使用扩展卡尔曼波器的Pt-Rh热电偶的数据驱动的剩余有用寿命预测

科学领域:

• 材料科学与工程 材料科学与工程
• 传感器技术 传感器技术
• 人工智能的人工智能

背景情况:

• - (Pt-Rh) 热电偶对于高温工业监控至关重要.
• 恶劣的环境会导致降解,影响测量准确性,并导致潜在的故障.
• 现有的方法在与Pt-Rh热电偶的缓慢,非线性漂移特征作斗争.

研究的目的:

• 在高温条件下开发一个准确的Pt-Rh热电偶的剩余使用寿命 (RUL) 预测模型.
• 为了解决影响热电偶测量的非线性误差和缓慢漂移.
• 提高工业过程中实时状态监控的可靠性.

主要方法:

• 开发了基于Seebeck效应和蒸汽运输理论的Pt-Rh热电偶的降解模型.
• 实现了混合扩展卡尔曼波器 (EKF) 和反向传播神经网络 (BPNN) 算法.
• 用实验室数据验证了降解模型,并将EKF-BPNN算法与其他预测方法进行了比较.

主要成果:

• 开发的降解模型准确地反映了实验室测试数据.
• 该EKF-BPNN混合算法显示出优异的预测准确性 (MAE 0.0016%,RMSE 0.0019%,MAPE 0.039%,R2 0.9833) 的结果.
• 具有强大的非线性估计能力的算法被发现不太适合这种特定应用.

结论:

• 混合EKF-BPNN算法对经历高温降解的Pt-Rh热电偶的RUL预测是最佳的.
• 这种方法有效地弥补了非线性错误和缓慢漂移.
• 这些发现支持在工业环境中改善条件监测和预测性维护.