《基于梯度提升决策树的工程机械核心部件寿命预测》
该文是关于工程机械相关在职开题报告范文跟梯度和提升和决策树和机械和核心和部件和寿命和预测相关毕业论文的格式范文.
摘 要：大型工程机械设备的核心部件故障通常会造成计划位停机,致使整个生产现场其他配套设施等待发生故障的核心部件的修复,从而导致很大的经济损失.对核心部件进行寿命预测可以提前安排相关部件的停机计划和维护,可以很大程度上减少整个设备的非计划停机时间,极大地减少停机带来的经济损失.有鉴于此,文中借助梯度提升决策树对某类工程机械设备的核心损耗部件进行建模,实现了工程机械核心部件的剩余寿命预测,有助于实现预测性维护,从而减低大型机械设备的维护成本.
关键词：机器学习;工程机械;寿命预测;梯度提升决策树;物联网;非计划停机
中图分类号：TP391.73文献标识码：A文章编号：2095-1302（2020）01-0-04
0 引 言
随着生产技术的快速发展和人类社会分工的进一步细化,在许多领域出现了复杂的大型工程机械设备及其配套设施[1-2].这些大型工程设备极大地提升了人类生产活动的效率.图1所示为由我国中铁科工集团机械院自主研制的高铁施工装备—40 m跨1 000 t运输与架设成套设备,其已成功架设了100榀千吨级高铁箱梁,可以极大的提升高速铁路建设的速度和降低建设成本.然而,随之而来的是大型机械工程设备由于自身结构复杂、外部因素影响大、配套设施繁多等,容易造成大型机械设备的一些损耗性的核心部件的性能及健康状态产生衰退或甚至出现故障和完全报废[3].由于大型机械工程设备在生产过程中通常起着关键作用,只要核心部件发生了计划外的故障或报废,就很容易给整个设备带来严重后果,给生产活动带来巨大的经济损失.同时,由于大型机械故障本身的复杂结构和受到的外部影响及配套设施的繁多,其故障表现形式呈现多样化、故障发生机理呈现复杂化.特别是核心部件的损耗导致的寿命变化,目前尚无合适的模型来刻画其演变机理.因此,如何保障大型工程机械设备在实际生产环境下的安全、稳定、可靠、经济的运行成为了当前的热点研究问题.对于大型工程机械设备而言,科学评估好损耗性的核心部件的寿命,并以此安排好生产和维护计划,可以极大的减少计划外停机造成的生产事故和经济损失.因此,通过物联网技术来收集大型机械设备的损耗性的核心部件的全生命周期的运行数据,借助机器学习和大数据分析技术,建立科学合理的模型预测出核心部件的寿命,对大型机械设备的运行和维护有着非常重要的意义.
1 相关研究工作
现有的机械部件的寿命预测研究主要分为基于物理模型的预测方法和基于数据驱动的寿命预测方法等.基于物理模型的剩余寿命预测方法起步比较早.随着对机械部件的物理模型的寿命实验和失效退化机制研究的不断深入,一些具有较大研究价值的常用核心部件的物理模型及其失效退化機制的研究已经较为成熟,并获得了精度很高的预测结果.然而,在实际工程应用中,建立起种类众多的核心部件的物理模型及其失效机制模型难度非常高而且费时费力,因此基于物理模型的只适用于一些使用普遍、对寿命预测精度要求非常高的少量关键的核心部件的寿命预测.在基于物理模型的剩余寿命研究方面,针对材料的低周疲劳寿命问题,商体松等人在基于三参数幂函数公式对比分析的基础上,分析了引起材料疲劳损伤的原因,建立了一种能够直观反应设备的损伤能量密度跟疲劳寿命之间的关联关系的剩余寿命预测模型[4].范磊等人则针对行星架的剩余寿命预测问题,提出了一种以裂纹长度为指标的剩余寿命预测方法[5].谢吉伟等人则针对产品的衰退模式的动态转移现象,在IMM算法的基础上提出了一种新的剩余寿命预测模型[6].这些方法都是在分析设备本身的性能衰退等的机理的基础上建立的剩余寿命预测模型,需要对设备的物理模型、性能衰退机制等非常熟悉.
基于数据驱动的剩余寿命预测方法是借助物联网技术大量收集核心部件整个全生命周期内的运行工况数据,以机器学习和大数据分析技术来在大量数据的基础上建立核心部件的寿命预测模型,并根据要预测的核心部件现有的运行工况数据,预测其剩余寿命.基于数据驱动的方法主要难点在于需要大量的核心部件全生命周期的运行工况数据作为训练集来构建模型.随着物联网技术和云计算技术的快速发展和普及,核心部件的历史运行工况数据的采集与收集已经变得越来越容易,使得数据驱动的剩余寿命预测方法越来越成为研究的主流.在基于数据驱动的剩余寿命研究方面,蔡忠义等人在发现性能退化过程服从Wiener过程,在此基础上提出了基于贝叶斯估计的融合线上线下产品失效数据的寿命预测方法[7].胡姚刚等人则针对电轴承构建温度特征量的性能退化模型,提出一种基于温度特征量的风电轴承性能退化建模及其实时剩余寿命预测方法[8].这些方法都是在对设备运行工况数据的分布规律进行分析的基础上,利用了机器学习方法来建立剩余寿命预测模型.
大型工程机械的核心部件寿命预测问题本质上是一个典型的回归预测问题,因此可以采用目前主流的回归预测算法,如线性回归、随机森林[9]、朴素贝叶斯[10]、梯度提升决策树等算法.其中,岭回归和逻辑回归算法运算速度快,但在泛化能力和鲁棒性等方面不如随机深林和梯度提升决策树等算法.随机深林对噪声数据不敏感、泛化能力和鲁棒性都很强,但参数设置不当很容易出现过拟合的问题.而梯度提升决策树算法在模型的鲁棒性、泛化能力、运算速度、抗干扰能力以及对枚举型参量的支持能力等方面都表现优异,因此综合考虑核心部件寿命预测问题的需求,本文采用梯度提升决策树算法作为构建预测模型使用的回归算法.
2 任务描述
2.1 数据格式
为了实现对某工程机械设备的核心部件进行剩余寿命预测,需要采集一批该类设备的历史全生命周期的运行数据,包括该部件的工作时长、温度、转速、电流、电压等多类工况数据,其数据表的结构见表1所列.
由于大型工程机械设备的损耗性的核心部件的运行数据涉及到整个工程机械运行的安全以及商业机密,因此在本文中使用的设备类型、工况数据等的具体值都是经过一定脱敏处理后的数据.在脱敏过程中已考虑了尽量不影响数据之间蕴含的关系.数据集共采集了916个核心部件的全生命周期的运行工况数据共计约2 600万条.
综上而言:上述文章是一篇适合梯度和提升和决策树和机械和核心和部件和寿命和预测论文写作的大学硕士及关于工程机械本科毕业论文，相关工程机械开题报告范文和学术职称论文参考文献.
工程机械引用文献:
[1] 经典工程机械技师论文选题 工程机械技师论文题目如何定
[2] 经典工程机械专业论文选题 工程机械专业论文题目如何取
[3] 比较好写的工程机械方面论文选题 工程机械方面论文标题怎么定
