10.16385/j.cnki.issn.1004-4523.2021.02.022
Bi⁃LSTM神经网络用于轴承剩余使用寿命预测研究
为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征.提出了一种基于双向长短时记忆网络(Bi?directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测.此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi?LSTM网络进行训练,使得模型接收连续数据而不是分段的数据.最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE?Bi?LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力.
故障诊断、滚动轴承、Bi-LSTM网络、多传感器样本、变长度输入
34
TH165+.3;TH133.33;TN911.7
陕西省自然科学基础研究计划;中央高校基本科研业务费专项;装备预研项目
2021-05-31(万方平台首次上网日期,不代表论文的发表时间)
共10页
411-420