提出一種結(jié)合深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN）和長(zhǎng)短時(shí)記憶（LSTM）網(wǎng)絡(luò)實(shí)現(xiàn)剩余使用壽命的準(zhǔn)確預(yù)測(cè)方法。首先按滑動(dòng)時(shí)間窗口的方法對(duì)采集到的復(fù)雜設(shè)備數(shù)據(jù)進(jìn)行輸入樣本的制備,并使用網(wǎng)格搜索法尋找模型最優(yōu)參數(shù);然后構(gòu)建DCNN網(wǎng)絡(luò)實(shí)現(xiàn)自動(dòng)融合多傳感器數(shù)據(jù)并提取抽象空間特征;最后固定卷積層數(shù)不變,采用多層LSTM網(wǎng)絡(luò)記憶時(shí)間序列前后之間的關(guān)系。在公開的C-MAPSS數(shù)據(jù)集上進(jìn)行了驗(yàn)證,并與單一的CNN、單一的LSTM算法在相同數(shù)據(jù)集上進(jìn)行比較,預(yù)測(cè)精度提高10%以上,證明了所提出算法的優(yōu)越性。 

【文章來(lái)源】：兵器裝備工程學(xué)報(bào). 2020,41(12)北大核心

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

一維卷積原理示意圖

圖2中，表示當(dāng)前臨時(shí)記憶單元，h(t)表示狀態(tài)輸出單元，i(t)表示輸入門，o(t)表示輸出門，f(t)表示遺忘門。設(shè)輸入時(shí)間序列為x(t)，為當(dāng)前時(shí)刻，則各個(gè)控制門限的狀態(tài)可用下面公式來(lái)表示。當(dāng)前時(shí)刻臨時(shí)記憶單元:

為了提高深度學(xué)習(xí)模型的預(yù)測(cè)準(zhǔn)確度，需要在模型構(gòu)建之前確認(rèn)樣本輸入大小。復(fù)雜系統(tǒng)設(shè)備產(chǎn)生的故障數(shù)據(jù)往往是時(shí)間序列的，而研究基于剩余壽命預(yù)測(cè)的多變量時(shí)間序列的問(wèn)題與研究在單個(gè)時(shí)間步長(zhǎng)內(nèi)多變量數(shù)據(jù)值相比，通常能從多變量時(shí)間序列數(shù)據(jù)中獲取更多信息。時(shí)間序列處理具有更大的潛力，可以提供更好的預(yù)測(cè)性能。本文采用時(shí)間窗口進(jìn)行數(shù)據(jù)準(zhǔn)備以處理多變量時(shí)間信息。如圖3所示，不同傳感器監(jiān)測(cè)的傳感器數(shù)據(jù)代表不同的特征，把設(shè)備多個(gè)傳感器值作為網(wǎng)絡(luò)的輸入并利用滑動(dòng)窗口來(lái)構(gòu)建DCNN-LSTM模型的訓(xùn)練樣本。輸入形式為(batch＿size,time＿step,feature＿nums)，分別表示訓(xùn)練過(guò)程中批處理的樣本數(shù)量、時(shí)間序列長(zhǎng)度、特征維度。時(shí)間窗口的長(zhǎng)度為DCNN-LSTM模型的時(shí)間步長(zhǎng)time＿step，窗口的高度為傳感器維數(shù)n，窗口以n*time＿step的大小沿著時(shí)間軸滑動(dòng)，每滑動(dòng)一個(gè)時(shí)間步長(zhǎng)，就得到一個(gè)訓(xùn)練樣本。

【參考文獻(xiàn)】：
期刊論文
[1]基于PSO-BP神經(jīng)網(wǎng)絡(luò)的刀具壽命預(yù)測(cè)[J]. 王虎,劉佩松,葉潤(rùn)章,李陽(yáng),徐培嘉.  現(xiàn)代制造技術(shù)與裝備. 2017(11)
[2]基于改進(jìn)網(wǎng)格搜索法的支持向量機(jī)在氣體定量分析中的應(yīng)用[J]. 曲健,陳紅巖,劉文貞,李志彬,張兵,應(yīng)亞宏.  傳感技術(shù)學(xué)報(bào). 2015(05)

碩士論文
[1]基于機(jī)器學(xué)習(xí)的故障預(yù)測(cè)與健康管理（PHM）方法研究[D]. 李永亮.電子科技大學(xué) 2017
[2]基于機(jī)器學(xué)習(xí)方法的航天器在軌狀態(tài)異變趨勢(shì)預(yù)測(cè)算法研究[D]. 許寅.電子科技大學(xué) 2017



本文編號(hào)：3479183