基于PCM与TS-FNN的R2R加工设备健康状态预测建模方法

摘要

在实际应用中,R2R加工设备的状态评估对健康状态预测模型具有较高的实时性要求,故而如何提高性能衰退预测模型实时性的研究尤为重要.本文提出了一种结合可能性c均值模糊聚类(PCM)和TS-FNN的神经网络预测模型,对卷对卷加工设备健康状态进行预测.该方法将不同工位的辊轴性能衰退PCA指标作为输入量,通过多次迭代过程完成对样本的模糊分类和结构参数的自组织调整,实验证明了PTS-FNN模型无论在预测精度还是收敛速度上都有突出的预测性能.对比传统BP神经网络和PTS-FNN神经网络两种预澳模型,在训练时间上,前者训练时间为47.85秒,后者训练时间为96.43秒,训练时间相比减少50.37％,很好地改善了神经网络的收敛速度,减少训练时间;在预测准确性上,传统BP神经网络预测准确率为91.25％,PTS-FNN神经网络的预测准确率为96.25％,后者比前者的精度要高,并且在状态1和状态4的判断上没有出现错误.