CN113139278A - 一种基于深度学习的轴承剩余寿命预测方法及系统 - Google Patents
一种基于深度学习的轴承剩余寿命预测方法及系统 Download PDFInfo
- Publication number
- CN113139278A CN113139278A CN202110377869.8A CN202110377869A CN113139278A CN 113139278 A CN113139278 A CN 113139278A CN 202110377869 A CN202110377869 A CN 202110377869A CN 113139278 A CN113139278 A CN 113139278A
- Authority
- CN
- China
- Prior art keywords
- bearing
- lstm network
- network
- abi
- layer
- 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 33
- 238000013135 deep learning Methods 0.000 title claims abstract description 22
- 238000000605 extraction Methods 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000011176 pooling Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 5
- 238000005096 rolling process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000003412 degenerative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000013519 translation Methods 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
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种基于深度学习的轴承剩余寿命预测方法及系统，预测方法包括以下步骤：获取轴承的原始数据，得到训练集；构建CNN网络，使用CNN网络对原始数据进行特征提取，得到第一特征序列；使用tsfresh特征提取工具对第一特征序列进行特征提取，得到第二特征序列；构建Bi‑LSTM网络，在Bi‑LSTM网络中加入注意力机制得到ABi‑LSTM网络，使用第二特征序列对ABi‑LSTM网络进行训练；获取待预测的轴承的运行数据，使用完成训练的ABi‑LSTM网络模型得到轴承的剩余寿命预测值。与现有技术相比，本发明通过CNN网络和tsfresh进行特征提取，得到的特征可靠性更高，剔除了噪声信号等杂质信号，准确的提取与轴承寿命有关的特征，以便为后续训练Bi‑LSTM网络计算RUL得出更准确的结果。
Description
技术领域
本发明涉及一种轴承剩余寿命预测方法，尤其是涉及一种基于深度学习的轴承剩余寿命预测方法及系统。
背景技术
滚动轴承承载着旋转机械设备正常运行的任务，任何意外的轴承故障都会带来机械系统故障，如疲劳脱落、打滑，甚至造成安全事故。对于以工态为基础的旋转机械维修策略而言，轴承剩余使用寿命的估算是避免此类事故的主要途径之一。机器的剩余使用寿命(RUL)是指设备当前使用时间到设备损坏时的时间差值。传统上，可以研究设备退化机理，建立失效模型来预测设备剩余使用寿命，但此方法需要大量的专业知识，建模复杂，难以普遍应用。随着深度学习的发展，数据驱动的方法成为主流，基于数据驱动的预测方法利用采集的轴承退化过程的监测数据，评估轴承的剩余使用寿命，能够准确地监测对象的动态数据，调整模型参数。
一般来说，数据驱动的RUL预测分为四步：数据采集、特征提取、退化行为学习和RUL估计，相比于复杂的基于物理模型的方法，易于实现的数据驱动方法被越来越多的研究人员使用。数据驱动方法几乎不需要学习设备运行机理等领域知识，只需从状态监测数据中提取与可靠性有关的信息，建立数据与RUL之间的关系，就可以实现对RUL的预测。深度学习以其强大的自适应特征提取能力、非线性函数表征能力获得了广泛关注，并为滚动轴承振动信号的特征提取提供了新的解决思路。但是，由于网络结构的固有缺陷，滚动轴承振动信号中的代表性特征很难完全暴露出来，造成重要信息的丢失，从而导致RUL预测的不稳定。
常见的深度学习网络有CNN卷积神经网络、RNN网络、AlexNet网络和VGG等等，CNN框架来处理空间特征，具有强大的特征提取能力和低计算复杂度，但因为其前馈神经网络的限制，只能考虑当前的输入，因此会造成数据的丢失；RNN可以使用其内部存储器来处理任意序列，循坏的神经网络能够对时间序列信息进行预测，但因为RNN中神经元的输出可以在下一个时间段直接作用到自身，因此会出现“梯度消失”的现象，无法解决长时依赖的问题。使用单一深度学习网络进行RUL预测的效果不够理想，因此，需要一种更优的RUL预测方法。
公开号为CN109726524A的中国发明专利公开了一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法，使用CNN挖掘深度特征，使用LSTM网络进行趋势性量化健康指标的构建，预测滚动轴承的RUL，但是，在进行特征提取时仍受限于CNN框架，LSTM能够克服RNN的梯度消失问题，但是在预测精度方面仍有所欠缺。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的轴承剩余寿命预测方法及系统，通过CNN网络和tsfresh进行特征提取，得到的特征可靠性更高，剔除了噪声信号等杂质信号，准确的提取与轴承寿命有关的特征，以便为后续训练Bi-LSTM网络计算RUL得出更准确的结果。
本发明的目的可以通过以下技术方案来实现：
一种基于深度学习的轴承剩余寿命预测方法，包括以下步骤：
S1、获取轴承的原始数据，得到训练集；
S2、构建CNN网络，使用CNN网络对训练集中的原始数据进行特征提取，得到第一特征序列；
S3、使用tsfresh特征提取工具对第一特征序列进行特征提取，得到第二特征序列；
S4、构建Bi-LSTM网络，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，将第二特征序列输入ABi-LSTM网络，对ABi-LSTM网络进行训练，得到完成训练的ABi-LSTM网络模型；
S5、获取待预测的轴承的运行数据，对运行数据进行CNN网络特征提取、tsfresh特征提取后输入ABi-LSTM网络模型，得到轴承的剩余寿命预测值。
进一步的，步骤S1具体为：采集轴承在不同工况下的振动信号，获取轴承的实际剩余寿命，对振动信号进行快速傅里叶变换，得到原始数据，将原始数据划分为训练集和测试集。
更进一步的，步骤S5中，还包括使用测试集的原始数据对ABi-LSTM网络进行验证。
进一步的，步骤S2中，CNN网络中包括卷积层、池化层、Dropout层和全连接层。
进一步的，步骤S3中，使用tsfresh的自回归模型方程对第一特征序列进行特征提取。
进一步的，步骤S4中，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，所述注意力机制用于对Bi-LSTM网络中的第二特征序列进行权值分配；所述ABi-LSTM网络包括输入层、隐藏层、Attention层、全连接层和输出层。
更进一步的，所述隐藏层包括前向LSTM网络和后向LSTM网络，隐藏层的输出包括前向LSTM网络的前向状态输出以及后向LSTM网络的后向状态输出。
更进一步的，所述Attention层基于预设置的查询query和预设置的键key对第二特征序列进行权值value的分配。
一种基于深度学习的轴承剩余寿命预测系统，包括：
数据处理单元，对获取的轴承数据进行预处理后输入特征提取单元；
特征提取单元，通过CNN网络和tsfresh特征提取工具对输入的数据进行特征提取，得到第二特征序列；
模型训练单元，基于第二特征序列对ABi-LSTM网络进行训练，直至ABi-LSTM网络的准确度满足预设置的准确度阈值；
寿命预测单元，基于完成训练的ABi-LSTM网络和第二特征序列得到轴承的剩余寿命预测值。
进一步的，所述数据处理单元中对轴承数据进行预处理包括：除噪和快速傅里叶变换。
与现有技术相比，本发明具有以下有益效果：
(1)通过CNN网络和tsfresh进行特征提取，得到的特征可靠性更高，剔除了噪声信号等杂质信号，准确的提取与轴承寿命有关的特征，以便为后续训练Bi-LSTM网络计算RUL得出更准确的结果。
(2)使用第二特征序列对Bi-LSTM网络进行训练，得到用于预测轴承剩余使用寿命的网络模型，Bi-LSTM网络能够处理前后两个方向的序列信息并反馈到当前输出层，与标准的LSTM相比，Bi-LSTM可以从历史信息和当前信息中获取关联，从而增强预测能力。
(3)在Bi-LSTM网络中增加了注意力机制，对特征进行权值分配，重要特征的权值占比高，从而合理地改变外界对特征的关注，忽略无关的特征并放大所需的特征，极大地提高了Bi-LSTM网络对特征的接受灵敏度和处理速度。
附图说明
图1为进行轴承剩余寿命时数据的流动示意图；
图2为Bi-LSTM网络的结构示意图；
图3为CNN网络提取的第一特征序列三维图；
图4为tsfresh特征提取工具提取的第二特征序列三维图；
图5为RUL预测值的拟合结果。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
在附图中，结构相同的部件以相同数字标号表示，各处结构或功能相似的组件以相似数字标号表示。附图所示的每一组件的尺寸和厚度是任意示出的，本发明并没有限定每个组件的尺寸和厚度。为了使图示更清晰，附图中有些地方适当夸大了部件。
实施例1：
一种基于深度学习的轴承剩余寿命预测方法，包括以下步骤：
S1、采集轴承在不同工况下的振动信号，获取轴承的实际剩余寿命，对振动信号进行快速傅里叶变换，得到原始数据，将原始数据划分为训练集和测试集。
S2、构建CNN网络，CNN网络中包括卷积层、池化层、Dropout层和全连接层，使用CNN网络对训练集中的原始数据进行特征提取，得到第一特征序列；
S3、使用tsfresh特征提取工具的自回归模型方程对第一特征序列进行特征提取，得到第二特征序列；
S4、构建Bi-LSTM网络，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，注意力机制用于对Bi-LSTM网络中的第二特征序列进行权值分配；ABi-LSTM网络包括输入层、隐藏层、Attention层、全连接层和输出层；隐藏层包括前向LSTM网络和后向LSTM网络，隐藏层的输出包括前向LSTM网络的前向状态输出以及后向LSTM网络的后向状态输出；Attention层基于预设置的查询query和预设置的键key对第二特征序列进行权值value的分配。
将第二特征序列输入ABi-LSTM网络，对ABi-LSTM网络进行训练，测试集的原始数据对ABi-LSTM网络进行验证，得到完成训练的ABi-LSTM网络模型；
S5、进行寿命预测时，数据流动如图1所示，获取待预测的轴承的运行数据，对运行数据进行CNN网络特征提取、tsfresh特征提取后输入ABi-LSTM网络模型，得到轴承的剩余寿命预测值。
一种基于深度学习的轴承剩余寿命预测系统，包括：数据处理单元、特征提取单元、模型训练单元和寿命预测单元。
数据处理单元对获取的轴承数据进行预处理后输入特征提取单元；特征提取单元通过CNN网络和tsfresh特征提取工具对输入的数据进行特征提取，得到第二特征序列；模型训练单元基于第二特征序列对ABi-LSTM网络进行训练，直至ABi-LSTM网络的准确度满足预设置的准确度阈值；寿命预测单元基于完成训练的ABi-LSTM网络和第二特征序列得到轴承的剩余寿命预测值。
整个轴承剩余寿命预测方法分为两个阶段，模型训练和RUL预测，模型训练阶段，通过CNN和tsfresh提取第二特征序列，训练ABi-LSTM网络(包含注意力机制的Bi-LSTM网络)；RUL预测阶段获取待预测轴承的数据，通过CNN和tsfresh提取第二特征序列，将第二特征序列输入完成训练的ABi-LSTM网络模型，得到轴承的剩余寿命预测值。
模型训练阶段如下：
原始数据是多种传感器采集到的轴承的振动信号，本实施例基于FEMTO-ST研究所提供的PRONOSTIA平台所收集的PHM2012数据得到原始数据，PRONOSTIA平台包括：被测轴承、力传感器、加速度测量仪、速度传感器、扭矩测量仪、气缸、减压阀、交流电机和数据采集卡，轴承外圈上安装的加速度计监控水平和垂直振动信号。加速度计测量原始振动信号的间隔为10s，每记录一次持续0.1s，采样频率为25.6kHz。
在三种不同的工况下，轴承以1800、1650和1500rpm的恒定速度旋转，恒定有效载荷重量分别为4000N、4200N和5000N，当检测轴承振动信号幅值超过20g时，视为轴承故障，这样，得到了原始数据以及轴承的实际剩余寿命。
对原始数据进行FFT变换后，得到的是时序信号，时序信号先输入CNN网络中进行特征提取，CNN网络为常用的卷积神经网络，通常包含卷积层、池化层和全连接层，网络的结构和参数可以自定义设置。
卷积层通过卷积对输入进行特征提取；卷积层作为特征压缩器，对局部和细节信息有良好的感知，同时还具有共享权重的特点，可以防止过拟合，同时将输入的序列压缩到合适的长度，减少了后续操作的处理时间。池化层的作用是对卷积操作后的输入进行降维，缩减模型大小，提高其计算速度并且降低过拟合概率，提升特征提取的鲁棒性。但池化层对平移和旋转不敏感。常用的池化层有均值池化层和最大值池化层。本实施例将最大池操作用于深层CNN架构中，同时，还加入了Dropout层来防止过拟合。全连接层在整个卷积神经网络中起到分类器的作用，一个作用通过降维保留有用的信息，另一个作用就是隐含语义的表达，把原始特征映射到各个隐语义节点(hidden node)。
CNN具有强大的特征提取能力对FFT得到的时序信号进行处理，如图3所示，得到有用的信息和特征(第一特征序列)，为了进一步得到更典型的特征，使用tsfresh特征提取工具对第一特征序列进行特征提取，如图4所示，得到第二特征序列。如对训练集的原始数据通过CNN网络提取得到20个第一特征序列，再使用tsfresh提取得到10个可靠性更高的第二特征序列。
本实施例使用python中的tsfresh时序数据特征提取包，tsfresh能够提取超过4000种特征，在CNN网络特征提取的基础上，增加了tsfresh特征提取，能够剔除原始数据中的杂质信号(如噪声信号)，准确的提取与轴承寿命有关的特征，以便为后续训练Bi-LSTM网络计算RUL得出更准确的结果。
LSTM是一个拥有三个“门”的特殊网络结构，分别是输入门、遗忘门和输出门，时间序列输入LSTM，LSTM能够更好的捕捉较长距离的依赖关系，克服RNN的梯度消失问题，保留有效信息；但是在实际应用时，考虑到整个时间序列中包含的信息都有意义，而LSTM无法对从后到前的信息进行编码、利用未来信息，Bi-LSTM应运而生，Bi-LSTM的结构如图2所示，能够处理前后两个方向的序列信息，然后反馈到当前输出层。与标准单向LSTM相比，Bi-LSTM可以从历史信息和当前信息中获取关联，从而增强预测能力。
第二特征序列输入Bi-LSTM网络，Bi-LSTM网络结合提取得到的第二特征序列以及轴承的实际剩余寿命进行训练，在Bi-LSTM网络中增加了注意力机制，能够找到相关性更高的特征，为其分配更大的权重。
不考虑注意力机制，第二特征序列中的特征权重可以认为是相同的，直接训练Bi-LSTM网络；考虑了注意力机制后，根据工程经验、专家知识等预先设置查询query和键key，对特征进行权值分配，重要特征的权值占比高，从而合理地改变外界对特征的关注，忽略无关的特征并放大所需的特征，极大地提高了Bi-LSTM网络对特征的接受灵敏度和处理速度。
采集轴承的振动信号，经过CNN网络和tsfresh特征提取后，将得到的第二特征序列输入训练好的ABi-LSTM网络，得到实际RUL拟合曲线和对于每个时间点的预测值，实际RUL曲线和预测RUL曲线结果如图5所示。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于深度学习的轴承剩余寿命预测方法，其特征在于，包括以下步骤：
S1、获取轴承的原始数据，得到训练集；
S2、构建CNN网络，使用CNN网络对训练集中的原始数据进行特征提取，得到第一特征序列；
S3、使用tsfresh特征提取工具对第一特征序列进行特征提取，得到第二特征序列；
S4、构建Bi-LSTM网络，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，将第二特征序列输入ABi-LSTM网络，对ABi-LSTM网络进行训练，得到完成训练的ABi-LSTM网络模型；
S5、获取待预测的轴承的运行数据，对运行数据进行CNN网络特征提取、tsfresh特征提取后输入ABi-LSTM网络模型，得到轴承的剩余寿命预测值。
2.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S1具体为：采集轴承在不同工况下的振动信号，获取轴承的实际剩余寿命，对振动信号进行快速傅里叶变换，得到原始数据，将原始数据划分为训练集和测试集。
3.根据权利要求2所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S5中，还包括使用测试集的原始数据对ABi-LSTM网络进行验证。
4.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S2中，CNN网络中包括卷积层、池化层、Dropout层和全连接层，所述池化层为最大值池化层。
5.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S3中，使用tsfresh的自回归模型方程对第一特征序列进行特征提取。
6.根据权利要求1所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，步骤S4中，在Bi-LSTM网络中加入注意力机制得到ABi-LSTM网络，所述注意力机制用于对Bi-LSTM网络中的第二特征序列进行权值分配；所述ABi-LSTM网络包括输入层、隐藏层、Attention层、全连接层和输出层。
7.根据权利要求6所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，所述隐藏层包括前向LSTM网络和后向LSTM网络，隐藏层的输出包括前向LSTM网络的前向状态输出以及后向LSTM网络的后向状态输出。
8.根据权利要求6所述的一种基于深度学习的轴承剩余寿命预测方法，其特征在于，所述Attention层基于预设置的查询query和预设置的键key对第二特征序列进行权值value的分配。
9.一种基于深度学习的轴承剩余寿命预测系统，其特征在于，基于如权利要求1-8中任一所述的轴承剩余寿命预测方法，包括：
数据处理单元，对获取的轴承数据进行预处理后输入特征提取单元；
特征提取单元，通过CNN网络和tsfresh特征提取工具对输入的数据进行特征提取，得到第二特征序列；
模型训练单元，基于第二特征序列对ABi-LSTM网络进行训练，直至ABi-LSTM网络的准确度满足预设置的准确度阈值；
寿命预测单元，基于完成训练的ABi-LSTM网络和第二特征序列得到轴承的剩余寿命预测值。
10.根据权利要求9所述的一种基于深度学习的轴承剩余寿命预测系统，其特征在于，所述数据处理单元中对轴承数据进行预处理包括：除噪和快速傅里叶变换。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110377869.8A CN113139278A (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习的轴承剩余寿命预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110377869.8A CN113139278A (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习的轴承剩余寿命预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113139278A true CN113139278A (zh) | 2021-07-20 |
Family
ID=76811468
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110377869.8A Pending CN113139278A (zh) | 2021-04-08 | 2021-04-08 | 一种基于深度学习的轴承剩余寿命预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113139278A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113656915A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种基于深度注意力网络的轴承剩余寿命预测方法 |
| CN113723007A (zh) * | 2021-09-08 | 2021-11-30 | 重庆邮电大学 | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 |
| CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
| CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
| CN114925723A (zh) * | 2022-05-06 | 2022-08-19 | 盐城工学院 | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 |
| WO2024045377A1 (zh) * | 2022-09-02 | 2024-03-07 | 同济大学 | 一种基于深度学习的航空发动机剩余寿命预测方法 |
Citations (2)
| 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 |
| CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
-
2021
- 2021-04-08 CN CN202110377869.8A patent/CN113139278A/zh active Pending
Patent Citations (2)
| 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 |
| CN110807257A (zh) * | 2019-11-04 | 2020-02-18 | 中国人民解放军国防科技大学 | 航空发动机剩余寿命预测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 于江德 等: "《统计语言模型内在机制及应用》", 30 November 2019, 科学技术文献出版社 * |
| 刘惠 等: "深度学习在装备剩余使用寿命预测技术中的研究现状与挑战", 《计算机集成制造系统》 * |
| 李少鹏: "结合CNN 和 LSTM 的滚动轴承剩余使用寿命预测方法研究", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》 * |
| 豆乳_艾米: "python tsfresh特征中文详解（更新中）", 《HTTPS://BLOG.CSDN.NET/YUNINI2/ARTICLE/DETAILS/92805230》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113837433A (zh) * | 2021-08-12 | 2021-12-24 | 裴平 | 有源数字阵列雷达装备射频系统剩余使用寿命预测方法 |
| CN113656915A (zh) * | 2021-08-19 | 2021-11-16 | 燕山大学 | 一种基于深度注意力网络的轴承剩余寿命预测方法 |
| CN113656915B (zh) * | 2021-08-19 | 2023-08-25 | 燕山大学 | 一种基于深度注意力网络的轴承剩余寿命预测方法 |
| CN113723007A (zh) * | 2021-09-08 | 2021-11-30 | 重庆邮电大学 | 基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法 |
| CN113723007B (zh) * | 2021-09-08 | 2023-09-15 | 重庆邮电大学 | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 |
| CN113987834A (zh) * | 2021-11-15 | 2022-01-28 | 华东交通大学 | 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 |
| CN114925723A (zh) * | 2022-05-06 | 2022-08-19 | 盐城工学院 | 采用编码器和解码器的滚动轴承剩余使用寿命预测方法 |
| WO2024045377A1 (zh) * | 2022-09-02 | 2024-03-07 | 同济大学 | 一种基于深度学习的航空发动机剩余寿命预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113139278A (zh) | 一种基于深度学习的轴承剩余寿命预测方法及系统 | |
| Sinitsin et al. | Intelligent bearing fault diagnosis method combining mixed input and hybrid CNN-MLP model | |
| Wang et al. | A method for rapidly evaluating reliability and predicting remaining useful life using two-dimensional convolutional neural network with signal conversion | |
| Zhang et al. | A fault diagnosis method based on improved convolutional neural network for bearings under variable working conditions | |
| CN113008559B (zh) | 基于稀疏自编码器和Softmax的轴承故障诊断方法及系统 | |
| Cao et al. | Fault diagnosis of wind turbine gearbox based on deep bi-directional long short-term memory under time-varying non-stationary operating conditions | |
| CN110334764A (zh) | 基于集成深度自编码器的旋转机械智能故障诊断方法 | |
| CN112001314A (zh) | 变速提升机的早期故障检测方法 | |
| CN116793682A (zh) | 基于iCORAL-MMD和对抗迁移学习的轴承故障诊断方法 | |
| CN111898686A (zh) | 基于门控循环单元网络的轴承故障识别方法 | |
| CN116593157A (zh) | 少样本下基于匹配元学习的复杂工况齿轮故障诊断方法 | |
| CN115238785A (zh) | 基于图像融合和集成网络的旋转机械故障诊断方法和系统 | |
| 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 | |
| CN114330096B (zh) | 基于深度学习的轨道交通电机轴承故障程度分类模型构建方法 | |
| Shaowu et al. | Study on the health condition monitoring method of hydraulic pump based on convolutional neural network | |
| Peng et al. | A visual vibration characterization method for intelligent fault diagnosis of rotating machinery | |
| Xu et al. | Fault diagnosis of subway traction motor bearing based on information fusion under variable working conditions | |
| CN112729825A (zh) | 基于卷积循环神经网络的轴承故障诊断模型的构建方法 | |
| Yang et al. | Self-attention parallel fusion network for wind turbine gearboxes fault diagnosis | |
| CN110160781B (zh) | 一种旋转机械故障分类的测试集重构和预测方法 | |
| CN116380466A (zh) | 基于增强事件视觉数据的滚动轴承智能故障诊断方法及系统 | |
| Liu et al. | Fault diagnosis of rolling bearing under limited samples using joint learning network based on local-global feature perception | |
| Duan et al. | Rolling bearing fault diagnosis method based on multi-information fusion characteristics under complex working conditions | |
| Xiao et al. | Fault state identification of rolling bearings based on deep transfer convolutional autoencoder and a new health indicator | |
| Medina et al. | A LSTM neural network approach using vibration signals for classifying faults in a gearbox |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210720 |
|
| RJ01 | Rejection of invention patent application after publication |