滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management,PHM)领域,滚动轴承寿命预测具有很高的研究价...滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management,PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator,HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network,ResNet)结合时空卷积网络(Temporal Convolutional Network,TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。展开更多
为获取机会网络动态拓扑结构,使用时空图模型对机会网络进行建模,使用了节点平均度、介数中心性和整网消息转发率三个评估指标来评估节点的重要程度。使用接近理想解法(Technique for Order Preference by Similarity to an Ideal Solut...为获取机会网络动态拓扑结构,使用时空图模型对机会网络进行建模,使用了节点平均度、介数中心性和整网消息转发率三个评估指标来评估节点的重要程度。使用接近理想解法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)方法以及基于马氏距离的TOPSIS方法来对机会网络中关键节点进行评估。采用节点计算移除节点后的整网消息投递成功率来验证评估结果的正确性,发现基于马氏距离的TOPSIS方法的评估效果要比TOPSIS方法更好。展开更多
文摘为获取机会网络动态拓扑结构,使用时空图模型对机会网络进行建模,使用了节点平均度、介数中心性和整网消息转发率三个评估指标来评估节点的重要程度。使用接近理想解法(Technique for Order Preference by Similarity to an Ideal Solution,TOPSIS)方法以及基于马氏距离的TOPSIS方法来对机会网络中关键节点进行评估。采用节点计算移除节点后的整网消息投递成功率来验证评估结果的正确性,发现基于马氏距离的TOPSIS方法的评估效果要比TOPSIS方法更好。