發(fā)布時間：2020-05-20 10:26

【摘要】：滾動軸承作為眾多旋轉機械設備中的基礎部件之一,其運行狀態(tài)對設備安全可靠運行有著至關重要的作用。一旦發(fā)生故障,不僅造成巨大的經(jīng)濟損失,甚至會導致災難性人員傷亡。因此,準確地預測滾動軸承剩余使用壽命(RUL)可為預防性維修決策提供依據(jù),便于維修策略的制定,提高旋轉機械設備的可靠性和安全性,從而有效避免安全事故。為了充分挖掘滾動軸承原始振動信號所包含的軸承運行狀態(tài)信息,自主構建趨勢性量化健康指標,對滾動軸承的剩余使用壽命進行預測。論文提出一種結合卷積神經(jīng)網(wǎng)絡(CNN)和長短時記憶神經(jīng)網(wǎng)絡(LSTM)的滾動軸承剩余壽命預測方法。首先,為了能夠提高對滾動軸承振動信號的特征識別能力,獲取更多的有用信息,提取故障特征,提高模型的整體預測能力,論文對滾動軸承振動信號進行頻域預處理,使用快速傅里葉變換將原始振動信號轉化為頻域幅值信號。然后,將頻域幅值信號進行歸一化處理后作為CNN的輸入,運用CNN具有卷積、權值共享等特性,自主提取頻域幅值信號中的局部抽象信息,挖掘深層特征,避免傳統(tǒng)特征提取方法過于依賴專家經(jīng)驗的問題。最后,將深層特征輸入到LSTM網(wǎng)絡中,并根據(jù)壽命百分比,自主構建趨勢性量化健康指標,同時確定失效閾值。健康指標構建方法摒棄傳統(tǒng)特征提取和特征融合的思路,避免失效閾值不易確定問題,減少了人力資源消耗和時間成本的增加。同時,運用移動平均法進行平滑處理,消除局部振蕩,再利用多項式曲線擬合,預測未來失效時刻,實現(xiàn)滾動軸承RUL預測。實驗結果表明,所提方法構建的趨勢性量化健康指標在兩種故障模式下,都具有良好的單調(diào)趨勢性,預測結果能夠較好地接近真實壽命值。
【圖文】：

能方向優(yōu)勢突出。本章將從發(fā)展歷程、網(wǎng)絡與深度學習相關算法進行深入的研神經(jīng)網(wǎng)絡簡介人工神經(jīng)網(wǎng)絡也稱為神經(jīng)網(wǎng)絡，是由大構成，模仿大腦神經(jīng)系統(tǒng)活動的特點，一種數(shù)學運算模型，該模型能夠模擬大的復雜程度，可以做到并行分布處理復能力等特征。神經(jīng)網(wǎng)絡能夠進行特定的估計和信號處理等領域[42]。1 神經(jīng)元模型神經(jīng)網(wǎng)絡以神經(jīng)元作為基本單元，類似多輸入單輸出結構。其每個神經(jīng)元都代之間的連接表示連接信號的權值。其具

圖 2-6 神經(jīng)網(wǎng)絡拓撲結構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值，wjk表示隱藏層 z 到輸數(shù)分別用 f1( )和 f2( )進行表示，隱如式（2-9）和（2-10）所示。zfvxkqnikkii(),1,2,...,01 yfwzjqkjjkk(),1,2,...,02 個數(shù)為 P，，則由輸出層節(jié)點計算得 tpj，則對應的誤差為： mjpjppjEty12()21數(shù)據(jù) P，全局的誤差為：
【學位授予單位】：哈爾濱理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TH133.33

【相似文獻】

相關期刊論文 前10條

1 陳亮;王震;王剛;;深度學習框架下LSTM網(wǎng)絡在短期電力負荷預測中的應用[J];電力信息與通信技術;2017年05期

2 王國棟;韓斌;孫文峗;;基于LSTM的艦船運動姿態(tài)短期預測[J];艦船科學技術;2017年13期

3 周生強;;LSTM對上證指數(shù)的實證分析[J];現(xiàn)代經(jīng)濟信息;2017年09期

4 關鵬飛;李寶安;呂學強;周建設;;注意力增強的雙向LSTM情感分析[J];中文信息學報;2019年02期

5 杜舒靜;徐凡;王明文;;實體驅動的雙向LSTM篇章連貫性建模[J];中文信息學報;2017年06期

6 保羅;郭旭琦;喬鐵柱;閻高偉;;改進LSTM神經(jīng)網(wǎng)絡在磨機負荷參數(shù)軟測量中的應用[J];中國礦山工程;2017年03期

7 季學武;費聰;何祥坤;劉玉龍;劉亞輝;;基于LSTM網(wǎng)絡的駕駛意圖識別及車輛軌跡預測[J];中國公路學報;2019年06期

8 陳卓;孫龍祥;;基于深度學習LSTM網(wǎng)絡的短期電力負荷預測方法[J];電子技術;2018年01期

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

10 李珍珍;吳群;;基于LSTM神經(jīng)網(wǎng)絡的股票預測算法研究[J];福建電腦;2019年07期

相關會議論文 前9條

1 蔣振超;鄧永;姜青山;古亮;;一種基于兩階段字符級LSTM的僵尸網(wǎng)絡檢測方法[A];第32次全國計算機安全學術交流會論文集[C];2017年

2 李鵬程;孫敏;龐溟舟;;基于LSTM神經(jīng)網(wǎng)絡的公交到站時間預測[A];第37屆中國控制會議論文集（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的軍事命名實體識別和鏈接[A];第六屆中國指揮控制大會論文集（上冊）[C];2018年

4 安鵬;曹丹平;;基于LSTM循環(huán)神經(jīng)網(wǎng)絡的孔隙度預測方法研究[A];2018年中國地球科學聯(lián)合學術年會論文集（二十九）——專題59：計算地球物理方法和應用、專題60：地熱資源成因新理論與綜合探測新技術[C];2018年

5 劉天鵬;劉海;;基于LSTM的城市道路養(yǎng)護投訴量預測研究[A];中國公路學會養(yǎng)護與管理分會第九屆學術年會論文集[C];2019年

6 梅杰;;基于LSTM神經(jīng)網(wǎng)絡的有效停車泊位短時預測方法研究[A];創(chuàng)新驅動與智慧發(fā)展——2018年中國城市交通規(guī)劃年會論文集[C];2018年

7 張宇;張鵬遠;顏永紅;;基于注意力LSTM和多任務學習的遠場語音識別[A];第十四屆全國人機語音通訊學術會議（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];第十四屆全國人機語音通訊學術會議（NCMMSC’2017）論文集[C];2017年

9 賈磊;;LSTM建模和CTC訓練在語音建模技術中的應用[A];第十三屆全國人機語音通訊學術會議(NCMMSC2015)論文集[C];2015年

相關碩士學位論文 前10條

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

2 肖爽;基于LSTM的無人駕駛有軌電車安全評測方法研究[D];西安理工大學;2019年

3 李少鵬;結合CNN和LSTM的滾動軸承剩余使用壽命預測方法研究[D];哈爾濱理工大學;2019年

4 甄遠濤;基于深度學習LSTM神經(jīng)網(wǎng)絡的障礙可轉債設計與定價[D];蘭州財經(jīng)大學;2019年

5 杜心;基于LSTM神經(jīng)網(wǎng)絡的可用停車位預測模型研究[D];武漢理工大學;2018年

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

7 閆澤杭;基于互助雙向LSTM與遞進解碼機制的圖像標題生成[D];大連理工大學;2018年

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

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

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

本文編號：2672478