针对传统机器学习算法处理海量风机数据采集与监视控制(SCADA)监测数据效率低和准确度差的问题，提出利用极端梯度提升(XGBoost)算法预测风机主轴承故障。首先，对风机主轴承SCADA数据开展特征分析，挖掘和发现特征与故障之间的关联关系，并评估各特征的重要性；然后利用XGBoost算法构建主轴承故障预测模型，进行模型评估；最后，依据SCADA系统收集的实测数据对模型进行训练和测试，并调整XGBoost模型的主要参数，提高预测准确率。通过与经典梯度提升决策树(GBDT)算法诊断结果相对比，结果表明XGBoost在风机主轴承故障预测的效率和准确度方面均优于GBDT算法，是处理SCADA大规模数据集的有效工具。

在智能制造背景下， 大数据驱动的设备故障预测与健康管理日益受到各界重视。深度学习能够在层次结构的特征提取过程中发现更多的隐藏知识， 在领域自适应方面具有良好的数据适应性， 近年来逐渐成为设备故障预测与健康管理的研究热点， 并在设备故障诊断和预测中得到了广泛的应用。通过系统回顾近年来深度学习在设备故障预测与健康管理中应用， 总结、分类和解释关于这一热点主题的主要文献， 讨论了各种体系结构和相关理论。在此基础上， 阐述了深度学习在设备故障诊断和预测方面所取得的主要成果、面临的挑战、以及未来的发展趋势， 为设备故障预测与健康管理领域选择、设计或实现深度学习架构， 提供明确的方向。

该实验由美国辛辛那提大学智能维护中心完成 数据包括三次03年试验 04年两次试验 该数据集是第一次的原始震动数据 文件名为每次记录试验的具体时间 精确到秒 The data was generated by the NSF I/UCR Center for Intelligent Maintenance Systems (IMS – www.imscenter.net) with support from Rexnord Corp. in Milwaukee, WI

一种基于粒子滤波理论的IGBT剩余寿命预测方法，龙兵，朱炯炯，随着IGBT应用日趋广泛，对于IGBT的视情维修需求也日趋紧迫。本文基于粒子滤波理论，提出一种IGBT的寿命预测方法，通过温度循环实验获

PHM故障预测与健康管理技术

行业制造-电动装置-一种基于FRM-RVM的电力电子电路故障预测方法.zip

为了有效地识别滚动轴承的不同失效模式，本文提出了一种基于小波包分解和连续隐马尔可夫模型的滚动轴承故障预测方法。 首先利用小波包分解对滚动轴承的振动信号进行处理，以提取出能量特征，然后将提取出的特征作为连续隐马尔可夫模型的输入。 训练了大量样本以估计不同轴承故障的连续隐马尔可夫模型的参数。 一旦达到该学习阶段，便会在第二阶段中利用生成的模型来连续评估滚动轴承的当前健康状态，并通过计算监视不同CHMM数据的概率来评估故障模式。 测试结果表明，该方法可以准确预测滚动轴承的故障，并评估滚动轴承的损坏状态。

基于卷积神经网络的经编织机故障预测报警系统的研究.pdf

210623已下载的数字孪生论文及故障预测论文

风力发电机分类 用于快速异常检测的“正常”风力涡轮机运行行为规范：通过使用机器学习算法 由Nithiya Streethran（gmail.com的nmstreethran） 文件说明 该存储库是为我的硕士论文创建的文件的存档，该存档已于2017年5月至8月之间在赫瑞瓦特大学和自然动力顾问公司完成。 这也是我的第一个Python项目。 毫不奇怪，这些文件需要某种格式来提高可读性，这是我毕业后所做的。 我没有对代码或文档进行任何重大更改，因此此存储库仍包含一堆独立脚本而不是程序包。 current分支具有格式化的代码和学位论文。 论文可在查看[ ]。 可以使用或下载（也可在）访问原始提交。