CN112257333A - 一种基于深度学习的机械设备内部组件寿命预测方法 - Google Patents
一种基于深度学习的机械设备内部组件寿命预测方法 Download PDFInfo
- Publication number
- CN112257333A CN112257333A CN202011015768.8A CN202011015768A CN112257333A CN 112257333 A CN112257333 A CN 112257333A CN 202011015768 A CN202011015768 A CN 202011015768A CN 112257333 A CN112257333 A CN 112257333A
- Authority
- CN
- China
- Prior art keywords
- data
- rul
- prediction
- service life
- mechanical equipment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 41
- 238000006731 degradation reaction Methods 0.000 claims abstract description 29
- 230000015556 catabolic process Effects 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003062 neural network model Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 12
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 2
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 abstract description 4
- 230000006403 short-term memory Effects 0.000 abstract description 3
- 230000002457 bidirectional effect Effects 0.000 abstract 1
- 230000007787 long-term memory Effects 0.000 abstract 1
- 238000005096 rolling process Methods 0.000 description 15
- 239000000523 sample Substances 0.000 description 14
- 239000000306 component Substances 0.000 description 12
- 230000010355 oscillation Effects 0.000 description 5
- 230000036541 health Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000013074 reference sample Substances 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于深度学习的机械设备内部组件寿命预测方法,包括以下步骤:采集数据作为原始数据集,将原始数据集分为训练数据和测试数据;将训练数据和测试数据进行标准化处理;构建CNN‑BiLSTM深度神经网络模型,输入训练数据进行训练;将测试数据输入模型中进行退化趋势预测;求出测试轴承整个全寿命周期里的完整退化趋势;计算出测试样本的剩余使用寿命RUL。上述技术方案将CNN卷积神经网络和BiLSTM双向长短期记忆网络有机结合,将数据的特征提取和预测任务集成在一起,提高了整个预测模型的关联性和预测精度,并能够有效且准确的实现机械设备内部组件的剩余使用寿命预测。
Description
技术领域
本发明涉及设备维修预测技术领域,尤其涉及一种基于深度学习的机械设备内部组件寿命预测方法。
背景技术
机械设备由多个部件组成,每个部件的健康状况关乎着整个机械设备的正常运行。机械设备内部组件的剩余使用寿命(remaining useful life,RUL)预测是衡量机械设备性能的重要指标,能够综合反映出机械设备在运行过程中的运转情况和故障程度。对提高机器的安全性、减少因机械设备内部组件失效造成的经济财产损失以及人员伤亡具有重要意义。
有资料显示,通过建立良好的性能衰退评估指标以及剩余使用寿命预测模型,及时掌握机械设备当前的退化趋势,确定机械设备内部各个部件的剩余使用寿命,可以有针对性地调整机器运行,为工作人员制定有效的维护策略,防止由内部组件失效导致的机械设备无法正常运行及意外事故的发生。
目前,RUL预测的方法主要可以分为基于模型驱动的预测方法和基于数据驱动的预测方法。基于模型驱动的预测方法主要是指根据设备的内在运转机理及工作原理来建立设备的退化模型,从而对剩余使用寿命进行预测。基于数据驱动的预测通常使用模式识别和机器学习技术训练一个预测模型,并利用训练模型估计轴承的退化趋势,最后通过数据拟合的方式推断出RUL。考虑到机械设备的故障机理具有一定的复杂性,无法构建出合理的物理模型,因此以数据驱动为支撑的方法在RUL预测中应用较为广泛。
近年来,深度学习(deep learning,DL)在特征提取和模式识别方面展现出独特的优势和潜力。将深度学习应用于机械设备健康检测已是趋势所向,各种各样的DL架构在机械设备核心部件故障诊断方面取得了不错的效果。卷积神经网络(convolution neuralnetworks,CNN)作为一种深度学习方法,具有权值共享、卷积操作和空间池化等特性,能够挖掘大量数据中的深层特征,在机械设备内部组件的RUL预测方面同样表现出色。
虽然CNN在RUL预测方面取得了不错的效果,但是,CNN的前一时刻的信息和后一时刻的信息是完全没有关系的。在一些处理和预测序列数据的任务中,需要将历史信息和当前时刻的信息联系在一起。其中最常见的顺序建模技术是循环神经网络(recursiveneural network,RNN)。但是RNN存在梯度消失和梯度爆炸的问题,只能有短期记忆,为了实现对长期信息的有效利用,RNN的变体,如长短期记忆网络(long short-term memory,LSTM),门控循环单元网络(gated recurrent unit,GRU),在RUL预测方面取得了一些成功。基于深度学习的RUL预测方法虽然取得了不错的预测效果,但在大多数情况下,为了提取有效的特征,仍需预先进行较复杂的信号处理提取特征,未能充分利用深度学习挖掘深层特征的优势。
中国专利文献CN110276385A公开了一种“基于相似性的机械部件剩余使用寿命预测方法”。包括如下步骤:步骤S1、特征提取;步骤S2、健康指标构建;步骤S3、相似性匹配;步骤S4、参考样本匹配退化轨迹的剩余使用寿命;步骤S5、建立参考样本的剩余使用寿命的权重函数;步骤S6、参考样本匹配退化轨迹的退化速率;步骤S7、建立参考样本的退化速率的影响函数;步骤S8、获取预测对象的剩余使用寿命。上述技术方案需要预先复杂信号处理提取特征,耗时长。
发明内容
本发明主要解决原有的技术方案需要预先复杂信号处理提取特征,无法充分利用深度学习挖掘深层特征的技术问题,提供一种基于深度学习的机械设备内部组件寿命预测方法,将CNN卷积神经网络和BiLSTM双向长短期记忆网络有机结合,将数据的特征提取和预测任务集成在一起,提高了整个预测模型的关联性和预测精度,并能够有效且准确的实现机械设备内部组件的剩余使用寿命预测。
本发明的上述技术问题主要是通过下述技术方案得以解决的:本发明包括以下步骤:
(1)采集数据作为原始数据集,并将原始数据集分为训练数据和测试数据;
(2)将训练数据和测试数据进行标准化处理;用于提升模型的收敛速度。
(3)构建CNN-BiLSTM深度神经网络模型,输入训练数据进行训练;
(4)将测试数据输入模型中进行退化趋势预测;
(5)求出测试轴承整个全寿命周期里的完整退化趋势;
(6)计算出测试样本的剩余使用寿命RUL。
作为优选,所述的步骤3中CNN-BiLSTM深度神经网络模型的训练方法采用的是Adam梯度下降方法,损失函数采用mean square error,批量大小为128,迭代次数为100,训练完成后,保持CNN-BiLSTM模型参数不变。
作为优选,所述的步骤4对退化趋势预测得到的预测曲线采用移动平均法MA对预测曲线进行平滑处理,MA公式如下:
N为移动平均项数,bδ为原始数据中第δ个检测值,Mt为MA处理后的新数据点。所得到的预测曲线存在局部振荡,采用移动平均法MA对预测曲线进行平滑处理使得最终的预测结果更加准确。
作为优选,所述的步骤5利用多项式拟合模型对经过MA处理的预测曲线进行拟合,得到测试样本的全寿命退化趋势,拟合公式如下:
式中M是多项式的最高次数,xj代表的是x的j次幂,wj是xj的系数。由于测试数据不是轴承完整的全寿命数据,为了提高预测准确性,需要求出测试轴承整个全寿命周期里的完整退化趋势。
作为优选,所述的拟合模型阶次在3到5范围内取。在所提出的预测模型中,预测曲线整体成单调递增趋势,但存在明显的上下波动,如果拟合模型中的阶次取2或3,拟合模型过于简单,容易受曲线局部震荡影响,因此拟合模型阶次应该在3到5范围内取。
作为优选,所述的步骤6计算测试样本的RUL公式为:
tRUL=twhole-tend
式中tRUL为测试样本的RUL,twhole为测试样本的失效时刻,tend为测试样本结束时刻。
作为优选,采用预测结果的百分比误差和平均误差来评价预测方法的性能:
其中ActRULi和RULi分别是第i个测试样本的实际RUL和预测RUL。结合实验数据与基于MSCNN卷积神经网络和基于RNN-HI循环神经网络-的RUL剩余使用寿命预测方法进行对比,进一步证明该方法的优越性。
作为优选,使用评分函数来评价模型,得分函数计算公式为:
其中Ai表示第i个轴承的得分,N为测试样本数量。在实际预测过程中,如果Eri>0,表示滚动轴承的实际RUL大于模型预测RUL,这种情况下可以在轴承损坏前提前预警,通知工作人员进行维修,虽有误差,但可以保证机械设备安全运行。如果Eri<0,表示滚动轴承的实际RUL小于模型预测RUL,这种情况下滚动轴承在预测寿命失效前就已经损坏,无法进行提前预警,即使误差很小,也会带来巨大的安全隐患。因此得分函数可以更好地描述预测模型在实际预测中的性能好坏。
本发明的有益效果是:
1.将CNN和BiLSTM有机结合,将数据的特征提取和预测任务集成在一起,提高了整个预测模型的关联性和预测精度。
2.将得到的预测曲线采用MA的方法进行平滑处理,能够有效削弱局部震荡对预测结果的影响。
3.采用多项式拟合模型对经过MA处理的预测曲线进行拟合,能够有效且准确的实现机械设备内部组件的RUL预测。
附图说明
图1是本发明的一种流程框图。
图2是本发明的一种滚动轴承的时域波形图。
图3是本发明的一种滚动轴承水平方向振动信号的全寿命数据图。
图4是本发明的一种实验数据的均方根特征值图。
图5是本发明的一种CNN-BiLSTM模型的RUL预测结果图。
图6是本发明的一种通过多项式拟合模型拟合后的RUL预测结果图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:本实施例的一种基于深度学习的机械设备内部组件寿命预测方法,针对机械设备中的滚动轴承这一重要组成部件,如图1—图6所示,包括以下步骤:
(1)实验数据来自IEEE PHM2012数据挑战中PRONOSTIA试验台的数据,采样频率为25.6kHZ,每10s记录一次数据,采样持续时间为0.1s,分别得到水平和垂直方向的滚动轴承全寿命数据。采集水平方向和垂直方向的滚动轴承振动信号作为原始数据集,并将原始数据集分为训练数据和测试数据。表1列出试验台工况信息,其中工况1(1800rpm and 4000N)共7组轴承数据,工况2(1650rpm and 4200N)共7组轴承数据,工况3(1500rpm and 5000N)共3组轴承数据。图2为轴承1_1在退化开始时间点和结束时间点的时域波形图;
表1实验数据组成
(2)将训练数据和测试数据进行标准化处理,提升模型的收敛速度。为了了解实验中所使用的滚动轴承的退化趋势,以轴承1_1、1_2、3_2为例,将滚动轴承在水平方向上的寿命数据进行了可视化,如图3所示。图中轴承1_1幅值随时间逐渐增加,其退化趋势呈现渐变性变化的特点,而轴承1_2和轴承3_2在轴承失效前幅值一直趋于平稳,在寿命结束时突然增加。由此可知,本次实验的滚动轴承存在两种失效情况,一种是性能退化造成的轴承失效,另一种是突发故障造成的轴承失效。
为了进一步对实验轴承退化趋势进行分析,将轴承1_1和轴承1_2水平方向上的均方根(root mean square,RMS)变化情况进行了分析,如图4所示,轴承1_1的RMS随时间逐渐增大,而轴承1_2的RMS在早期退化过程中虽有波动但整体趋于平稳,直到寿命结束时才出现明显跳变;
(3)构建CNN-BiLSTM深度神经网络模型,将训练样本输入到CNN-BiLSTM模型中进行训练,CNN-BiLSTM深度神经网络模型参数如表2所示;
网络层 | 层大小 | 数目 |
1D-Convolution 1 | 64×1 | 16 |
1D-MaxPooling 1 | 2×1 | 16 |
1D-Convolution 2 | 3×1 | 32 |
1D-MaxPooling 2 | 2×1 | 32 |
1D-Convolution 3 | 3×1 | 64 |
1D-MaxPooling 3 | 2×1 | 64 |
1D-Convolution 4 | 3×1 | 64 |
1D-MaxPooling 4 | 2×1 | 64 |
1D-Convolution 5 | 3×1 | 64 |
1D-MaxPooling 5 | 2×1 | 64 |
1D-Global Average Pooling | - | - |
Bi-LSTM 1 | units=32 | - |
Bi-LSTM 2 | units=32 | - |
Bi-LSTM 3 | units=32 | - |
Fully-connected 1 | units=64 | - |
Fully-connected 2 | units=1 | - |
表2CNN-BiLSTM网络结构各层具体参数
(4)将测试数据输入到训练好的CNN-BiLSTM模型中进行退化趋势预测,由于所得到的预测曲线存在局部振荡,为了使得最终的预测结果更加准确,采用移动平均法对预测曲线进行平滑处理,CNN-BiLSTM模型的RUL预测结果如图5所示,MA公式如下:
N为移动平均项数,bδ为原始数据中第δ个检测值,Mt为MA处理后的新数据点。
(5)由于测试数据不是轴承完整的全寿命数据,为了提高预测准确性,需要求出测试轴承整个全寿命周期里的完整退化趋势。利用多项式拟合模型对经过MA处理的预测曲线进行拟合,得到测试样本的全寿命退化趋势,拟合公式如下:
式中M是多项式的最高次数,xj代表的是x的j次幂,wj是xj的系数。在所提出的预测模型中,预测曲线整体成单调递增趋势,但存在明显的上下波动,如果拟合模型中的阶次取2或3,拟合模型过于简单,容易受曲线局部震荡影响,因此拟合模型阶次应该在3到5范围内取。通过多项式拟合模型拟合后的RUL预测结果图如图6所示;
(6)最后通过以下公式计算出测试样本的RUL。
tRUL=twhole-tend
tRUL为测试样本的RUL,twhole为测试样本的失效时刻,tend为测试样本结束时刻。
为了进一步证明该方法的优越性,结合实验数据与基于MSCNN和基于RNN-HI的RUL预测方法进行对比。采用预测结果的百分比误差和平均误差来评价预测方法的性能:
其中ActRULi和RULi分别是第i个测试样本的实际RUL和预测RUL。
单纯对测试样本的误差大小进行对比不具备代表性,为了综合评估预测方法的性能,使用了IEEE PHM 2012挑战中的评分函数来评价模型。得分函数计算公式为:
其中Ai表示第i个轴承的得分,N为测试样本数量。在实际预测过程中,如果Eri>0,表示滚动轴承的实际RUL大于模型预测RUL,这种情况下可以在轴承损坏前提前预警,通知工作人员进行维修,虽有误差,但可以保证机械设备安全运行。如果Eri<0,表示滚动轴承的实际RUL小于模型预测RUL,这种情况下滚动轴承在预测寿命失效前就已经损坏,无法进行提前预警,即使误差很小,也会带来巨大的安全隐患。因此得分函数可以更好地描述预测模型在实际预测中的性能好坏。
除了得分函数外,还引入了平均绝对误差(mean absolute error,MAE)和归一化均方根误差(normalized root mean square error,NRMSE)来进一步评价预测模型的精度。
表3提出的CNN-BiLSTM模型与现有MSCNN模型和RNN-HI模型的RUL预测结果由于MSCNN模型仅适用于工况1,首先在工况1情况下,对基于MSCNN和RNN-HI的预测方法进行对比,测试结果如表3所示,根据结果可以清楚看到,基于CNN-BiLSTM的RUL预测方法相比于基于MSCNN和基于RNN-HI的RUL预测方法,在平均误差、MAE、NRMSE三个误差指标和Score上都取得了更好的结果。为了进一步验证本文的方法在其他工况下同样能获得较好的结果,在工况1、工况2、工况3情况下,与基于RNN-HI的方法进行比较,通过表4可以看出,基于CNN-BiLSTM的方法具有更低的误差,并且获得了最高的得分。通过对几个评价指标的对比,可以看到的基于CNN-BiLSTM的RUL预测方法不仅在预测误差上相比于现有方法更低,而且能够对轴承的健康情况进行提前预警,大大提高了机械设备的安全性。
表4提出的CNN-BiLSTM模型与现有RNN-HI模型的RUL预测结果
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
尽管本文较多地使用了深度神经网络模型、退化趋势预测等术语,但并不排除使用其它术语的可能性。使用这些术语仅仅是为了更方便地描述和解释本发明的本质;把它们解释成任何一种附加的限制都是与本发明精神相违背的。
Claims (8)
1.一种基于深度学习的机械设备内部组件寿命预测方法,其特征在于,包括以下步骤:
(1)采集数据作为原始数据集,并将原始数据集分为训练数据和测试数据;
(2)将训练数据和测试数据进行标准化处理;
(3)构建CNN-BiLSTM深度神经网络模型,输入训练数据进行训练;
(4)将测试数据输入模型中进行退化趋势预测;
(5)求出测试轴承整个全寿命周期里的完整退化趋势;
(6)计算出测试样本的剩余使用寿命RUL。
2.根据权利要求1所述的一种基于深度学习的机械设备内部组件寿命预测方法,其特征在于,所述步骤3中CNN-BiLSTM深度神经网络模型的训练方法采用的是Adam梯度下降方法,损失函数采用mean square error,批量大小为128,迭代次数为100,训练完成后,保持CNN-BiLSTM模型参数不变。
5.根据权利要求4所述的一种基于深度学习的机械设备内部组件寿命预测方法,其特征在于,所述拟合模型阶次在3到5范围内取。
6.根据权利要求1所述的一种基于深度学习的机械设备内部组件寿命预测方法,其特征在于,所以步骤6计算测试样本的RUL公式为:
tRUL=twhole-tend
式中tRUL为测试样本的RUL,twhole为测试样本的失效时刻,tend为测试样本结束时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015768.8A CN112257333A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011015768.8A CN112257333A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112257333A true CN112257333A (zh) | 2021-01-22 |
Family
ID=74231955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011015768.8A Pending CN112257333A (zh) | 2020-09-24 | 2020-09-24 | 一种基于深度学习的机械设备内部组件寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257333A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883639A (zh) * | 2021-02-03 | 2021-06-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于机器学习的gis设备寿命预测装置及方法 |
CN112966355A (zh) * | 2021-03-30 | 2021-06-15 | 西安电子科技大学 | 基于深度学习的盾构机刀具剩余使用寿命预测方法 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN113052365A (zh) * | 2021-02-26 | 2021-06-29 | 浙江工业大学 | 一种基于mswr-lrcn的旋转类机械寿命预测方法 |
CN113536982A (zh) * | 2021-06-28 | 2021-10-22 | 长江大学 | 主减速器剩余寿命智能预测方法、系统、设备及介质 |
CN114298210A (zh) * | 2021-12-24 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种多视角融合风电齿轮箱轴承剩余寿命预测方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115660198A (zh) * | 2022-11-07 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 滚动轴承剩余使用寿命预测方法 |
CN117009861A (zh) * | 2023-10-08 | 2023-11-07 | 湖南国重智联工程机械研究院有限公司 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN110941928A (zh) * | 2019-11-26 | 2020-03-31 | 哈尔滨理工大学 | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 |
KR20200043196A (ko) * | 2018-10-17 | 2020-04-27 | 고려대학교 산학협력단 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
-
2020
- 2020-09-24 CN CN202011015768.8A patent/CN112257333A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20200043196A (ko) * | 2018-10-17 | 2020-04-27 | 고려대학교 산학협력단 | 진동 신호를 이용하여 설비 또는 부품의 잔여 수명을 예측하는 딥러닝 기반의 분석 장치 및 방법 |
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN110941928A (zh) * | 2019-11-26 | 2020-03-31 | 哈尔滨理工大学 | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 |
CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
Non-Patent Citations (4)
Title |
---|
MENGYONG WANG 等: "Life Prediction for Machinery Components Based on CNN-BiLSTM Network and Attention Model", 2020 IEEE 5TH INFORMATION TECHNOLOGY AND MECHATRONICS ENGINEERING CONFERENCE (ITOEC), 14 June 2020 (2020-06-14), pages 851 - 855, XP033794570, DOI: 10.1109/ITOEC49072.2020.9141720 * |
PATRICK NECTOUX 等: "PRONOSTIA: An experimental platform for bearings accelerated degradation tests", IEEE INTERNATIONAL CONFERENCE ON PROGNOSTICS AND HEALTH MANAGEMENT, 18 June 2012 (2012-06-18), pages 1 - 9 * |
YIJIE JIANG 等: "Fusion Network Combined With Bidirectional LSTM Network and Multiscale CNN for Remaining Useful Life Estimation", 2020 12TH INTERNATIONAL CONFERENCE ON ADVANCED COMPUTATIONAL INTELLIGENCE (ICACI), 16 August 2020 (2020-08-16), pages 620 - 627, XP033814812, DOI: 10.1109/ICACI49185.2020.9177774 * |
高月: "基于机器学习的工业故障预测与健康管理关键技术的研究", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 September 2019 (2019-09-15), pages 140 - 149 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883639A (zh) * | 2021-02-03 | 2021-06-01 | 国网浙江省电力有限公司宁波供电公司 | 一种基于机器学习的gis设备寿命预测装置及方法 |
CN113052365A (zh) * | 2021-02-26 | 2021-06-29 | 浙江工业大学 | 一种基于mswr-lrcn的旋转类机械寿命预测方法 |
CN113052365B (zh) * | 2021-02-26 | 2022-07-01 | 浙江工业大学 | 一种基于mswr-lrcn的旋转类机械寿命预测方法 |
CN112966355A (zh) * | 2021-03-30 | 2021-06-15 | 西安电子科技大学 | 基于深度学习的盾构机刀具剩余使用寿命预测方法 |
CN112966355B (zh) * | 2021-03-30 | 2023-01-06 | 西安电子科技大学 | 基于深度学习的盾构机刀具剩余使用寿命预测方法 |
CN112986827A (zh) * | 2021-04-12 | 2021-06-18 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN112986827B (zh) * | 2021-04-12 | 2022-06-03 | 山东凯格瑞森能源科技有限公司 | 一种基于深度学习的燃料电池剩余寿命预测方法 |
CN113536982B (zh) * | 2021-06-28 | 2023-02-24 | 长江大学 | 主减速器剩余寿命智能预测方法、系统、设备及介质 |
CN113536982A (zh) * | 2021-06-28 | 2021-10-22 | 长江大学 | 主减速器剩余寿命智能预测方法、系统、设备及介质 |
CN114298210A (zh) * | 2021-12-24 | 2022-04-08 | 江苏国科智能电气有限公司 | 一种多视角融合风电齿轮箱轴承剩余寿命预测方法 |
CN114997051A (zh) * | 2022-05-30 | 2022-09-02 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN114997051B (zh) * | 2022-05-30 | 2023-05-09 | 浙大城市学院 | 一种基于迁移学习的航空发动机寿命预测与健康评估方法 |
CN115660198A (zh) * | 2022-11-07 | 2023-01-31 | 中国科学院空间应用工程与技术中心 | 滚动轴承剩余使用寿命预测方法 |
CN115660198B (zh) * | 2022-11-07 | 2023-08-01 | 中国科学院空间应用工程与技术中心 | 滚动轴承剩余使用寿命预测方法 |
CN117009861A (zh) * | 2023-10-08 | 2023-11-07 | 湖南国重智联工程机械研究院有限公司 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
CN117009861B (zh) * | 2023-10-08 | 2023-12-15 | 湖南国重智联工程机械研究院有限公司 | 一种基于深度学习的液压泵马达寿命预测方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112257333A (zh) | 一种基于深度学习的机械设备内部组件寿命预测方法 | |
CN107941537B (zh) | 一种机械设备健康状态评估方法 | |
CN110610035B (zh) | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 | |
CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
Li et al. | Hidden Markov model-based fault diagnostics method in speed-up and speed-down process for rotating machinery | |
CN105300692B (zh) | 一种基于扩展卡尔曼滤波算法的轴承故障诊断及预测方法 | |
CN105275833A (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
CN110608884B (zh) | 一种基于自注意力神经网络的滚动轴承状态诊断方法 | |
Qiu et al. | A piecewise method for bearing remaining useful life estimation using temporal convolutional networks | |
CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
CN110991471B (zh) | 一种高速列车牵引系统故障诊断方法 | |
CN114547795B (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
CN112926644A (zh) | 一种滚动轴承剩余使用寿命预测方法及系统 | |
Chen et al. | Vibration-based damage detection of rail fastener using fully convolutional networks | |
CN110060368A (zh) | 基于潜在特征编码的机械异常检测方法 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN114861349B (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Sharma et al. | Use of feature ranking techniques for defect severity estimation of rolling element bearings | |
CN115422687A (zh) | 一种滚动轴承的寿命预测方法 | |
CN109580224A (zh) | 滚动轴承故障实时监测方法 | |
CN115660198B (zh) | 滚动轴承剩余使用寿命预测方法 | |
Luo et al. | A novel method for remaining useful life prediction of roller bearings involving the discrepancy and similarity of degradation trajectories | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
Zhuang et al. | An autoregressive model-based degradation trend prognosis considering health indicators with multiscale attention information | |
CN115293189A (zh) | 一种基于堆栈自编码降维的旋转机械状态监测方法 |
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 |