CN113723007B - 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 - Google Patents
基于drsn和麻雀搜索优化的设备剩余寿命预测方法 Download PDFInfo
- Publication number
- CN113723007B CN113723007B CN202111049621.5A CN202111049621A CN113723007B CN 113723007 B CN113723007 B CN 113723007B CN 202111049621 A CN202111049621 A CN 202111049621A CN 113723007 B CN113723007 B CN 113723007B
- Authority
- CN
- China
- Prior art keywords
- network
- drsn
- bilstm
- mechanical equipment
- model
- 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.)
- Active
Links
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法,属于机械设备监测领域。首先,无需先验知识利用DRSN对原始信号进行自适应特征学习,该网络的注意力机制和软阈值化结构可以有效的消除噪声相关特征的影响,挖掘机械设备的退化特征构建健康指标。然后,利用BiLSTM网络构建剩余寿命预测模型,针对BiLSTM隐藏层神经元个数和学习率难以设定的问题,采用麻雀搜索算法对上述参数进行优化。将DRSN提取出的健康指标进行平滑处理后,以归一化寿命为标签,输入到优化后的BiLSTM预测模型,完成机械设备的剩余寿命预测。
Description
技术领域
本发明属于机械设备监测领域,涉及基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法。
背景技术
现阶段,对机械设备进行预测性维护是有必要的。车昱娇等利用KPCA方法融合振动信号的时域、频域和时频域特征来表征机械设备的退化状态(车昱娇,陈云霞,崔宇轩.KPCA和改进LSTM在滚动轴承剩余寿命预测中的应用研究[J].电子测量与仪器学报,2021,35(02):109-114.)。SOUALHI利用Hilbert-Huang变换从振动信号中提取退化特征(SoualhiA,Medjaher K,Zerhouni N.Bearing Health monitoring based on Hilbert-Huang Transform,Support Vector Machine and Regression[J].IEEETransactionsonInstrumentation&Measurement,2014,64(1):52-62.),将这些特征输入到支持向量机中,预测机械设备的剩余使用寿命。尽管这些构建健康指标的方法能够推断隐藏在数据中的相关性和因果关系,但这需要手动提取退化特征,依赖先验知识,缺乏自适应性。为避免这种情况,可以使用深度学习直接从原始监测数据中学习机械的退化行为。深度学习具有更强的表示学习能力,能够学习复杂的函数,直接从原始数据将输入映射到输出,而不完全依赖专家知识。基于深度置信网络、自动编码器、和卷积神经网络的剩余使用寿命估计已经实现了许多成功的应用。然而,随着深度学习模型层数的提高,会出现模型退化和过拟合的问题,同时机械设备振动信号在采集过程中因受环境的影响会带有大量噪声,这些网络结构很难捕捉到机械设备在噪声环境下的退化信息。长短时记忆(LSTM)解决了梯度消散和爆炸的问题,在剩余使用寿命预测方面具有优越性,能够得到良好的预测效果,但是存在无法充分利用序列信息的问题,而BiLSTM网络模型可以充分利用上下文数据进行预测,并且已经应用在时间序列预测领域,相比于普通卷积神经网络,双向长短时记忆网络(BiLSTM)获得了较高的预测精度。但是,目前仍旧存在学习率与隐藏层神经元个数难以确定的问题。
发明内容
有鉴于此,本发明的目的在于提供一种基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法。首先,无需先验知识利用DRSN对原始信号进行自适应特征学习,该网络的注意力机制和软阈值化结构可以有效的消除噪声相关特征的影响,挖掘机械设备的退化特征构建健康指标。然后,利用BiLSTM网络构建剩余寿命预测模型,针对BiLSTM隐藏层神经元个数和学习率难以设定的问题,采用麻雀搜索算法对上述参数进行优化。将DRSN提取出的健康指标进行平滑处理后,以归一化寿命为标签,输入到优化后的BiLSTM预测模型,完成机械设备的剩余寿命预测。
为达到上述目的,本发明提供如下技术方案:
基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法,该方法包括以下步骤:
S1:采集机械设备原始振动信号数据;
S2:对振动信号做归一化处理,构建数据集;搭建DRSN模型,将数据集输入训练好的DRSN模型,模型输出得到健康指标;
S3:将S2提取出的健康指标进行平滑处理后构建数据集;搭建BiLSTM网络,将全寿命数据归一化到(0,1)之间作为网络的训练标签,利用麻雀搜索算法对BiLSTM网络的神经元个数、学习率和训练次数进行优化,获得最优预测模型;
S4:利用S3得到的BiLSTM网络模型预测机械设备剩余使用寿命。
可选的,所述S1中,机械设备原始振动信号数据包括机械设备从开始运转到失效的全寿命信号,以便于训练网络;全寿命信号表示为x(t),t表示对应的采样点数。
可选的,所述S2中,取一个全寿命信号的数据集,使用标准差标准化原理对数据集进行归一化处理:
其中x*为归一化处理后的数据集,x为原始数据集,μ为所有数据的均值,σ为所有数据的标准差;
搭建DRSN模型,使用机械设备的全寿命数据作为训练集,网络训练好之后,输入其余机械设备的数据集,DRSN模型输出特征,即健康指标。
可选的,所述S3具体为:
S31:构建BiLSTM网络预测模型;网络层数为两层,每层后叠加一个Dropout层,避免模型过拟合;将S2提取出的健康指标平滑处理后作为预测模型的输入,建立训练集、测试集样本;
S32:初始化麻雀搜索算法和BiLSTM网络的参数;包括麻雀种群数量、最大迭代次数、寻优维度和BiLSTM的超参数;
S33:采用BiLSTM网络的预测值与实际值的均方根误差作为适应度函数,找到一组超参数使得BiLSTM网络的预测误差最小;计算初始适应度值;
S34:计算预警值,以预警值大小为依据,根据式(2)更新发现者的位置;
其中,t为当前迭代次数,T为总的迭代次数,表示在第t次迭代时第n只麻雀在第m维中的位置信息,α∈(0,1]是一个随机数,R2∈[0,1]表示预警值,ST∈[0.5,1]表示安全值,Q是服从正态分布的随机数,L是一行多维的全一矩阵;
S35:根据式(3)更新追随者的位置;
其中,Xp为发现者占据的最佳位置;Xw为当前最差位置,A为一行多维的矩阵,其中每个元素随机赋值为1或-1,i为麻雀种群数量;
S36:按照式(4)随机更新部分预警者的位置;
其中Xb为当前的全局最优位置;β为步长控制参数,其为服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;fn为当前麻雀个体的适应度值;fg和fw分别为当前全局最佳和最差的适应度值;ε为最小的常数,以避免分母出现零;
S37:计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
S38:重复步骤S33到步骤S37,直至迭代次数达到终止条件,输出BiLSTM网络最优参数。
可选的,所述S4具体为:
将S3生成的测试集样本输入到最优的BiLSTM网络模型,输出预测结果。
本发明的有益效果在于:本发明无需任何先验知识利用DRSN对机械设备原始信号进行自动特征学习,DRSN的注意力机制和软阈值化结构可以有效的消除噪声相关特征的影响,构建了更能表征机械设备退化趋势的健康指标。同时采用麻雀搜索算法优化BiLSTM隐藏层神经元个数和学习率,减小了机械设备剩余使用寿命预测误差。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为本发明实施例中本发明方法的流程图;
图2为本发明实施例中残差块的结构图;
图3为本发明实施例中残差收缩块的结构图;
图4为本发明实施例中麻雀搜索算法优化BiLSTM的流程图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
请参阅图1~图4,一种基于DRSN和麻雀搜索优化BiLSTM的机械设备剩余寿命预测方法具体实施步骤如图1所示。利用DRSN网络提取的健康指标,有效抑制了振动信号中的噪声特征,利用麻雀收缩算法优化后的BiLSTM网络作为剩余寿命预测模型,自适应确定参数,降低了剩余寿命的预测误差。
1.利用DRSN提取健康指标
深度残差网络(ResNet)通过在卷积网络中引入恒等映射层,形成层间残差跳连结构,极大的缓解了深层网络的梯度爆炸和退化问题,减轻了深度网络的训练难度。残差模块结构如图2所示,其中实线表示维度相同,直接将残差块的输入和输出相加;虚线表示维度不同,需将输入的变量经1×1的卷积操作后再与输出做和运算。
如图3所示,在ResNet网络结构的基础上,DRSN增加了注意力机制—挤压激励网络(SENet)和软阈值函数。DRSN将SENet结构的非线性层替换为软阈值函数后融合到ResNet网络结构之中,它的实质就是将SENet中每个特征通道的软阈值化代替加权操作,使其能够保留数据集更有用的特征,从而提高DRSN在复杂数据集上的特征学习能力,最终得到更优的模型。
全寿命信号表示为x(t),t表示对应的采样点数。使用标准差标准化原理对数据集进行归一化处理:
其中x*为归一化处理后的数据集,x为原始数据集,μ为所有数据的均值,σ为所有数据的标准差。
将归一化处理后的数据以2560个采样点为一组构建训练集和测试集,输入DRSN网络,其网络参数设置如表1所示。表1中(3,2,64)表示:卷积核大小为3×3、移动步长为2,卷积核个数为64。网络输出层采用sigmoid激活函数,训练迭代次数为100,批尺寸为128,学习率为0.001。网络训练好之后,输入测试集数据,DRSN模型便可输出特征,即健康指标。
表1深度残差收缩网络参数
2.利用麻雀算法优化BiLSTM参数
LSTM考虑了输入和输出之间的时间关系,在机械设备健康预测管理中得到了广泛的应用,LSTM网络解决了RNN中的梯度爆炸和梯度消失问题,适合用于机械设备的剩余使用寿命预测。LSTM由三个门组成,即遗忘门ft、输入门it和输出门Ot来更新网络。LSTM中的内存单元ct和隐藏状态ht由以前状态ct-1和ht-1更新得到,更新具体过程如下:
it=σ(Wi·[ht-1,xt]+bi) (2)
ft=σ(Wf·[ht-1,xt]+bf) (3)
ot=σ(Wo·[ht-1,xt]+bo) (4)
ht=ot*tanh(ct) (7)
其中ht是LSTM在时间t更新网络的输出,xt表示输入信号,是细胞的内部状态,σ和tanh分别表示sigmoid函数和tanh函数,W表示每个门单元的权重矩阵,b是每个门单元的偏置向量。
BiLSTM弥补了LSTM无法编码从后到前的信息的不足,由一个正向和一个反向的LSTM网络组合而成。与传统神经网络算法相比,BiLSTM具有记忆能力,并且前向传播层和后向传播层共同连接到输出层,考虑了数据间的关联性,使剩余使用寿命预测结果更加精确。
具体流程如图4所示。
(1)构建BiLSTM网络预测模型。网络层数为两层,每层后叠加一个Dropout层,避免模型过拟合。将DRSN模型提取出的健康指标平滑处理后作为模型的输入,建立训练集、测试集样本。
(2)初始化麻雀搜索算法和BiLSTM网络的参数。包括麻雀种群数量、最大迭代次数、寻优维度,BiLSTM模型待优化超参数:隐藏层神经元个数和学习率。
(3)采用BiLSTM网络的预测值与实际值的均方根误差作为适应度函数,目的是找到一组超参数使得BiLSTM网络的预测误差最小。计算初始适应度值。
(4)计算预警值,以预警值大小为依据,根据式(8)更新发现者的位置。
其中,t为当前迭代次数,T为总的迭代次数,表示在第t次迭代时第n只麻雀在第m维中的位置信息,α∈(0,1]是一个随机数,R2∈[0,1]表示预警值,ST∈[0.5,1]表示安全值,Q是服从正态分布的随机数,L是一行多维的全一矩阵。
(5)根据式(9)更新追随者的位置。
其中,Xp为发现者占据的最佳位置;Xw为当前最差位置,A为一行多维的矩阵,其中每个元素随机赋值为1或-1,i为麻雀种群数量。
(6)按照式(10)随机更新部分预警者的位置。
其中Xb为当前的全局最优位置;β为步长控制参数,其为服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;fn为当前麻雀个体的适应度值;fg和fw分别为当前全局最佳和最差的适应度值;ε为最小的常数,以避免分母出现零。
(7)计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息。
(8)重复步骤(3)到步骤(7),直至迭代次数达到终止条件,输出BiLSTM网络最优参数。
3.剩余寿命预测
优化后的BiLSTM网络参数设置如表2所示,其中第一层BiLSTM的神经元有168个,第二层神经元有56个,每层设置0.2的Dropout比率,学习率为0.0045,损失函数设置为均方误差。
表2 BiLSTM网络参数
平滑处理后的健康指标连续取15个数据作为一个时间序列,移动步长为1,构成BiLSTM的输入数据集。数据集的标签以每个采样点间隔时间为单位,采用当前寿命占全寿命周期的百分比来确定,根据已使用时间通过该标签可以计算出使用寿命。该标签方法满足一次函数模型,可以表示为:
其中:dt表示第t个时间序列的使用寿命占全寿命周期的比例;n表示全寿命周期即采样点的个数;T表示时间窗的大小,本发明取15。
将数据集输入到优化后的BiLSTM网络模型中,得到寿命预测的结果。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (2)
1.基于DRSN和麻雀搜索优化的设备剩余寿命预测方法,其特征在于:该方法包括以下步骤:
S1:采集机械设备原始振动信号数据;
所述S1中,机械设备原始振动信号数据包括机械设备从开始运转到失效的全寿命信号,以便于训练网络;全寿命信号表示为x(t),t表示对应的采样点数;
S2:对振动信号做归一化处理,构建数据集;搭建DRSN模型,将数据集输入训练好的DRSN模型,模型输出得到健康指标;
所述S2中,取一个全寿命信号的数据集,使用标准差标准化原理对数据集进行归一化处理:
其中x*为归一化处理后的数据集,x为原始数据集,μ为所有数据的均值,σ为所有数据的标准差;
搭建DRSN模型,使用机械设备的全寿命数据作为训练集,网络训练好之后,输入其余机械设备的数据集,DRSN模型输出特征,即健康指标;
S3:将S2提取出的健康指标进行平滑处理后构建数据集;搭建BiLSTM网络,将全寿命数据归一化到(0,1)之间作为网络的训练标签,利用麻雀搜索算法对BiLSTM网络的神经元个数、学习率和训练次数进行优化,获得最优预测模型;
所述S3具体为:
S31:构建BiLSTM网络预测模型;网络层数为两层,每层后叠加一个Dropout层,避免模型过拟合;将S2提取出的健康指标平滑处理后作为预测模型的输入,建立训练集、测试集样本;
S32:初始化麻雀搜索算法和BiLSTM网络的参数;包括麻雀种群数量、最大迭代次数、寻优维度和BiLSTM的超参数;
S33:采用BiLSTM网络的预测值与实际值的均方根误差作为适应度函数,找到一组超参数使得BiLSTM网络的预测误差最小;计算初始适应度值;
S34:计算预警值,以预警值大小为依据,根据式(2)更新发现者的位置;
其中,t为当前迭代次数,T为总的迭代次数,表示在第t次迭代时第n只麻雀在第m维中的位置信息,α∈(0,1]是一个随机数,R2∈[0,1]表示预警值,ST∈[0.5,1]表示安全值,Q是服从正态分布的随机数,L是一行多维的全一矩阵;
S35:根据式(3)更新追随者的位置;
其中,Xp为发现者占据的最佳位置;Xw为当前最差位置,A为一行多维的矩阵,其中每个元素随机赋值为1或-1,i为麻雀种群数量;
S36:按照式(4)随机更新部分预警者的位置;
其中Xb为当前的全局最优位置;β为步长控制参数,其为服从均值为0,方差为1的正态分布的随机数;K∈[-1,1]是一个随机数;fn为当前麻雀个体的适应度值;fg和fw分别为当前全局最佳和最差的适应度值;ε为最小的常数,以避免分母出现零;
S37:计算麻雀个体新位置的适应度值,将更新后的适应度值与原来的最优值进行比较,并更新全局最优信息;
S38:重复步骤S33到步骤S37,直至迭代次数达到终止条件,输出BiLSTM网络最优参数;
S4:利用S3得到的BiLSTM网络模型预测机械设备剩余使用寿命。
2.根据权利要求1所述的基于DRSN和麻雀搜索优化的设备剩余寿命预测方法,其特征在于:所述S4具体为:
将S3生成的测试集样本输入到最优的BiLSTM网络模型,输出预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049621.5A CN113723007B (zh) | 2021-09-08 | 2021-09-08 | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111049621.5A CN113723007B (zh) | 2021-09-08 | 2021-09-08 | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723007A CN113723007A (zh) | 2021-11-30 |
CN113723007B true CN113723007B (zh) | 2023-09-15 |
Family
ID=78682596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111049621.5A Active CN113723007B (zh) | 2021-09-08 | 2021-09-08 | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723007B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114707257A (zh) * | 2022-02-18 | 2022-07-05 | 江苏赛德力制药机械制造有限公司 | 一种基于全状态注意力和BiLSTM的机械剩余使用寿命预测方法 |
CN114626625A (zh) * | 2022-03-25 | 2022-06-14 | 华南理工大学 | 基于多模块U-BiLSTM网络的轴承寿命预测方法 |
CN116523135B (zh) * | 2023-05-04 | 2023-09-26 | 南京能可瑞科技有限公司 | 充电桩寿命预测系统及其方法 |
CN116561528B (zh) * | 2023-05-08 | 2024-03-01 | 重庆市荣冠科技有限公司 | 一种旋转机械的rul预测方法 |
CN116214263B (zh) * | 2023-05-09 | 2024-03-01 | 华东交通大学 | 一种刀具剩余寿命预测方法、系统及计算机 |
CN117150334A (zh) * | 2023-06-16 | 2023-12-01 | 合肥工业大学 | 一种基于优化后的BiLSTM神经网络的锂电池多状况预测方法和装置 |
CN117350323A (zh) * | 2023-09-28 | 2024-01-05 | 广东工业大学 | 一种基于GA-SSA-BiLSTM模型的轴承性能预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113139278A (zh) * | 2021-04-08 | 2021-07-20 | 上海工程技术大学 | 一种基于深度学习的轴承剩余寿命预测方法及系统 |
CN113238666A (zh) * | 2021-05-24 | 2021-08-10 | 江苏科技大学 | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 |
-
2021
- 2021-09-08 CN CN202111049621.5A patent/CN113723007B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113139278A (zh) * | 2021-04-08 | 2021-07-20 | 上海工程技术大学 | 一种基于深度学习的轴承剩余寿命预测方法及系统 |
CN112926273A (zh) * | 2021-04-13 | 2021-06-08 | 中国人民解放军火箭军工程大学 | 一种多元退化设备剩余寿命预测方法 |
CN113238666A (zh) * | 2021-05-24 | 2021-08-10 | 江苏科技大学 | 基于麻雀搜索算法优化的gru的船舶运动姿态的预测方法 |
Non-Patent Citations (2)
Title |
---|
A Residual BiLSTM Model for Named Entity Recognition;Gang Yang;《IEEE Access》;全文 * |
基于CDBN与BiLSTM的多元退化设备剩余寿命预测;牟含笑;《航空学报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113723007A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723007B (zh) | 基于drsn和麻雀搜索优化的设备剩余寿命预测方法 | |
CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
CN107544904B (zh) | 一种基于深度cg-lstm神经网络的软件可靠性预测方法 | |
CN110852515B (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
CN111144552A (zh) | 一种粮食品质多指标预测方法及装置 | |
CN110956309A (zh) | 基于crf和lstm的流程活动预测方法 | |
Hartvigsen et al. | Recurrent halting chain for early multi-label classification | |
CN112116002A (zh) | 一种检测模型的确定方法、验证方法和装置 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN113935513A (zh) | 一种基于ceemdan的短期电力负荷预测方法 | |
CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
CN115018193A (zh) | 基于lstm-ga模型的时间序列风能数据预测方法 | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN111079348A (zh) | 一种缓变信号检测方法和装置 | |
CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
CN114266201A (zh) | 一种基于深度学习的自注意力电梯困人预测方法 | |
CN113126489A (zh) | 一种基于cnn-gru-binn的重型燃气轮机控制系统智能bit设计方法 | |
CN116933025A (zh) | 基于vmd与dbo-lstm-at的变压器顶层油温预测方法 | |
CN117009785A (zh) | 安全监测方法、装置、服务器及系统 | |
CN115510748A (zh) | 基于变分模态分解和cnn-gru的滑坡位移预测方法 | |
CN115794805A (zh) | 一种中低压配网量测数据补齐方法 | |
CN115293249A (zh) | 一种基于动态时序预测的电力系统典型场景概率预测方法 | |
CN113035348A (zh) | 一种基于gru特征融合的糖尿病诊断方法 | |
CN114720129A (zh) | 一种基于双向gru的滚动轴承剩余寿命预测方法及系统 |
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 |