CN113255209A - 一种齿轮箱轴承剩余寿命的预测方法 - Google Patents
一种齿轮箱轴承剩余寿命的预测方法 Download PDFInfo
- Publication number
- CN113255209A CN113255209A CN202110461409.3A CN202110461409A CN113255209A CN 113255209 A CN113255209 A CN 113255209A CN 202110461409 A CN202110461409 A CN 202110461409A CN 113255209 A CN113255209 A CN 113255209A
- Authority
- CN
- China
- Prior art keywords
- channel
- time
- bearing
- stator current
- feature
- 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
- 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
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- 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
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种齿轮箱轴承剩余寿命的预测方法,利用加速度传感器采集齿轮箱轴承的多通道振动信号,通过电流钳从发电机输出端获取多通道定子电流信号,得到原始的多通道振动信号和多通道定子电流信号,并进行数据预处理;设计卷积网络空间特征提取模块,分别提取振动信号和电流信号的空间特征,并在通道维度上进行拼接;设计动态加权融合层,融合振动信号和电流信号的空间特征;再通过双向长短时记忆网络从融合后的时序特征向量序列中提取时序特征,最后通过回归层对轴承的剩余寿命进行预测。本发明能够自适应学习并动态融合振动和电流之间时空关联特征信息,提高了退化特征提取能力和寿命预测精度。
Description
技术领域
本发明涉及风力发电机组齿轮箱轴承剩余寿命预测技术领域,尤其是一种齿轮箱轴承剩余寿命的预测方法。
背景技术
齿轮箱是大型双馈风电机组的重要组成部分,是实现能量传递与转换的关键。实际中,它既是风电机组安全运行的关键系统之一,也是风电机组高发故障的主要来源之一。齿轮箱内部结构复杂,长期工作在低速、重载、交变载荷作用以及强阵风冲击等复杂工况下,轴承等关键部件易发生磨损和性能退化,甚至演化成严重故障直至失效,如果不能及时处理轴承等关键部件的故障,将可能引发连锁反应,导致整个系统停机,造成巨大的经济损失和恶劣的社会影响。因此,开展风电齿轮箱健康监测与寿命预测方法研究,并准确预测轴承等关键部件的剩余使用寿命(Remaining Useful Life,RUL),可以为预知维修决策提供依据,防止维护过度和维护不及时的情况,对于降低维护成本,提高发电效益有着重要的意义和社会价值。
目前,国内外相关研究机构和学者针对风电齿轮箱关键部件的寿命预测问题开展了大量的研究工作,概括起来所研究的剩余预测方法主要分为两类:基于模型的预测方法和数据驱动的预测方法。基于模型的预测方法需要大量的专家先验知识,且由于风电齿轮箱结构复杂,故障机理多样,该方法需要做一些简化假设,预测精度受到限制,在实际应用中也受到一定的局限性。基于数据驱动的剩余寿命预测方法已成为当前学术界和工业界研究的热点。
现有研究大多数只针对单一传感器的单通道信号进行部件退化特征的提取,没有考虑到部件的退化是各部位耦合作用的结果,不同测点或类型传感器信息能为传动系统状态评估提供给更为全面的信息空间。目前的基于多通道信号的轴承寿命预测研究仅仅基于单一振动进行特征提取和退化状态建模分析,没有考虑到其他类型如电流信号等传感器,然而,仅仅依赖于单一类型的传感器信号不足以准确描述系统的潜在退化机制,从而导致寿命预测结果不准确。
发明内容
本发明需要解决的技术问题是提供能够有效的提高风力发电机齿轮箱轴承剩余寿命预测准确率,从而及时对风力发电机齿轮箱进行处理和维护,避免风力发电机部件的深度伤害,保持风力发电机齿轮传动系统的健康和延长寿命的一种齿轮箱轴承剩余寿命的预测方法。
为解决上述技术问题,本发明所采用的技术方案是:
一种齿轮箱轴承剩余寿命的预测方法,包括以下步骤:
步骤S1:利用加速度传感器采集齿轮箱轴承的多通道振动信号,通过电流钳从发电机输出端获取多通道定子电流信号,并进行数据预处理;
步骤S2:针对多通道振动信号和多通道定子电流信号分别设计深度卷积网络空间特征学习模块,对每一个时间点进行多传感器特征的融合提取,得到多通道振动信号和多通道定子电流信号的特征时序序列,并在通道维度上进行拼接;
步骤S3:设计基于注意力机制的加权融合层,动态加权融合特征;
步骤S4:将融合后的特征序列输入到双向长短时记忆网络中,进一步提取时间维度的特征,输出多视角时空融合特征;
步骤S5:构建Dense回归层,将多视角时空融合特征输入到Dense回归层中,输出得到齿轮箱轴承的剩余寿命预测结果。
本发明技术方案的进一步改进在于:所述步骤S1包括如下具体步骤:
步骤S11、所得到的多通道振动信号和多通道定子电流信号的数据大小分别为H1×1×C1和H2×1×C2的,其中H1、C1分别表示多通道振动信号的长度和通道数,H2、C2分别表示多通道定子电流信号的长度和通道数;
步骤S12、对数据在时序上进行等距索引以减少数据量,步长为M;
步骤S13、进行滑窗处理以充分提取时序特征信息,窗口大小为W,进一步经过最大最小值归一化处理后,最终得到的数据大小为:
H1/(M*W)×1×C1,H2/(M*W)×1×C2,计算公式如下:
其中yij是标准化处理后的多通道时间序列中通道j的第i个值,xij是原始多通道时间序列中通道j的第i个值,min(xj)和max(xj)分别是通道j的最小值和最大值。
本发明技术方案的进一步改进在于:所述步骤S2包括如下具体步骤:
步骤S21、针对多通道振动信号和多通道定子电流信号不同的特点分别设计深度卷积网络空间特征学习模块,卷积层采用ReLU作为激活函数,并在模块内添加Dropout层和批标准化层以提高模型的训练效果,从而获得信号的空间特征图;多通道振动信号的深度卷积神经网络共有3个卷积层,卷积层的卷积核大小为Fl×1,数量为N1;多通道定子电流信号的深度卷积神经网络共有3个卷积层,卷积层的卷积核大小为Fi×1,数量为N2,第l个卷积层的第n个特征图可表示为xl n;
步骤S22、分别对处理后的多通道振动信号和多通道定子电流信号的每个时间点t0,t1,…tn分别进行空间特征提取,最终得到多通道振动信号和多通道定子电流信号的时序特征序列;
步骤S23、将所得到的多通道振动信号和多通道定子电流信号的时序特征序列在通道维度上进行拼接,以保持特征序列的时序关系。
本发明技术方案的进一步改进在于:所述步骤S3包括如下具体步骤:
步骤S31、将步骤S2中得到的时序特征序列进行全局平均池化处理,聚合每个通道的全局信息,计算公式如下:
zl代表更新后的特征图,I为每个特征序列的长度;
步骤S32、通过多层感知机和hard sigmoid激活函数得到通道权重,和输入相乘后得到每个时间点的加权融合后的特征序列。
本发明技术方案的进一步改进在于:所述步骤S4包括如下具体步骤:
采用双向长短时记忆网络来提取时序特征信息,以达到时空特征融合的目的。
由于采用了上述技术方案,本发明取得的技术进步是:
本发明提出了一种齿轮箱轴承剩余寿命的预测方法,针对振动和电流信号的不同特点,分别设计卷积网络空间特征提取模块,充分提取空间特征,然后基于注意力机制的对特征序列进行动态加权融合,加强特征提取和筛选能力,并保留特征的时序性,再利用时序特征提取模块学习时序特征,达到时空特征融合的目的,提高了风机齿轮箱轴承的剩余寿命预测精度,从而及时对风力发电机齿轮箱进行处理和维护,避免风力发电机部件的深度伤害,保障风力发电机齿轮传动系统的健康和延长寿命。
附图说明
图1是本发明流程示意图;
图2是本发明时空特征学习融合示意图;
图3是本发明卷积网络空间特征提取示意图;
图4是本发明动态加权融合示意图。
具体实施方式
下面结合实施例对本发明做进一步详细说明:
如图1所示,一种齿轮箱轴承剩余寿命的预测方法,包括以下步骤:
步骤S1:步骤S11、利用加速度传感器采集齿轮箱轴承的多通道振动信号,通过电流钳从发电机输出端获取多通道定子电流信号,得到原始的多通道振动信号和多通道定子电流信号,并进行数据预处理;
步骤S12、对数据在时序上进行等距索引以减少数据量,步长为M;
步骤S13、进行滑窗处理以充分提取时序特征信息,窗口大小为W,进一步经过最大最小值归一化处理后,最终得到的数据大小为:
Ν1/(M*W)×1×D1,Ν2/(M*W)×1×D2。
如图2所示,进行时空特征学习融合,具体包括以下步骤:
步骤S2:如图三卷积网络空间特征提取示意图所示:
步骤S21、针对振动和电流信号不同的特点分别设计卷积神经网络,卷积层采用Relu作为激活函数,设置三层二维卷积层,并添加Dropout层和批标准化层提高模型的训练效果,从而获得信号的空间特征图。多通道振动信号的卷积神经网络共有3个卷积层,卷积层的卷积核大小为Fl×1,数量为N1;多通道定子电流信号的卷积层个数为3,卷积层的卷积核大小为Fi×1,数量为N2第l个卷积层的第n个特征图可表示为xl n。
步骤S22、对多通道振动信号和多通道定子电流信号的每个时间点t0,t1,…tn分别进行空间特征提取,最终得到带时序的特征序列。将空间特征在通道维度上进行拼接,以保持特征序列的时序关系。
步骤S3:设计基于注意力机制的加权融合层,动态加权融合空间特征。如图2动态加权融合示意图所示,将步骤S2中得到的时序特征序列进行全局平均池化处理,然后通过多层感知机和hard sigmoid激活函数得到通道权重,和输入相乘后得到每个时间点的加权融合后的特征序列。
步骤S4:步骤S3得到的特征序列仍然是按照时序排列的,因此包含了时序特征,采用双向长短时神经网络网络可以提取时序特征信息,达到时空特征融合的目的,每层长短是记忆网络后加入Dropout层,以防止过拟合,达到正则化的效果。
长短时记忆网络是传统循环神经网络的变形,该网络每个记忆单元引入了输入门、输出门和遗忘门三个门控开关。长短时记忆网络网络不仅能够根据当前的输入调整权重,还根据历史输入调整权重;是目前实际应用中最高效的时间序列模型。由于轴承的退化过程是随时间不断加重,采集的信号是按照时间序列排列,每个传感器采集的数据在本质上是一维时间序列;因此当前信息变化与之前信息有着紧密的时间依赖性。本发明采用长短时记忆网络旨在进一步挖掘空间特征序列在时间维度的信息。
在完成时空特征融合之后,进行步骤S5:构建回归预测层,将时空融合特征输入到回归层中,得到轴承剩余寿命预测结果。
从以上分析可以看出本实例提出一种有效的针对风电齿轮箱轴承振动和电流多通道信号,进行时空特征融合学习,从而对齿轮箱轴承进行剩余寿命预测的方法,通过采集振动和电流的多通道信号,并经过数据预处理使其在时间维度上大小相同,然后针对振动和电流信号的不同特点分别设计不同的卷积网络空间特征提取模块,学习空间特征,在通道维度上拼接后,进行基于注意力机制的动态加权融合,加强了特征的有效性筛选和关联性,并保留特征序列的时序性,进一步地通过双向长短时记忆网络时序特征提取模块学习时序特征,达到时空特征融合的目的,充分提取轴承退化信息,有效提高风力发电机齿轮箱轴承剩余寿命预测准确率,从而及时的对风力发电机齿轮箱轴承部件进行处理和维护,避免故障停机造成大量损失。
原理及过程:
本发明是基于多视角深度融合网络的时空特征提取融合,从而对风机齿轮箱轴承进行剩余寿命的预测。首先采集包括齿轮箱轴承、齿轮和发电机轴承的运行状态下的多通道振动信号,同时从发电机输出端通过电流钳获取多通道定子电流信号,得到原始的多通道振动信号和多通道定子电流信号,并进行数据预处理。然后,针对多通道振动信号和多通道定子电流信号分别设计深度卷积网络空间特征学习模块,对每一个时间点进行特征提取,得到多通道振动信号和多通道定子电流信号的特征时序序列,并在通道维度上拼接。设计基于注意力机制的加权融合层,动态加权融合空间特征。然后将融合后的特征序列输入到双向长短时记忆网络中,进一步提取时间维度的特征,达到时空融合特征的目的,构建Dense回归层,多通道时空融合特征输入到回归层中,输出得到齿轮箱轴承的剩余寿命预测结果。
以上所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (5)
1.一种齿轮箱轴承剩余寿命的预测方法,其特征在于包括以下步骤:
步骤S1:利用加速度传感器采集齿轮箱轴承的多通道振动信号,通过电流钳从发电机输出端获取多通道定子电流信号,并进行数据预处理;
步骤S2:针对多通道振动信号和多通道定子电流信号分别设计深度卷积网络空间特征学习模块,对每一个时间点进行多传感器特征的融合提取,得到多通道振动信号和多通道定子电流信号的特征时序序列,并在通道维度上进行拼接;
步骤S3:设计基于注意力机制的加权融合层,动态加权融合特征;
步骤S4:将融合后的特征序列输入到双向长短时记忆网络中,进一步提取时间维度的特征,输出多视角时空融合特征;
步骤S5:构建Dense回归层,将多视角时空融合特征输入到Dense回归层中,输出得到齿轮箱轴承的剩余寿命预测结果。
2.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法,其特征在于:所述步骤S1包括如下具体步骤:
步骤S11、所得到的多通道振动信号和多通道定子电流信号的数据大小分别为H1×1×C1和H2×1×C2,其中H1、C1分别表示多通道振动信号的长度和通道数,H2、C2分别表示多通道定子电流信号的长度和通道数;
步骤S12、对数据在时序上进行等距索引以减少数据量,步长为M;
步骤S13、进行滑窗处理以充分提取时序特征信息,窗口大小为W,进一步经过最大最小值归一化处理后,最终得到的数据大小为:
H1/(M*W)×1×C1,H2/(M*W)×1×C2,计算公式如下:
其中yij是标准化处理后的多通道时间序列中通道j的第i个值,xij是原始多通道时间序列中通道j的第i个值,min(xj)和max(xj)分别是通道j的最小值和最大值。
3.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法,其特征在于:所述步骤S2包括如下具体步骤:
步骤S21、针对多通道振动信号和多通道定子电流信号不同的特点分别设计深度卷积网络空间特征学习模块,卷积层采用ReLU作为激活函数,并在模块内添加Dropout层和批标准化层以提高模型的训练效果,从而获得信号的空间特征图;多通道振动信号的深度卷积神经网络共有3个卷积层,卷积层的卷积核大小为Fl×1,数量为N1;多通道定子电流信号的深度卷积神经网络共有3个卷积层,卷积层的卷积核大小为Fi×1,数量为N2,第l个卷积层的第n个特征图可表示为xl n;
步骤S22、分别对处理后的多通道振动信号和多通道定子电流信号的每个时间点t0,t1,…tn分别进行空间特征提取,最终得到多通道振动信号和多通道定子电流信号的时序特征序列;
步骤S23、将所得到的多通道振动信号和多通道定子电流信号的时序特征序列在通道维度上进行拼接,以保持特征序列的时序关系。
5.根据权利要求1所述的一种齿轮箱轴承剩余寿命的预测方法,其特征在于:所述步骤S4包括如下具体步骤:
采用双向长短时记忆网络来提取时序特征信息,以达到时空特征融合的目的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461409.3A CN113255209B (zh) | 2021-04-27 | 2021-04-27 | 一种齿轮箱轴承剩余寿命的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110461409.3A CN113255209B (zh) | 2021-04-27 | 2021-04-27 | 一种齿轮箱轴承剩余寿命的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255209A true CN113255209A (zh) | 2021-08-13 |
CN113255209B CN113255209B (zh) | 2022-06-07 |
Family
ID=77221877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110461409.3A Active CN113255209B (zh) | 2021-04-27 | 2021-04-27 | 一种齿轮箱轴承剩余寿命的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255209B (zh) |
Cited By (4)
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 |
CN114201989A (zh) * | 2021-11-29 | 2022-03-18 | 江苏大学 | 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法 |
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 |
CN115017937A (zh) * | 2022-04-28 | 2022-09-06 | 重庆大学 | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理系统、方法 |
CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
US20190226944A1 (en) * | 2016-10-11 | 2019-07-25 | Abb Schweiz Ag | Prediction Of Remaining Useful Lifetime For Bearings |
CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
US20200104437A1 (en) * | 2018-10-01 | 2020-04-02 | Palo Alto Research Center Incorporated | Physics-based model particle-filtering framework for predicting rul using resistance measurements |
CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
CN112347898A (zh) * | 2020-11-03 | 2021-02-09 | 重庆大学 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
-
2021
- 2021-04-27 CN CN202110461409.3A patent/CN113255209B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190226944A1 (en) * | 2016-10-11 | 2019-07-25 | Abb Schweiz Ag | Prediction Of Remaining Useful Lifetime For Bearings |
CN108591104A (zh) * | 2018-04-18 | 2018-09-28 | 广东寰球智能科技有限公司 | 一种基于云平台的风机故障预测与健康管理系统、方法 |
CN112655004A (zh) * | 2018-09-05 | 2021-04-13 | 赛多利斯司特蒂姆数据分析公司 | 用于异常检测和/或预测性维护的计算机实现的方法、计算机程序产品以及系统 |
US20200104437A1 (en) * | 2018-10-01 | 2020-04-02 | Palo Alto Research Center Incorporated | Physics-based model particle-filtering framework for predicting rul using resistance measurements |
CN109746763A (zh) * | 2019-02-03 | 2019-05-14 | 西门子工厂自动化工程有限公司 | 数控机床、电主轴寿命预测系统及方法 |
CN110705181A (zh) * | 2019-10-13 | 2020-01-17 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
CN111914883A (zh) * | 2020-06-18 | 2020-11-10 | 西安交通大学 | 一种基于深度融合网络的主轴轴承状态评估方法及装置 |
CN112036547A (zh) * | 2020-08-28 | 2020-12-04 | 江苏徐工信息技术股份有限公司 | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 |
CN112347898A (zh) * | 2020-11-03 | 2021-02-09 | 重庆大学 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
Non-Patent Citations (4)
Title |
---|
YONG YU,ET AL: "averaged bi-lstm networks for RUL prognostics with non- life-cycle labeled dataset", 《NEUROCOMUTING》 * |
YU HUANG,ET AL: "Remaining Useful Life Estimation of Hydrokinetic Turbine Blades Using Power Signal", 《RESEARCHGATE》 * |
周月: "基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
程成: "基于深度学习的设备剩余寿命预测算法研究及其应用", 《中国优秀硕士学位论文全文数据库》 * |
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 |
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 |
CN114201989A (zh) * | 2021-11-29 | 2022-03-18 | 江苏大学 | 一种采用卷积神经网络和双向长短时记忆网络的交流电机轴承故障诊断方法 |
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 |
CN115017937A (zh) * | 2022-04-28 | 2022-09-06 | 重庆大学 | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 |
CN115017937B (zh) * | 2022-04-28 | 2024-05-14 | 重庆大学 | 基于双线程门控循环单元的齿轮剩余使用寿命预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113255209B (zh) | 2022-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255209B (zh) | 一种齿轮箱轴承剩余寿命的预测方法 | |
Pang et al. | Spatio-temporal fusion neural network for multi-class fault diagnosis of wind turbines based on SCADA data | |
Huang et al. | Mechanical fault diagnosis and prediction in IoT based on multi-source sensing data fusion | |
Xie et al. | End to end multi-task learning with attention for multi-objective fault diagnosis under small sample | |
Han et al. | Combination bidirectional long short-term memory and capsule network for rotating machinery fault diagnosis | |
Liu et al. | Machinery fault diagnosis based on deep learning for time series analysis and knowledge graphs | |
Rao et al. | A deep bi-directional long short-term memory model for automatic rotating speed extraction from raw vibration signals | |
Li et al. | Research on fault diagnosis of time-domain vibration signal based on convolutional neural networks | |
Shen et al. | Remaining useful life prediction of rolling bearing based on multi-head attention embedded Bi-LSTM network | |
CN114295368A (zh) | 一种多通道融合的风电行星齿轮箱故障诊断方法 | |
Wang et al. | A light weight multisensory fusion model for induction motor fault diagnosis | |
Li et al. | Framework and case study of cognitive maintenance in Industry 4.0 | |
Cui et al. | M2FN: An end-to-end multi-task and multi-sensor fusion network for intelligent fault diagnosis | |
CN110555478A (zh) | 基于难样本挖掘的深度度量网络的风机多故障诊断方法 | |
Tong et al. | Multi-sensor information fusion and coordinate attention-based fault diagnosis method and its interpretability research | |
CN113639993A (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN117725491B (zh) | 一种基于SCINet的电力系统故障状态检测分类方法 | |
Sun et al. | A multi-learner neural network approach to wind turbine fault diagnosis with imbalanced data | |
Conradi Hoffmann et al. | Anomaly detection on wind turbines based on a deep learning analysis of vibration signals | |
Deng et al. | Remaining useful life prediction of machinery: A new multiscale temporal convolutional network framework | |
CN114358511A (zh) | 一种融合多源异构监测数据的风电传动系统健康评估方法 | |
Sun et al. | Intelligent fault diagnosis scheme for rolling bearing based on domain adaptation in one dimensional feature matching | |
Liu et al. | Semi-supervised deep learning recognition method for the new classes of faults in wind turbine system | |
US20230350402A1 (en) | Multi-task learning based rul predication method under sensor fault condition | |
CN116881821A (zh) | 基于图神经网络的水轮机组监测数据异常检测方法及系统 |
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 |