在推炉工艺中的MoSi2加热元件的剩余使用寿命估计
Hafiz M Irfan1, Po-Hsuan Liao1, Muhammad Ikhsan Taipabu1
1Department of Chemical Engineering, National Cheng Kung University, Tainan 70101, Taiwan.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
预测二氧化 (MoSi2) 加热元件的剩余使用寿命 (RUL) 对工业效率至关重要. 一个生成对抗网络 (GAN) 有助于生成故障数据以使用支持向量回归 (SVR) 准确预测RUL.
科学领域:
- 材料科学与工程 材料科学与工程
- 工业工程 工业工程 工业工程
- 机器学习 机器学习
背景情况:
- 二化物 (MoSi2) 加热元件对于高温工业过程至关重要.
- 在极端条件下MoSi2元素的降解需要准确的剩余使用寿命 (RUL) 预测,以进行主动维护.
- 有限的现实世界故障数据对开发有效的预测性维护 (PdM) 策略构成挑战.
研究的目的:
- 开发一种可靠的方法来估计推炉工艺中MoSi2加热元件的RUL.
- 为应对机器学习模型训练不足故障数据的挑战.
- 为了比较用于RUL预测的不同机器学习模型的性能.
主要方法:
- 使用生成对抗网络 (GAN) 合成故障经验数据.
- 训练有素的机器学习模型,包括长短期记忆 (LSTM) 和支持向量回归 (SVR),使用历史和生成的数据.
- 根据R-Square (R2) 值和预测准确度评估模型性能.
主要成果:
- 与LSTM相比,支持向量回归 (SVR) 显示出更高的性能.
- 该SVR模型实现了0.634的R-Square (R2),这表明它很适合预测阻力变化.
- 该SVR模型提供了高的预测准确性,使得维护计划的及时安排.
结论:
- 拟议的方法有效地生成合成故障数据,以克服数据稀缺问题.
- SVR是一个适合准确预测MoSi2加热元件RUL的模型.
- 准确的RUL预测通过允许主动维护计划来提高运营效率和安全性.
更多相关视频
11:50Metal-silicate Partitioning at High Pressure and Temperature: Experimental Methods and a Protocol to Suppress Highly Siderophile Element Inclusions
Published on: June 13, 2015
12.5K
14:01Making Record-efficiency SnS Solar Cells by Thermal Evaporation and Atomic Layer Deposition
Published on: May 22, 2015
42.7K
