基于CNN的轴承剩余寿命区间预测

针对轴承剩余使用寿命(RUL)预测中的不确定性量化问题,综合考虑数据不确定性与模型不确定性,提出了一种基于卷积神经网络(CNN)的RUL区间预测方法。首先,对轴承输入数据进行了预处理,并提取了轴承振动信号的时域特征,选用有强趋势性的参数作为模型输入,接着设计了一个在输出层放置正态分布的CNN模型,将其用于点预测及数据不确定性的捕捉;然后,采用集成方法对模型不确定性进行了量化,输出了区间预测结果;最后,采用PHM2012轴承退化公开数据集对基于CNN的区间预测方法的有效性进行了验证,并将结果与采用贝叶斯神经网络(BNN)所得结果进行了比较。实验结果表明:在轴承RUL预测的应用中,基于CNN的区间预测方法的区间覆盖率(PICP)最高,其值比BNN高出了63.9%,点预测结果的均方根误差(RMSE)值最小,其值为0.1997。研究结果表明:基于CNN的区间预测方法可确保点预测估计的准确性,同时,在描述预测不确定性方面具有更大的优越性和实际意义。

航段油耗深度学习高质量区间预测算法

为提高给定置信水平下航段油耗区间预测结果的可靠性和稳定性,提出航段油耗深度学习高质量区间预测算法。通过对初级数据源进行按航段分类、无量纲化等预处理,提高预测结果的可靠性和算法的普适性;通过自适应相关参数、柔和化处理优化损失函数,进一步提高算法的可靠性、稳定性和普适性。训练得到的预测区间覆盖率在设定的置信水平周围,多次训练结果与置信水平的误差不超过1个数据点引起的覆盖率变化;对样本数大于10的、任意分布的航段均能实现区间预测。算法性能分析比较实验结果表明了该算法的有效性,其性能优于其它算法。