設(shè)備運(yùn)行數(shù)據(jù)蘊(yùn)含了大量的狀態(tài)退化信息,利用狀態(tài)退化信息對(duì)設(shè)備進(jìn)行剩余壽命預(yù)測(cè),可以為預(yù)測(cè)性維修提供重要的依據(jù)。針對(duì)監(jiān)測(cè)過(guò)程中接收到表征設(shè)備退化的大量數(shù)據(jù),提出一種改進(jìn)的基于記憶機(jī)理循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)剩余壽命預(yù)測(cè)模型。該模型利用隨機(jī)搜索選擇模型超參數(shù),采用加入動(dòng)量考慮的隨機(jī)梯度下降算法優(yōu)化模型參數(shù),防止陷入局部最優(yōu),從而提高剩余壽命預(yù)測(cè)模型的預(yù)測(cè)精度。通過(guò)齒輪彎曲疲勞試驗(yàn),驗(yàn)證了該模型剩余壽命預(yù)測(cè)的準(zhǔn)確性。 

【文章來(lái)源】：太原科技大學(xué)學(xué)報(bào). 2020,41(05)

【文章頁(yè)數(shù)】：7 頁(yè)

【文章目錄】：
1 長(zhǎng)短時(shí)期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)
    1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
    1.2 長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)
2 改進(jìn)的基于記憶機(jī)理循環(huán)神經(jīng)網(wǎng)絡(luò)LSTM預(yù)測(cè)模型的參數(shù)優(yōu)選
    2.1 動(dòng)量參數(shù)優(yōu)化
    2.2 自適應(yīng)學(xué)習(xí)率算法
    2.3 選擇超參數(shù)
3 實(shí)例驗(yàn)證
    3.1 疲勞試驗(yàn)臺(tái)架
    3.2 特征提取
    3.3 數(shù)據(jù)預(yù)測(cè)
4 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的故障時(shí)間序列預(yù)測(cè)[J]. 王鑫,吳際,劉超,楊海燕,杜艷麗,牛文生.  北京航空航天大學(xué)學(xué)報(bào). 2018(04)
[2]多參數(shù)相似性信息融合的剩余壽命預(yù)測(cè)[J]. 梁澤明,姜洪權(quán),周秉直,高建民,高智勇,王榮喜,姜朋.  計(jì)算機(jī)集成制造系統(tǒng). 2018(04)
[3]基于長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械狀態(tài)預(yù)測(cè)研究[J]. 趙建鵬,周俊.  噪聲與振動(dòng)控制. 2017(04)
[4]基于S變換譜核密度估計(jì)的齒輪故障診斷[J]. 郭遠(yuǎn)晶,魏燕定,金曉航,楊友東.  儀器儀表學(xué)報(bào). 2017(06)
[5]基于時(shí)間序列ARMA模型的振動(dòng)故障預(yù)測(cè)[J]. 劉穎,嚴(yán)軍.  化工自動(dòng)化及儀表. 2011(07)



本文編號(hào)：3160773