为了提高现代制造业的可靠性和效率,根据轴承剩余使用寿命预测(RUL),提出了一种基于联想神经网络的轴承剩余寿命预测模型。该模型在17个轴承数据集上随机选出4个轴承的数据作为模型的验证集,剩下的13个轴承数据来训练集,并采用5折交叉验证将这13个轴承数据划分为训练集和测试集。在训练神经网络时,采用了学习率衰减机制,并对比学习率衰减机制与固定学习率的差异。试验结果表明,该模型相比LASSO、随机森林回归(RFR)、支持向量回归(SVR)、深度学习等方法在RMSE和MAE两个方面具有明显的提高。

以超高性能混凝土(UHPC)组成原材料中的水泥、矿粉、硅灰、钢纤维、减水剂、消泡剂和水的用量为特征,28 d抗压强度为标签建立了数据集,并采用随机森林回归(RFR)、支持向量机回归(SVR)和多层感知机回归(MLPR)3种机器学习回归模型对数据集进行了训练和预测。结果表明:MLPR模型的拟合优度最高;RFR模型中对UHPC的28 d抗压强度影响相对较大的3个因素为硅灰、水泥和水的用量;SVR模型和MLPR模型的预测值均落在5%置信区间内,回归效果均较理想。