【摘要】：滾動(dòng)軸承作為眾多旋轉(zhuǎn)機(jī)械設(shè)備中的基礎(chǔ)部件之一,其運(yùn)行狀態(tài)對(duì)設(shè)備安全可靠運(yùn)行有著至關(guān)重要的作用。一旦發(fā)生故障,不僅造成巨大的經(jīng)濟(jì)損失,甚至?xí)䦟?dǎo)致災(zāi)難性人員傷亡。因此,準(zhǔn)確地預(yù)測(cè)滾動(dòng)軸承剩余使用壽命(RUL)可為預(yù)防性維修決策提供依據(jù),便于維修策略的制定,提高旋轉(zhuǎn)機(jī)械設(shè)備的可靠性和安全性,從而有效避免安全事故。為了充分挖掘滾動(dòng)軸承原始振動(dòng)信號(hào)所包含的軸承運(yùn)行狀態(tài)信息,自主構(gòu)建趨勢(shì)性量化健康指標(biāo),對(duì)滾動(dòng)軸承的剩余使用壽命進(jìn)行預(yù)測(cè)。論文提出一種結(jié)合卷積神經(jīng)網(wǎng)絡(luò)(CNN)和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)的滾動(dòng)軸承剩余壽命預(yù)測(cè)方法。首先,為了能夠提高對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的特征識(shí)別能力,獲取更多的有用信息,提取故障特征,提高模型的整體預(yù)測(cè)能力,論文對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行頻域預(yù)處理,使用快速傅里葉變換將原始振動(dòng)信號(hào)轉(zhuǎn)化為頻域幅值信號(hào)。然后,將頻域幅值信號(hào)進(jìn)行歸一化處理后作為CNN的輸入,運(yùn)用CNN具有卷積、權(quán)值共享等特性,自主提取頻域幅值信號(hào)中的局部抽象信息,挖掘深層特征,避免傳統(tǒng)特征提取方法過(guò)于依賴專家經(jīng)驗(yàn)的問(wèn)題。最后,將深層特征輸入到LSTM網(wǎng)絡(luò)中,并根據(jù)壽命百分比,自主構(gòu)建趨勢(shì)性量化健康指標(biāo),同時(shí)確定失效閾值。健康指標(biāo)構(gòu)建方法摒棄傳統(tǒng)特征提取和特征融合的思路,避免失效閾值不易確定問(wèn)題,減少了人力資源消耗和時(shí)間成本的增加。同時(shí),運(yùn)用移動(dòng)平均法進(jìn)行平滑處理,消除局部振蕩,再利用多項(xiàng)式曲線擬合,預(yù)測(cè)未來(lái)失效時(shí)刻,實(shí)現(xiàn)滾動(dòng)軸承RUL預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,所提方法構(gòu)建的趨勢(shì)性量化健康指標(biāo)在兩種故障模式下,都具有良好的單調(diào)趨勢(shì)性,預(yù)測(cè)結(jié)果能夠較好地接近真實(shí)壽命值。
【圖文】：

能方向優(yōu)勢(shì)突出。本章將從發(fā)展歷程、網(wǎng)絡(luò)與深度學(xué)習(xí)相關(guān)算法進(jìn)行深入的研神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介人工神經(jīng)網(wǎng)絡(luò)也稱為神經(jīng)網(wǎng)絡(luò)，是由大構(gòu)成，模仿大腦神經(jīng)系統(tǒng)活動(dòng)的特點(diǎn)，一種數(shù)學(xué)運(yùn)算模型，該模型能夠模擬大的復(fù)雜程度，可以做到并行分布處理復(fù)能力等特征。神經(jīng)網(wǎng)絡(luò)能夠進(jìn)行特定的估計(jì)和信號(hào)處理等領(lǐng)域[42]。1 神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)以神經(jīng)元作為基本單元，類似多輸入單輸出結(jié)構(gòu)。其每個(gè)神經(jīng)元都代之間的連接表示連接信號(hào)的權(quán)值。其具

圖 2-6 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig. 2-6 Topology diagram of neural netw，輸入向量為 x=(x1,x2,…,xn)，輸出到隱藏層及隱藏層到輸出層之間連接權(quán)值，wjk表示隱藏層 z 到輸數(shù)分別用 f1( )和 f2( )進(jìn)行表示，隱如式（2-9）和（2-10）所示。zfvxkqnikkii(),1,2,...,01 yfwzjqkjjkk(),1,2,...,02 個(gè)數(shù)為 P，，則由輸出層節(jié)點(diǎn)計(jì)算得 tpj，則對(duì)應(yīng)的誤差為： mjpjppjEty12()21數(shù)據(jù) P，全局的誤差為：
【學(xué)位授予單位】：哈爾濱理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 陳亮;王震;王剛;;深度學(xué)習(xí)框架下LSTM網(wǎng)絡(luò)在短期電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J];電力信息與通信技術(shù);2017年05期

2 王國(guó)棟;韓斌;孫文峗;;基于LSTM的艦船運(yùn)動(dòng)姿態(tài)短期預(yù)測(cè)[J];艦船科學(xué)技術(shù);2017年13期

3 周生強(qiáng);;LSTM對(duì)上證指數(shù)的實(shí)證分析[J];現(xiàn)代經(jīng)濟(jì)信息;2017年09期

4 關(guān)鵬飛;李寶安;呂學(xué)強(qiáng);周建設(shè);;注意力增強(qiáng)的雙向LSTM情感分析[J];中文信息學(xué)報(bào);2019年02期

5 杜舒靜;徐凡;王明文;;實(shí)體驅(qū)動(dòng)的雙向LSTM篇章連貫性建模[J];中文信息學(xué)報(bào);2017年06期

6 保羅;郭旭琦;喬鐵柱;閻高偉;;改進(jìn)LSTM神經(jīng)網(wǎng)絡(luò)在磨機(jī)負(fù)荷參數(shù)軟測(cè)量中的應(yīng)用[J];中國(guó)礦山工程;2017年03期

7 季學(xué)武;費(fèi)聰;何祥坤;劉玉龍;劉亞輝;;基于LSTM網(wǎng)絡(luò)的駕駛意圖識(shí)別及車輛軌跡預(yù)測(cè)[J];中國(guó)公路學(xué)報(bào);2019年06期

8 陳卓;孫龍祥;;基于深度學(xué)習(xí)LSTM網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)方法[J];電子技術(shù);2018年01期

9 何立健;林穗;翁海瑞;;基于LSTM的圖像生成詩(shī)歌模型[J];信息技術(shù)與網(wǎng)絡(luò)安全;2019年04期

10 李珍珍;吳群;;基于LSTM神經(jīng)網(wǎng)絡(luò)的股票預(yù)測(cè)算法研究[J];福建電腦;2019年07期

相關(guān)會(huì)議論文 前9條

1 蔣振超;鄧永;姜青山;古亮;;一種基于兩階段字符級(jí)LSTM的僵尸網(wǎng)絡(luò)檢測(cè)方法[A];第32次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2017年

2 李鵬程;孫敏;龐溟舟;;基于LSTM神經(jīng)網(wǎng)絡(luò)的公交到站時(shí)間預(yù)測(cè)[A];第37屆中國(guó)控制會(huì)議論文集（F）[C];2018年

3 朱佳暉;張文峰;劉衛(wèi)平;張超;陳淵;;基于雙向LSTM和CRF的軍事命名實(shí)體識(shí)別和鏈接[A];第六屆中國(guó)指揮控制大會(huì)論文集（上冊(cè)）[C];2018年

4 安鵬;曹丹平;;基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的孔隙度預(yù)測(cè)方法研究[A];2018年中國(guó)地球科學(xué)聯(lián)合學(xué)術(shù)年會(huì)論文集（二十九）——專題59：計(jì)算地球物理方法和應(yīng)用、專題60：地?zé)豳Y源成因新理論與綜合探測(cè)新技術(shù)[C];2018年

5 劉天鵬;劉海;;基于LSTM的城市道路養(yǎng)護(hù)投訴量預(yù)測(cè)研究[A];中國(guó)公路學(xué)會(huì)養(yǎng)護(hù)與管理分會(huì)第九屆學(xué)術(shù)年會(huì)論文集[C];2019年

6 梅杰;;基于LSTM神經(jīng)網(wǎng)絡(luò)的有效停車泊位短時(shí)預(yù)測(cè)方法研究[A];創(chuàng)新驅(qū)動(dòng)與智慧發(fā)展——2018年中國(guó)城市交通規(guī)劃年會(huì)論文集[C];2018年

7 張宇;張鵬遠(yuǎn);顏永紅;;基于注意力LSTM和多任務(wù)學(xué)習(xí)的遠(yuǎn)場(chǎng)語(yǔ)音識(shí)別[A];第十四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議（NCMMSC’2017）論文集[C];2017年

8 牛溥華;高帆;張雪英;;基于DNN-LSTM的VAD算法[A];第十四屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議（NCMMSC’2017）論文集[C];2017年

9 賈磊;;LSTM建模和CTC訓(xùn)練在語(yǔ)音建模技術(shù)中的應(yīng)用[A];第十三屆全國(guó)人機(jī)語(yǔ)音通訊學(xué)術(shù)會(huì)議(NCMMSC2015)論文集[C];2015年

相關(guān)碩士學(xué)位論文 前10條

1 馬藝翔;深度學(xué)習(xí)在多因子選股交易中的應(yīng)用研究[D];北方工業(yè)大學(xué);2019年

2 肖爽;基于LSTM的無(wú)人駕駛有軌電車安全評(píng)測(cè)方法研究[D];西安理工大學(xué);2019年

3 李少鵬;結(jié)合CNN和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D];哈爾濱理工大學(xué);2019年

4 甄遠(yuǎn)濤;基于深度學(xué)習(xí)LSTM神經(jīng)網(wǎng)絡(luò)的障礙可轉(zhuǎn)債設(shè)計(jì)與定價(jià)[D];蘭州財(cái)經(jīng)大學(xué);2019年

5 杜心;基于LSTM神經(jīng)網(wǎng)絡(luò)的可用停車位預(yù)測(cè)模型研究[D];武漢理工大學(xué);2018年

6 李永帥;基于雙向LSTM的動(dòng)態(tài)情感詞典構(gòu)建方法研究及文本情感分析[D];鄭州大學(xué);2019年

7 閆澤杭;基于互助雙向LSTM與遞進(jìn)解碼機(jī)制的圖像標(biāo)題生成[D];大連理工大學(xué);2018年

8 鄧楠;基于LSTM的汽車評(píng)論文本分類研究與應(yīng)用[D];合肥工業(yè)大學(xué);2018年

9 陳帆;基于LSTM情感分析模型的微博謠言識(shí)別方法研究[D];華中師范大學(xué);2018年

10 劉婉婉;基于LSTM神經(jīng)網(wǎng)絡(luò)的蒙漢機(jī)器翻譯的研究[D];內(nèi)蒙古工業(yè)大學(xué);2018年

本文編號(hào)：2672478