基于PCM与TSFNN的R2R加工设备健康状态预测建模方法

文档名：基于PCM与TSFNN的R2R加工设备健康状态预测建模方法
在实际应用中,R2R加工设备的状态评估对健康状态预测模型具有较高的实时性要求,故而如何提高性能衰退预测模型实时性的研究尤为重要.本文提出了一种结合可能性c均值模糊聚类(PCM)和TS-FNN的神经网络预测模型,对卷对卷加工设备健康状态进行预测.该方法将不同工位的辊轴性能衰退PCA指标作为输入量,通过多次迭代过程完成对样本的模糊分类和结构参数的自组织调整,实验证明了PTS-FNN模型无论在预测精度还是收敛速度上都有突出的预测性能.对比传统BP神经网络和PTS-FNN神经网络两种预澳模型,在训练时间上,前者训练时间为47.85秒,后者训练时间为96.43秒,训练时间相比减少50.37％,很好地改善了神经网络的收敛速度,减少训练时间;在预测准确性上,传统BP神经网络预测准确率为91.25％,PTS-FNN神经网络的预测准确率为96.25％,后者比前者的精度要高,并且在状态1和状态4的判断上没有出现错误.
作者：邓耀华姚可星金拓
作者单位：广东工业大学
母体文献：2018粤港澳大湾区智能检测与协同创新青年论坛论文集
会议名称：2018粤港澳大湾区智能检测与协同创新青年论坛  
会议时间：2018年8月1日
会议地点：广州
主办单位：中国仪器仪表学会
语种：chi
分类号：TN9U23
关键词：卷对卷加工设备  健康状态  预测模型  稳定运行
在线出版日期：2021年12月15日
基金项目：
相似文献
相关博文

2024-12-10 13:23 上传 基于PCM与TSFNN的R2R加工设备健康状态预测建模方法.pdf

文件大小:

2.48 MB

下载次数:

60

高速下载