10.13465/j.cnki.jvs.2021.23.002
基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测
为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network,TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network,DTCN).该模型借鉴Dense-Net网络巾的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders,CAE)与隐马尔可夫模型(hidden Markov model,HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory,LSTM)、门控循环单元网络(gated recurrent unit,GRU)等对比.结果 表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务.
回转支承;密集时间卷积网络(DTCN);卷积自编码网络(CAE);退化趋势预测
40
TH17
国家重点研发计划2019YFB2005005
2021-12-27(万方平台首次上网日期,不代表论文的发表时间)
共8页
9-16