基于双输入深度卷积神经网络的风力机轴承RUL预测

针对轴承剩余寿命预测中常用健康指标泛化性不足的问题,提出一种基于双输入深度卷积神经网络的轴承剩余寿命预测模型。首先使用自适应最大相关峭度解卷积方法处理轴承信号并采用特征融合手段得到信号的时间序列特征;然后,将信号的时频图和时间序列特征同时作为模型的输入,通过已建立的双输入深度卷积神经网络模型来预测轴承健康因子;最后使用门控循环单元网络与健康因子相结合的方法来预测轴承的剩余使用寿命。在公开的西安交通大学公布的XJTU轴承数据集上对所提方法进行验证,并在风力机高速轴轴承历史监测数据上进行应用。试验结果表明:该方法不但显著提升了健康因子的泛化性能,还在预测精度方面有优异表现。

一种广域无线传感网络移动Sink节点路径规划方法

在广域无线传感网络中,大量Sink节点处在移动状态,路径规划过程易受其他节点特征的干扰,导致规划效果较差,提出一种针对广域无线传感网络的移动Sink节点路径规划方法。利用Sink数据采集协议确定节点的最佳位置,通过计算最大网络寿命成本比确定节点的最佳数量后,根据节点的最佳位置和数量规划出最大容量路径。依据最大容量路径计算出Sink节点在四个方向上的权值系数,并沿着最大权值系数的方向移动,完成广域无线传感网络移动Sink节点路径规划。仿真结果表明,所提方法的运行时间低于6 s、路径长度最长为53 cm、拐点数量少于9个、迭代次数高达69次。

一种缓解能量空洞的数据聚合算法

针对影响无线传感器网络(WSN)生命周期的能量空洞(EH)问题,以实际测量的数据为依据,综合考虑在数据传输过程中最大传输单元的影响因素,提出一种解决能量空洞的数学模型。该模型通过数据聚合的方式使每个节点发送数据时以最大的分片数进行传送,采用节能的方式对WSN能耗进行优化,以减小EH的区域,使全网能耗最低。仿真实验结果表明,与EHMS方案相比,该模型能够最大程度地优化WSN的能量,缓解能量空洞的形成,延长无线传感器网络的生命周期。

基于ConvJANET的航空发动机剩余寿命预测及其不确定性量化

航空发动机技术是衡量一个国家科技水平和工业实力的重要标志,健康状态监测和剩余使用寿命(remaining useful life,RUL)预测技术是航空发动机安全服役、经济运行的重要保障.针对航空发动机RUL预测精度较低、不确定性难以量化的问题,本文提出了一种数据驱动的航空发动机RUL区间预测方法.首先,在ConvJANET框架下构建新的卷积-卷积循环-全连接结构的深度学习模型,逐层提取航空发动机监测数据中的退化特征;其次,利用极大似然思想指导神经网络模型的优化求解,并基于损失函数形式变化的策略训练模型,实现对航空发动机RUL的高精度预测与不确定性量化.将所提出的方法用于分析航空发动机退化数据集,结果表明,对比传统基于蒙特卡洛的方法,本文提出的方法具有更高的RUL预测准确率和更好的置信区间预测性能.