滾動軸承是重要的機械標準件,在機器中被大量使用,但軸承本身易出故障且比不易排查,預估軸承剩余使用壽命,能夠提前對軸承開展有效的維護保養(yǎng),保障機器的正常運行,因此,滾動軸承的剩余使用壽命有非常大的研究價值。針對滾動軸承開展研究,首先對傳感器采集到的軸承振動信號計算時域特征,作為輸入特征值,并預設壽命退化值,然后使用雙向長短期記憶神經(jīng)網(wǎng)絡BiLSTM建立軸承退化模型,并根據(jù)模型擬合出軸承的剩余壽命曲線。通過在公開數(shù)據(jù)集上進行驗證,基于BiLSTM的模型能準確預測出軸承的剩余使用壽命。
【部分圖文】：

RNN稱為循環(huán)神經(jīng)網(wǎng)絡，其每一個隱層的輸出都會傳遞到下一層，作為下一層的輸入信息，因此具有短期記憶功能。但RNN因梯度消失問題不適用于訓練長文本。LSTM稱為長短期記憶神經(jīng)網(wǎng)絡，它在RNN的基礎上增加了新的細胞狀態(tài)和三種門結構[8]，細胞狀態(tài)負責保存信息，sigmoid、tanh等激活函數(shù)以及點乘操作等內容共同組成門結構，其網(wǎng)絡結構如圖1所示。LSTM工作步驟如下：

研究發(fā)現(xiàn)，時域特征可以反映系統(tǒng)整體健康狀況[10]，常用于設備故障監(jiān)測和趨勢預測。常見的時域特征指標包括均方根值、偏斜度、峰度等，用時域特征分析軸承的振動信號數(shù)據(jù)，發(fā)現(xiàn)在軸承退化后期，均方根、峰度等均呈現(xiàn)了較大的波動，如圖2所示�？紤]到復雜工況下，單個時域特征對軸承剩余壽命影響有限，因此本文綜合選取均值、峰值、偏斜度、均方根值、峰度、最大最小值、峰峰值、方差、標準差10個時域特征指標作為模型的輸入特征。

實驗設置前901個序列為訓練樣本，用來訓練軸承退化模型，后70個為測試樣本，用來測試該軸承在對應狀態(tài)時的退化值是否準確。模型設置兩個BiLSTM層，一個全連接層，圖3列出了模型的網(wǎng)絡結構：實驗采用Linear作為線性激活函數(shù)，RMSProp作為優(yōu)化器，使用均方誤差（MSE）來評估網(wǎng)絡性能，為避免過擬合，每層BiLSTM網(wǎng)絡后都設置了dropout。實驗采用批處理方式進行訓練，其中每批數(shù)據(jù)大小為30，設置最多迭代100次，10次迭代后訓練效果沒有改善立即停止訓練。
【相似文獻】

相關期刊論文 前10條

1 郝俊虎;胡毅;崔寧寧;韓豐羽;徐崇良;;GRU-BP在數(shù)字化車間關鍵部件壽命預測中的研究[J];小型微型計算機系統(tǒng);2020年03期

2 閻旭坤;張星輝;鄭浩;;基于SVM-GA的剩余使用壽命預測方法研究[J];價值工程;2013年31期

3 張星輝;康建設;趙勁松;肖雷;曹端超;劉浩;;基于混合高斯輸出貝葉斯信念網(wǎng)絡模型的設備退化狀態(tài)識別與剩余使用壽命預測方法研究[J];振動與沖擊;2014年08期

4 張星輝;康建設;高存明;曹端超;滕紅智;;基于MoG-HMM的齒輪箱狀態(tài)識別與剩余使用壽命預測研究[J];振動與沖擊;2013年15期

5 唐旭;徐衛(wèi)曉;譚繼文;王彥松;;基于LSTM的滾動軸承剩余使用壽命預測[J];機械設計;2019年S1期

6 劉小雍;熊中剛;閻昌國;;一種融合支持向量機-高階粒子濾波方法的機械剩余使用壽命預測[J];貴州大學學報(自然科學版);2018年05期

7 王太勇;王廷虎;王鵬;喬卉卉;徐明達;;基于注意力機制BiLSTM的設備智能故障診斷方法[J];天津大學學報(自然科學與工程技術版);2020年06期

8 蔣云鵬;郭天序;周東華;;基于剩余使用壽命預測的替換時間和備件訂購時間聯(lián)合決策[J];化工學報;2015年01期

9 武兵;林健;熊曉燕;;基于支持向量回歸的多參數(shù)設備故障預測方法[J];振動.測試與診斷;2012年05期

10 王德巖;黃毅;褚建林;孫越鵬;;潤滑劑剩余使用壽命評定技術的研究[J];潤滑與密封;2006年02期

相關碩士學位論文 前5條

1 夏鄧成;基于LSSVR-HSMM的滾動軸承剩余使用壽命預測研究[D];華中科技大學;2019年

2 高山;變工況滾動軸承剩余使用壽命研究[D];鄭州大學;2019年

3 周裕華;滾動軸承的性能退化評估與剩余使用壽命預測方法的研究[D];華南理工大學;2018年

4 胡龍飛;基于深度學習的滾動軸承壽命預測[D];西南交通大學;2019年

5 韓寧;基于統(tǒng)計分析的剩余壽命模型和預測[D];西安電子科技大學;2014年

本文編號：2894267