基于BiLSTM的滾動軸承剩余使用壽命預測
【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
本文鏈接:http://sikaile.net/kejilunwen/jixiegongcheng/2894267.html