CN111931625A - 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 - Google Patents
基于非对称损失神经网络的产品关键零件剩余寿命预测方法 Download PDFInfo
- Publication number
- CN111931625A CN111931625A CN202010767530.4A CN202010767530A CN111931625A CN 111931625 A CN111931625 A CN 111931625A CN 202010767530 A CN202010767530 A CN 202010767530A CN 111931625 A CN111931625 A CN 111931625A
- Authority
- CN
- China
- Prior art keywords
- time
- data
- training
- service life
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Signal Processing (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法。在机械产品关键零件上安装加速度传感器,通过加速度传感器记录零件的振动信号数据;对振动信号数据进行预处理得到训练数据样本;建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;在训练预测模型的过程中采用一种非对称的损失函数进行训练,在零件实际使用过程中获取测试数据,并将测试数据输入训练好的预测模型中实时预测零件的剩余使用寿命。本发明采用非对称损失函数训练预测模型,当出现预测寿命大于真实寿命这种危险情况时,加大惩罚力度,从而使预测模型在工业生产的应用中更加安全。
Description
技术领域
本发明涉及了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,属于机械零件剩余使用寿命预测领域。
背景技术
机械产品关键零件如齿轮、轴承等在现代制造业中的应用十分广泛,大量机械系统的故障与关键零件性能的下降有关。关键零件的工作状态对于机械系统的安全性、可靠性和有效性具有重要意义。剩余使用寿命预测技术可以帮助用户监视关键零件的工作状态,并估计零件发生故障之前剩余的时间,从而可以及时对零件进行维护与更换,避免机械系统故障的发生。因此,对机械产品关键零件剩余使用寿命预测方法的研究是很有意义的。
在机械产品关键零件工作过程中,其振动信号包含了丰富的与零件性能有关的信息,因此可以通过使用传感器获取零件工作过程中的振动信号并对获得的信号进行分析与处理来实现对零件剩余使用寿命的预测。
卷积自编码技术可以在充分保留二维局部信息的同时进行降维,降低数据规模、提高信噪比,有利于进一步的数据分析,目前在图像语义分割领域取得了很好的效果。
深层神经网络可以在缺乏先验知识的条件下,从数据中学习输入到输出的映射关系,在数据挖掘领域取得了很好的效果。双向长短时记忆网络可以有效地捕捉序列数据中每个数据对前后两个方向上数据的长期依赖关系,适合处理一维时域特征数据。卷积神经网络可以有效提取以图像为代表的二维数据的局部特征,适合处理二维时频域特征。自注意力机制能够学习不同输入数据之间的关联程度,捕捉不同特征对于预测结果的重要程度,在机器翻译领域取得了非常好的效果。
损失函数的选择对于神经网络的训练过程起到决定性的作用。一方面,它承担着使模型的预测值接近真实值的任务,另一方面,也可以通过损失函数的设置给模型施加某种约束或限制,人为地使模型具备某种特定的倾向。
在目前的基于深层神经网络的机械产品关键零件剩余使用寿命预测技术中,通常只考虑到使预测寿命接近真实寿命,而没有考虑到在真实的工业应用中,当零件的预测寿命大于其真实寿命时,导致管理人员错误地乐观估计了零件的寿命,而容易造成零件故障等危险的后果。因此现有技术缺少了一种既能使零件的预测寿命接近真实寿命,又能尽量减少预测寿命大于真实寿命这一危险情况。
发明内容
为了解决背景技术中存在的问题,本发明提出了一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,既有效又安全地预测剩余使用寿命。该方法从零件工作过程中产生的振动信号中提取时域信息与时频域信息,并采用卷积自编码技术在保留时频域信息的同时降低了时频域特征的数据规模;分别采用双向长短时记忆网络和卷积神经网络来处理时域特征与时频域特征,并采用自注意力机制对两种特征的处理结果进行融合;在训练的过程中采用一种非对称的损失函数,在保证预测模型有效性的同时提升了预测模型在工业应用中的安全性,可应用于实际工业生产中的机械产品关键零件剩余使用寿命预测中。
为实现上述功能,本发明的技术方案具体包括以下技术步骤:
S1.在机械产品关键零件上安装加速度传感器,在零件运行过程中通过加速度传感器记录零件的振动信号数据,并记录零件运行的时间,直至零件损坏;
S2.对机械产品关键零件运行中获得的振动信号数据进行预处理,得到训练数据样本,包括一维时域特征数据与二维时频域特征数据;
S3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;
S4.将处理好的训练数据样本和已知的剩余使用寿命标签输入预测模型中训练预测模型,在训练的过程中采用一种非对称的损失函数进行训练,以提升预测模型的安全性能;
S5.在同种零件工作的过程中使用与S1、S2中相同的方法采集振动信号数据并进行数据预处理,得到测试数据;
S6.将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。
本发明针对的机械产品关键零件是指在机械产品中使用起到传动或者传动连接的零件,例如轴承、齿轮等。
所述步骤S2具体如下:
S21.对在机械产品关键零件运行过程中获得的振动信号数据进行降采样,将每次采样的数据沿时间维度平均分为N组,计算每组数据的最大值、方均根、方差和峰峰值共四种特征;
S22.从降采样后的数据提取时域特征:将四种特征在特征维度上进行拼接,由同一时间点的四种特征组成一维向量作为该时间点的时域特征;
S23.从降采样后的数据提取时频域特征:从步骤S22得到的长度为N的一维时域数据提取出方均根特征的部分进行小波变换,转化为N×N的二维时频域特征;
S24.采用卷积自编码技术对时频域数据进行降维:构建卷积自编码器,卷积自编码器包括编码器和解码器;先构建编码器,采用两层卷积神经网络与两层最大池化层交替连接构成,在充分保留时频域信息的条件下,将二维时频域特征的维度缩小为原来的四分之一,即(N/4)×(N/4);再构建解码器,采用两层卷积神经网络与两层上采样层交替连接构成,将编码器输出的编码后的二维时频域特征放大四倍,即恢复为原来的尺寸;然后通过训练卷积自编码器使得编码器的输入与解码器的输出之间的损失最小化;训练结束后,仅采用编码器对二维时频域特征进行处理,输出(N/4)×(N/4)的二维特征作为降维后的时频域特征。
所述步骤S3具体如下:
构建并行多特征深层神经网络,输入为S2中得到的一维时域特征与二维时频域特征,输出为零件的剩余使用寿命;并行多特征深层神经网络包括两层双向长短时记忆网络和四层卷积神经网络:
对于一维时域特征,输入到两层连续的双向长短时记忆网络进行处理,输出时域中间特征;对于二维时频域特征,输入到四层连续的卷积神经网络进行处理,输出时频域中间特征;采用自注意力机制对时域中间特征和时频域中间特征进行加权,训练学习两种特征对预测结果的不同权重;最后采用三层全连接网络对于加权后的结果进行回归,最终得到零件的剩余使用寿命预测值。
所述步骤S4具体如下:
在并行多特征深层神经网络的训练过程中,建立以下损失函数:
其中,loss()为损失函数,ytrue为训练样本剩余使用寿命的真实值,ypredict为训练样本剩余使用寿命的预测值,N为训练样本的数量,为第i个训练样本的剩余使用寿命的真实值,为第i个训练样本的剩余使用寿命的预测值,λ为正则化因子,用来调节对危险结果的惩罚力度,使模型更加灵活,max()为最大值函数;
训练样本是指一维时域特征和二维时频域特征。
本发明损失函数的第一项是对称误差项,即当真实值大于预测值和真实值小于预测值时,惩罚尺度一致,该项的目的是使预测值接近真实值;第二项是非对称误差项,即当预测值大于真实值时给予惩罚,当预测值小于真实值时不给予惩罚。
由于在工业生产中,当对机械产品关键零件剩余使用寿命的预测值大于真实值时,是十分危险的,因此第二项的目的是在训练过程中对于这种可能导致危险的情况给予更大的惩罚,从而使预测模型在工业生产中的应用更加安全。
本发明采用多特征并行深层神经网络充分挖掘了零件工作过程中产生的振动信号与零件剩余使用寿命之间的关系。创新性地采用卷积自编码技术处理时频域特征,在保留时频域信息的同时降低了时频域特征的数据规模,提高了信噪比,提高了神经网络训练的效率;创新性地在训练的过程中采用一种非对称的损失函数,在保证预测模型有效性的同时提升了预测模型在工业应用中的安全性,可应用于实际工业生产中的机械产品关键零件剩余使用寿命预测中。
本发明在预测模型的训练过程中采用了一种非对称的损失函数。该损失函数的第一项是对称项,旨在使预测寿命接近真实寿命;而第二项是非对称项,仅当预测值大于真实值时给予额外的惩罚。通过这种非对称的损失函数,既能使预测模型的预测值接近真实值,又能尽可能地减少预测寿命大于真实寿命这种危险的情况。
与现有的技术与方法相比,本发明具有以下优势:
当前的机械产品关键零件剩余使用寿命预测技术通常只追求使预测寿命尽可能地接近真实寿命,从而使得预测寿命值均匀地分布在真实寿命值的两侧。然而,当预测寿命大于真实寿命时,会给工业设备管理人员一个错误的乐观信息而使其放任即将出现故障的零件继续工作,从而造成严重的后果。
本发明采用非对称损失函数训练预测模型,当出现预测寿命大于真实寿命这种危险情况时,加大惩罚力度,从而使预测模型在工业生产的应用中更加安全。相比于现有的技术,大大提升了预测模型在应用中的安全性能。
在机械零件剩余使用寿命预测领域,本发明首次提出了基于非对称损失神经网络的产品关键零件剩余寿命预测的方法,既能使零件的预测寿命接近真实寿命,又能尽量减少预测寿命大于真实寿命这一危险情况,该方法具有较好的创新性与实用性。
附图说明
图1为本发明具体步骤的流程示意图。
图2为本发明实例中采用的非对称损失函数示意图。
图3为本发明实例中实验结果剩余使用寿命预测对比图。
图4为本发明实例中实验结果传感器信号振幅图。
具体实施方式
下面结合附图和具体实例对本发明作进一步说明:
本发明具体实施例如下:
本实例使用了2012年PHM协会数据竞赛的比赛数据对本发明所提出的基于非对称损失的机械产品关键零件剩余使用寿命预测方法进行验证。
PHM2012数据集采用轴承作为机械产品关键零件建立实验平台,该平台包括旋转部分、退化产生部分和信号获取部分。旋转部分以电机驱动,使测试轴承处于不间断工作状态;为了加速轴承的退化,退化产生部分对工作中的轴承施加可控的径向载荷;信号获取部分将两个相互垂直的加速度传感器安装在测试轴承的关键位置,传感器的采样频率为25600Hz,每次采样时间为0.1s,即每次采样共采集2560组数据,采样间隔为10s,当收集到的振动信号的幅度超过一定水平,则认为该测试轴承损坏,停止测试。通过上述实验产生了三种工作状态下共包括6个轴承数据的训练数据集和共包括11个轴承数据的测试数据集。本实例采用PHM2012数据集中6个训练数据集作为训练数据构建预测模型,目标是在测试轴承运行后期能较为准确地预测其剩余使用寿命。
附图1展示了本发明方法的流程示意图。
具体实施方式为:
S1.对PHM2012数据集中的训练数据和测试数据进行预处理,得到训练数据样本,包括一维时域特征数据与两个方向上的二维时频域特征数据,并包含剩余使用寿命标签;
具体如下:
S11.对原始数据(x方向的振动信号与y方向的振动信号)进行降采样,将每次原始采样得到的2560组传感器数据沿时间维度平均分为128组,计算每组数据的最大值、方均根、方差和峰峰值共四种特征;
S12.从降采样后的数据提取时域特征:将四种特征在特征维度上进行拼接,即每一个时间点的时域特征为一个由八种特征组成的一维向量(包括x方向振动信号降采样得到了四种特征与y方向振动信号降采样得到的四种特征)。时域特征每个数据样本的维度为128×8;
S13.从降采样后的数据提取时频域特征:分别对S12中提取的x方向振动信号的方均根和y方向振动信号的方均根进行小波变换,得到x方向的128×128的二维时频域特征与y方向的128×128的二维时频域特征;
S14.采用卷积自编码对x方向和y方向的时频域数据进行降维:
再构建编码器,采用两层卷积神经网络与两层最大池化层交替连接构成,其中卷积核尺寸为3×3,池化过滤器尺寸为2×2,将二维时频域特征的维度缩小为原来的四分之一,即32×32;构建解码器,采用两层卷积神经网络与两层上采样层交替连接构成,其中卷积核尺寸为3×3,上采样过滤器尺寸为2×2,将编码器输出的编码后的二维时频域特征放大四倍,即恢复为原来的尺寸;然后通过训练自编码器使得编码器的输入与解码器的输出之间的损失最小化;训练结束后,仅采用编码器对二维时频域特征进行处理,输出即32×32的二维特征作为降维后的时频域特征。
S2.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;
具体如下:
构建并行多特征深层神经网络,输入为S1中得到的一维时域特征和两个方向上的二维时频域特征,输出为零件的剩余使用寿命。对于一维时域特征,使用两层双向长短时记忆网络进行处理,每层神经元数目均为50;对于二维时频域特征,使用四层卷积神经网络进行处理,卷积核尺寸均为3×3;采用自注意力机制对双向长短时记忆网络和卷积神经网络输出的上述两种特征进行加权,以学习两种特征对预测结果的不同权重;采用三层全连接网络对于加权后的结果进行回归,每层的神经元数目分别为200、200、1,最终得到零件的剩余使用寿命预测值。
S3.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型,在训练的过程中采用一种非对称的损失函数进行训练,以提升预测模型的安全性能;非对称的损失函数表示如下:
附图2展示了本发明所提出的非对称损失函数在不同正则化因子下的损失示意图。
S4.将PHM2012数据集中的测试数据集使用与S1中相同的方法进行数据预处理与降维,得到测试数据;
S5.将测试数据输入训练好的预测模型中实时预测轴承的剩余使用寿命。
附图3展示了使用本发明提出的基于非对称损失的机械产品关键零件剩余使用寿命预测方法在PHM2012测试数据集上的预测效果。
从附图4可以看出,当传感器信号的振幅在时间为1500秒左右突然变化时认为轴承开始出现性能退化,而对比图3可知采用本发明所提出的方法进行轴承剩余使用寿命预测可以准确地捕捉到这种突然出现的性能退化,并在该时刻后能较为准确地对轴承的剩余使用寿命进行预测。综上所述,本发明所提出的方法在机械零件剩余使用寿命预测领域具有有效性。
本实例使用了2012年PHM国际数据竞赛所使用的数据集。对数据进行了预处理;建立了并行多特征深层神经网络;采用非对称损失函数对预测模型进行了训练;将测试数据输入预测模型中,预测轴承的剩余使用寿命。实验结果表明,本发明提出的预测模型具有较好的效果。
本发明首次提出了使用非对称损失函数对机械产品关键零件的剩余使用寿命进行预测,并取得了不错的效果,可以被应用于机械产品关键零件的健康管理与维护中,具有创新性与实用性。
上述实例为本发明在2012年PHM国际数据大赛所使用的数据集上的一个应用实例,但本发明的具体实施不仅局限于上述实例。依照本发明原理和思路提出的相似方案,均应视为本发明专利的保护范围。
Claims (4)
1.一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,其特征在于,包括以下步骤:
S1.在机械产品关键零件上安装加速度传感器,在零件运行过程中通过加速度传感器记录零件的振动信号数据,并记录零件运行的时间,直至零件损坏;
S2.对机械产品关键零件运行中获得的振动信号数据进行预处理,得到训练数据样本,包括一维时域特征数据与二维时频域特征数据;
S3.建立并行多特征深层神经网络作为机械产品关键零件剩余使用寿命的预测模型;
S4.将处理好的训练数据样本和剩余使用寿命标签输入预测模型中训练预测模型,在训练的过程中采用一种非对称的损失函数进行训练,以提升预测模型的安全性能;
S5.在同种零件工作的过程中使用与S1、S2中相同的方法采集振动信号数据并进行数据预处理,得到测试数据;
S6.将测试数据输入训练好的预测模型中实时预测获得零件的剩余使用寿命。
2.根据权利要求1所述的一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,其特征在于:所述步骤S2具体如下:
S21.对在机械产品关键零件运行过程中获得的振动信号数据进行降采样,将每次采样的数据沿时间维度平均分为N组,计算每组数据的最大值、方均根、方差和峰峰值共四种特征;
S22.从降采样后的数据提取时域特征:将四种特征在特征维度上进行拼接,由同一时间点的四种特征组成一维向量作为该时间点的时域特征;
S23.从降采样后的数据提取时频域特征:从步骤S22得到的长度为N的一维时域数据提取出方均根特征的部分进行小波变换,转化为N×N的二维时频域特征;
S24.采用卷积自编码技术对时频域数据进行降维:构建卷积自编码器,卷积自编码器包括编码器和解码器;先构建编码器,采用两层卷积神经网络与两层最大池化层交替连接构成,将二维时频域特征的维度缩小为原来的四分之一,即(N/4)×(N/4);再构建解码器,采用两层卷积神经网络与两层上采样层交替连接构成,将编码器输出的编码后的二维时频域特征放大四倍,即恢复为原来的尺寸;然后通过训练卷积自编码器使得编码器的输入与解码器的输出之间的损失最小化;训练结束后,仅采用编码器对二维时频域特征进行处理,输出(N/4)×(N/4)的二维特征作为降维后的时频域特征。
3.根据权利要求1所述的一种基于非对称损失神经网络的产品关键零件剩余寿命预测方法,其特征在于:所述步骤S3具体如下:
构建并行多特征深层神经网络,输入为S2中得到的一维时域特征与二维时频域特征,输出为零件的剩余使用寿命;并行多特征深层神经网络包括两层双向长短时记忆网络和四层卷积神经网络:
对于一维时域特征,输入到两层连续的双向长短时记忆网络进行处理,输出时域中间特征;对于二维时频域特征,输入到四层连续的卷积神经网络进行处理,输出时频域中间特征;采用自注意力机制对时域中间特征和时频域中间特征进行加权,训练学习两种特征对预测结果的不同权重;最后采用三层全连接网络对于加权后的结果进行回归,最终得到零件的剩余使用寿命预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767530.4A CN111931625B (zh) | 2020-08-03 | 2020-08-03 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010767530.4A CN111931625B (zh) | 2020-08-03 | 2020-08-03 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931625A true CN111931625A (zh) | 2020-11-13 |
CN111931625B CN111931625B (zh) | 2022-07-19 |
Family
ID=73306355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010767530.4A Active CN111931625B (zh) | 2020-08-03 | 2020-08-03 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931625B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818870A (zh) * | 2021-02-03 | 2021-05-18 | 浙江大学 | 一种基于门控神经网络框架的轴承剩余寿命预测方法 |
CN113051769A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学 | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 |
CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
CN113343591A (zh) * | 2021-07-16 | 2021-09-03 | 浙江大学 | 基于自注意力网络的产品关键零件寿命端到端预测方法 |
CN113840190A (zh) * | 2021-11-10 | 2021-12-24 | 北京邮电大学 | 一种基于ann损失函数优化的光路传输质量预测方法 |
CN114235415A (zh) * | 2022-02-28 | 2022-03-25 | 浙江大学 | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
US20190304069A1 (en) * | 2018-03-29 | 2019-10-03 | Pixar | Denoising monte carlo renderings using neural networks with asymmetric loss |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
-
2020
- 2020-08-03 CN CN202010767530.4A patent/CN111931625B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190304069A1 (en) * | 2018-03-29 | 2019-10-03 | Pixar | Denoising monte carlo renderings using neural networks with asymmetric loss |
CN109522600A (zh) * | 2018-10-16 | 2019-03-26 | 浙江大学 | 基于组合深度神经网络的复杂装备剩余使用寿命预测方法 |
CN109460618A (zh) * | 2018-11-13 | 2019-03-12 | 华中科技大学 | 一种滚动轴承剩余寿命在线预测方法及系统 |
CN111062100A (zh) * | 2019-12-18 | 2020-04-24 | 北京航天智造科技发展有限公司 | 轴承剩余寿命预测模型建立方法及装置 |
Non-Patent Citations (3)
Title |
---|
DIVISH RENGASAMY,ET.AL,: "Asymmetric Loss Functions for Deep Learning Early Predictions of Remaining Useful Life in Aerospace Gas Turbine Engines", 《2020 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
葛阳等: "基于t-SNE和LSTM的旋转机械剩余寿命预测", 《振动与冲击》 * |
裴洪等: "基于机器学习的设备剩余寿命预测方法综述", 《机械工程学报》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112818870A (zh) * | 2021-02-03 | 2021-05-18 | 浙江大学 | 一种基于门控神经网络框架的轴承剩余寿命预测方法 |
CN113051769A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学 | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 |
CN113051769B (zh) * | 2021-04-09 | 2022-09-30 | 中南大学 | 基于非对称损失与混合智能优化算法的功率曲线建模方法 |
CN113313198A (zh) * | 2021-06-21 | 2021-08-27 | 西北工业大学 | 一种基于多尺度卷积神经网络的刀具磨损预测方法 |
CN113343591A (zh) * | 2021-07-16 | 2021-09-03 | 浙江大学 | 基于自注意力网络的产品关键零件寿命端到端预测方法 |
CN113343591B (zh) * | 2021-07-16 | 2022-05-03 | 浙江大学 | 基于自注意力网络的产品关键零件寿命端到端预测方法 |
CN113840190A (zh) * | 2021-11-10 | 2021-12-24 | 北京邮电大学 | 一种基于ann损失函数优化的光路传输质量预测方法 |
CN114235415A (zh) * | 2022-02-28 | 2022-03-25 | 浙江大学 | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 |
CN114235415B (zh) * | 2022-02-28 | 2022-06-03 | 浙江大学 | 基于神经网络的风力发电机变桨轴承故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111931625B (zh) | 2022-07-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111931625B (zh) | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 | |
CN109102005B (zh) | 基于浅层模型知识迁移的小样本深度学习方法 | |
CN110109015B (zh) | 一种基于深度学习的异步电动机故障监测与诊断方法 | |
WO2022077901A1 (zh) | 一种面向小样本数据集的轴承故障模式诊断方法及系统 | |
CN110781592B (zh) | 一种设备剩余寿命的预测方法及系统 | |
CN113505655B (zh) | 面向数字孪生系统的轴承故障智能诊断方法 | |
Zhang et al. | Deep convolutional neural network using transfer learning for fault diagnosis | |
CN112834211A (zh) | 一种风电机组传动系统故障预警方法 | |
CN116150901A (zh) | 一种基于注意力增强时频Transformer的滚动轴承剩余寿命预测方法 | |
CN116842379A (zh) | 一种基于DRSN-CS和BiGRU+MLP模型的机械轴承剩余使用寿命预测方法 | |
CN113792758A (zh) | 一种基于自监督学习和聚类的滚动轴承故障诊断方法 | |
CN113158722A (zh) | 基于多尺度深度神经网络的旋转机械故障诊断方法 | |
CN113449473A (zh) | 一种基于DFCAE-BiLSTM的风电轴承退化趋势预测方法、系统及装置 | |
CN114707731A (zh) | 基于双层注意力网络多域特征融合的设备剩余寿命预测方法 | |
CN116186520A (zh) | 一种多任务联合的高压隔离开关故障诊断方法 | |
CN114993677A (zh) | 不平衡小样本数据的滚动轴承故障诊断方法及系统 | |
CN112305388A (zh) | 一种发电机定子绕组绝缘局部放电故障在线监测诊断方法 | |
CN110927497A (zh) | 一种转辙机故障检测方法及装置 | |
CN113449618A (zh) | 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法 | |
CN116465623B (zh) | 一种基于稀疏Transformer的齿轮箱寿命预测方法 | |
CN117150357A (zh) | 基于多传感器相关特征融合的旋转机械设备故障诊断方法 | |
CN116861343A (zh) | 一种轴承故障诊断方法 | |
CN116735206A (zh) | 基于吸引子和卷积神经网络的轴承摩擦状态识别方法 | |
CN114997333B (zh) | 一种风力发电机的故障诊断方法和装置 | |
CN116186609A (zh) | 一种基于lstm的载人潜水器传感器故障数据增强方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |