针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM...针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。展开更多
为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑...为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑SA)用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM‑SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self‑Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Standard‑RNN和CNN方法降低了39.58%和74.86%。展开更多
文摘针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。
文摘为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑SA)用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM‑SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self‑Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Standard‑RNN和CNN方法降低了39.58%和74.86%。
