典型文献
基于Stacking的机舱设备剩余寿命预测方法
文献摘要：
[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.
文献关键词：
智能机舱;剩余寿命预测;轴承;集成学习;Stacking
中图分类号：
作者姓名：
郭朝有;许喆;姚乾
作者机构：
海军工程大学动力工程学院,湖北武汉 430033;中国人民解放军92942部队,北京 100161;中国人民解放军92578部队,北京 100161
文献出处：
引用格式：
[1]郭朝有;许喆;姚乾-.基于Stacking的机舱设备剩余寿命预测方法)[J].中国舰船研究,2022(06):118-125
A类：
B类：
Stacking,剩余寿命预测,寿命预测方法,考中,船级社,智能船舶,智能机舱,设备故障,故障预测与健康管理,轴承,集成学习,融合策略,极限梯度提升,XGBoost,人工神经网络,ANN,基学习器,岭回归,ridge,regression,元学习,Ridge,融合预测模型,IEEE,PHM,Prognostic,Challenge,全寿命周期,周期数据,预测性能,性能对比,MAE,性能评价指标,一算,融合方式,融合方法,平均误差,决定系数,评价值,其他方法,设备健康管理
AB值：
0.342166
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
