论文摘要
预测性维护是工业互联网应用的重点,实现预测性维护的关键是对设备系统或核心部件的寿命进行有效预测。随着近年来机器学习的发展,机械设备海量数据已成为工业互联网分析核心部件剩余寿命的关键指标,也成为设备健康管理决策性数据。基于工程机械设备大数据,结合XGBoost、随机森林、LightGBM等多种机器学习模型,多维度探究影响机械核心部件寿命的机器学习模型效果,建立Stacking算法模型融合的部件寿命预测模型,并在核心部件数据上验证模型预测有效性,从而减少设备非计划停机时间,推进智能制造和预测性维护的进步。
论文目录
文章来源
类型: 期刊论文
作者: 梁超
关键词: 工程机械,寿命预测,机器学习
来源: 软件工程 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 建筑科学与工程,自动化技术
单位: 浙江理工大学信息学院
分类号: TP181;TU60
DOI: 10.19644/j.cnki.issn2096-1472.2019.12.001
页码: 1-4
总页数: 4
文件大小: 1314K
下载量: 174