命预测方法研究。[方法]针对常规数据驱动的轴承剩余寿命预测存在预测精度不佳的问题,利用集成学习Stacking融合策略,优选极限梯度提升(XGBoost)与人工神经网络(ANN)为基学习器,岭回归(ridge regression)为元学习器,构建R-A-X(Ridge-ANN-XGBoost)融合预测模型。选用IEEE PHM 2012 Prognostic Challenge同工况下的全寿命周期数据作为数据集设计预测性能对比实验,以MAE和R2为性能评价指标,对比研究基于单一算法、简单平均融合方式以及R-A-X融合方法的轴承剩余寿命预测性能。[结果]结果表明,基于Stacking构建的R-A-X融合预测模型的绝对平均误差(MAE)与决定系数(R2)评价值均优于文中涉及的其他方法,预测精度最高可提升20%。[结论]所提出的方法可提升轴承剩余寿命预测精度,对智能机舱中设备健康管理的实现具有一定的参考价值。     

基于PNN的舰船柴油机冷却系统故障预警研究

针对舰船柴油机冷却系统，分析其典型故障模式，选取特征参数，基于概率神经网络（PNN）建立故障预警模型以对其进行故障预警，结合某型柴油机在某船实际运行数据完成模型的训练和验证。结果表明：采用概率神经网络可有效地实现舰船柴油机冷却系统的故障预警。