CN114595525A - 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 - Google Patents
一种基于线性回归和tcn的滚动轴承退化趋势预测方法 Download PDFInfo
- Publication number
- CN114595525A CN114595525A CN202111567703.9A CN202111567703A CN114595525A CN 114595525 A CN114595525 A CN 114595525A CN 202111567703 A CN202111567703 A CN 202111567703A CN 114595525 A CN114595525 A CN 114595525A
- Authority
- CN
- China
- Prior art keywords
- tcn
- data
- rolling bearing
- linear regression
- bearing
- 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
- 230000015556 catabolic process Effects 0.000 title claims abstract description 65
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 65
- 238000005096 rolling process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012417 linear regression Methods 0.000 title claims abstract description 26
- 230000001133 acceleration Effects 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000010183 spectrum analysis Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000001364 causal effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 230000000306 recurrent effect Effects 0.000 abstract description 4
- 238000007781 pre-processing Methods 0.000 abstract 1
- 230000007547 defect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification 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]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- 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
- G06N3/02—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
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Computer Hardware Design (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
Abstract
本发明公开了一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于，首先通过加速度传感器采集滚动轴承的全生命周期振动数据，计算获得数据的样本熵作为轴承的性能退化指标，对样本熵进行平滑预处理，然后根据线性回归模型和μ+3δ确定轴承的SPT点，分析不同的窗口长度对确定SPT的影响，最后将预处理后的样本熵值输入到训练好的TCN网络中进行退化趋势预测。本发明能有效且及时地确定轴承的SPT点，TCN能够很好地拟合轴承的性能退化趋势，避免由于发现轴承故障时间过晚而带来的设备不能安全运行的问题；本发明达到对设备健康管理的方法相比采用循环神经网络预测的方法准确率明显提高，为轴承的退化趋势预测方法提供了新思路。
Description
技术领域
本发明属于轴承性能退化评估技术领域，具体涉及一种基于线性回归和TCN的滚动轴承退化趋势预测方法。
背景技术
随着控制科学和各学科的发展，机械设备朝着复杂、高效和智能化的趋势发展。滚动轴承作为大多数机械设备的关键零部件，特别是像卫星、航天飞机这样的高精尖设备对轴承的振动性能要求特别高，对轴承振动时间序列进行分析为设备的安全运转提供了重要保障。据统计，在含有滚动轴承的机械设备装置中，因滚动轴承故障而导致的机械设备整体故障的概率为50％；如果能对滚动轴承的性能退化作出评估，则可通过预测性维护来避免灾难的发生，保障了生命安全的同时也最大限度的降低设备的维修成本。及时地发现轴承的初始退化时间是退化趋势预测的关键，在轴承的退化趋势预测中，数据驱动的方法已成为预测方法的主流，其中，循环神经网络(RNN)在轴承退化趋势预测中得到广泛应用，但是模型内部都含有大量参数，这些可训练的参数将直接影响模型的性能，且参数没有通用的选择标准。时间卷积网络(TCN)模型的卷积架构在各种任务和数据集上都优于典型的循环网络(例如LSTM和GRU)，且TCN对参数选择的敏感性低于RNN等模型。这使得TCN有着更稳定的性能。
因此，本文提出一种基于线性回归和TCN的滚动轴承退化趋势预测方法。
发明内容
为了解决上述技术问题，本发明设计了一种基于线性回归和TCN的滚动轴承退化趋势预测方法，提取滚动轴承的样本熵作为性能退化指标，将退化指标输入到TCN中实现对滚动轴承的退化趋势预测，提高预测精度。
为了达到上述技术效果，本发明是通过以下技术方案实现的：一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：
Step1：通过加速度传感器采集滚动轴承的全生命周期振动数据，根据采样时间和采样频率将数据进行划分；
Step2：计算划分后各数据组的样本熵，作为滚动轴承性能退化指标；
Step3：对样本熵进行平滑预处理；
Step4：利用线性回归模型确定SPT，若连续多次超出退化阈值则可判定滚动轴承发生了初始退化，并分析不同的窗口长度大小对确定SPT的影响；
Step5：利用VMD分解确定发生初始退化的数据组数，并对数据进行包络谱分析，判断确定的SPT是否正确；
Step6：构建TCN模型；
Step7：根据Step4中确定的SPT将数据划分为训练集和测试集，SPT点之前的数据作为训练集，SPT点之后的数据作为测试集输入到Step6中的模型，实现滚动轴承的退化趋势预测，并利用评价函数对预测结果进行评估。
进一步的，所述Step1中的采样时间为1s，采样频率为20000HZ，将轴承全生命周期数据划分为984组，每组含20480个数据。
进一步的，所述Step2中，划分后的矩阵为
其中m＝20480，l＝984。
进一步的，所述Step3中，平滑方法采用局部加权回归进行平滑，在局部加权回归中，使用给定跨度内的相邻数据点确定平滑值，计算每个数据点的回归权重Wi，计算方法为
其中si为s的相邻元素，d(s)表示跨度中最远值之间的水平距离。
进一步的，所述Step4中，线性回归模型可表示为：
其中，g对应样本熵梯度值，di为对应时间ti时的样本熵的值，w为滑动窗口的大小。退化阈值由μ+3δ确定，对于一个近似正态分布的数据，设其均值为μ，方差为σ2，则其数值分布在(μ-3σ,μ+3σ)中的概率为99.73％，多次超出退化阈值次数为5次；将窗口长度取为10、20、30、40、50。
进一步的，所述Step5中，VMD的分解模态数为7，根据峭度最大原则重构信号后进行包络谱分析。
进一步的，所述Step6中，构建的TCN模型中包含因果卷积、空洞卷积、残差连接和一维全卷积；所述因果卷积当前时刻预测值yt的输出只与当前时刻st和之前的输入相关，而与未来时刻的值st+1无关，可以表示为：yt＝f(s1,s2,...,st),t＝1,2,...,T，其中，f(·)表示卷积操作；对于一维输入s1,s2,...,sT和过滤器f，序列的扩张卷积可以表示为：
进一步的，所述Step7中，使用TCN网络中完全连接的层来预测输出；预测评价指标为拟合决定系数R2，其取值范围越接近于1则说明预测效果越好。
本发明的有益效果是：
1、本发明通过线性回归方法和μ+3δ退化阈值自适应法准确且及时地确定了滚动轴承地退化初始时间；
2、分析了不同窗口长度对确定SPT的影响，避免了由于人工经验选取窗口长度对确定SPT的主观性；
3、本发明通过将样本熵作为性能退化指标输入到TCN网络模型对滚动轴承的退化趋势进行了预测，与目前主流的循环神经网络相比，大大提高了预测的准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的流程图；
图2为样本熵平滑后反映轴承性能退化趋势图；
图3为不同窗口长度下确定的SPT；
图4为对第525组数据进行包络谱分析结果图；
图5为TCN模型结构图；
图6为不同预测模型预测退化趋势对比图；
图7为不同模型的预测准确率对比图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
参阅图1至图7所示，一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：
Step1：通过加速度传感器采集滚动轴承的全生命周期振动数据，根据采样时间和采样频率将数据进行划分；
Step2：计算划分后各数据组的样本熵，作为滚动轴承性能退化指标；
Step3：对样本熵进行平滑预处理；
Step4：利用线性回归模型确定SPT，若连续多次超出退化阈值则可判定滚动轴承发生了初始退化，并分析不同的窗口长度大小对确定SPT的影响；
Step5：利用VMD分解确定发生初始退化的数据组数，并对数据进行包络谱分析，判断确定的SPT是否正确；
Step6：构建TCN模型；
Step7：根据Step4中确定的SPT将数据划分为训练集和测试集，SPT点之前的数据作为训练集，SPT点之后的数据作为测试集输入到Step6中的模型，实现滚动轴承的退化趋势预测，并利用评价函数对预测结果进行评估。
进一步的，所述Step1中的采样时间为1s，采样频率为20000HZ，将轴承全生命周期数据划分为984组，每组含20480个数据。
进一步的，所述Step2中，划分后的矩阵为
其中m＝20480，l＝984。
进一步的，所述Step3中，平滑方法采用局部加权回归进行平滑，在局部加权回归中，使用给定跨度内的相邻数据点确定平滑值，计算每个数据点的回归权重Wi，计算方法为
其中si为s的相邻元素，d(s)表示跨度中最远值之间的水平距离。
进一步的，所述Step4中，线性回归模型可表示为：
其中，g对应样本熵梯度值，di为对应时间ti时的样本熵的值，w为滑动窗口的大小。退化阈值由μ+3δ确定，对于一个近似正态分布的数据，设其均值为μ，方差为σ2，则其数值分布在(μ-3σ,μ+3σ)中的概率为99.73％，多次超出退化阈值次数为5次；将窗口长度取为10、20、30、40、50。
进一步的，所述Step5中，VMD的分解模态数为7，根据峭度最大原则重构信号后进行包络谱分析。
进一步的，所述Step6中，构建的TCN模型中包含因果卷积、空洞卷积、残差连接和一维全卷积；所述因果卷积当前时刻预测值yt的输出只与当前时刻st和之前的输入相关，而与未来时刻的值st+1无关，可以表示为：yt＝f(s1,s2,...,st),t＝1,2,...,T，其中，f(·)表示卷积操作；对于一维输入s1,s2,...,sT和过滤器f，序列的扩张卷积可以表示为：
进一步的，所述Step7中，使用TCN网络中完全连接的层来预测输出；预测评价指标为拟合决定系数R2，其取值范围越接近于1则说明预测效果越好。
实施例2
本发明通过线性回归方法和μ+3δ退化阈值自适应法准确且及时地确定了滚动轴承地退化初始时间；分析了不同窗口长度对确定SPT的影响，避免了由于人工经验选取窗口长度对确定SPT的主观性；本发明通过将样本熵作为性能退化指标输入到TCN网络模型对滚动轴承的退化趋势进行了预测，与目前主流的循环神经网络相比，大大提高了预测的准确性。
实施例3
验证实验：
本次实验使用辛辛那提大学智能维护系统中心滚动轴承从正常到运行失败的测试数据集。滚轴由交流电机驱动，轴承型号为Rexnord ZA-2115，转轴以2000r/min的恒定速度运行，数据采样频率为20000HZ，采样时间为1s，采样间隔为10min。每组数据由单个文件组成，每个文件中包含20480个点。轴承1以外圈缺陷结束；轴承3以内圈缺陷结束；轴承4以滚动体缺陷结束，本发明以最终发生失效的轴承1作为实验研究对象。
如图2所示，将采集到的轴承全生命周期数据分成20480×984组数据，计算每组数据的样本熵值，最终获得1×980维的样本熵值作为轴承的性能退化指标,，其中，文件中的最后四组数据由于进入了严重退化阶段被舍去。
如图3所示，在用线性回归确定HI梯度时，当滑动窗口越小时，计算出的样本熵梯度也就越大，对故障也就越敏感，结合μ+3σ的方法也就能越早的超过退化阈值，选取一个合适的值才能准确的确定SPT。图3中为选取窗口长度为10、20、30、40、50的结果。图中红线表示由3σ区间确定的故障阈值报警线。当轴承处于正常运行阶段时，样本熵梯度幅值较小，未超过故障阈值。当轴承运行到第525组数据时，样本熵梯度值首次超过了故障阈值直到轴承的第532组数据，通常建议将连续超过5次阈值作为判定轴承是否发生退化的依据。所以初步判断轴承1在第525组时发生了退化。
为了对判断出的SPT的准确性进行检验，对轴承1是否在第525组发生退化进行验证。首先，提取轴承严重退化阶段的第750组数据进行VMD分解，分解模态数为7，根据峭度最大准则对信号进行重构，对重构后的信号进行包络谱分析，如图4所示。在轴承的严重退化阶段，包络谱中可找到与轴承1的外圈故障特征频率相近的频率成份230.7HZ及故障特征频率的四倍频；同样，在第525组数据中也找到了故障特征频率及故障特征频率四倍频；而在第524组数据的包络谱中并没有明显的出现故障特征频率及倍频。所以可判断轴承1在第525组发生了早期退化。
根据确定的SPT将数据划分为训练集和测试集，将训练集数据输入到TCN模型中进行训练，TCN模型结构如图5所示。其中，d为膨胀因子，n为滤波器大小，sx-d·i表示序列元素乘以卷积核中的元素。膨胀因子d越大，输入的范围也就越大，从而加大了卷积网络的感受野。残差模块能使更深层的网络正常工作，从而可以提高模型的性能。残差模块中包括两层扩张因果卷积层，激活函数为ReLU，WeightNorm通过权重归一化使训练变得更快，Dropout防止训练模型出现过拟合的现象，起到了正则化的作用，另外，通过一维全卷积保证了TCN的输入序列和输出序列的长度保持一致，最后，使用完全连接的层来预测输出。
图6为利用TCN对轴承退化趋势的预测结果图，为对预测结果进行评价，利用拟合决定系数对其评价，其取值范围越接近于1则说明预测效果越好。评价结果如图7所示，从图7中可以看出，相比于LSTM和GRU，TCN有着更高的预测准确性。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (8)
1.一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：
Step1：通过加速度传感器采集滚动轴承的全生命周期振动数据，根据采样时间和采样频率将数据进行划分；
Step2：计算划分后各数据组的样本熵，作为滚动轴承性能退化指标；
Step3：对样本熵进行平滑预处理；
Step4：利用线性回归模型确定SPT，若连续多次超出退化阈值则可判定滚动轴承发生了初始退化，并分析不同的窗口长度大小对确定SPT的影响；
Step5：利用VMD分解确定发生初始退化的数据组数，并对数据进行包络谱分析，判断确定的SPT是否正确；
Step6：构建TCN模型；
Step7：根据Step4中确定的SPT将数据划分为训练集和测试集，SPT点之前的数据作为训练集，SPT点之后的数据作为测试集输入到Step6中的模型，实现滚动轴承的退化趋势预测，并利用评价函数对预测结果进行评估。
2.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step1中的采样时间为1s，采样频率为20000HZ，将轴承全生命周期数据划分为984组，每组含20480个数据。
3.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step2中，划分后的矩阵为
其中m＝20480，l＝984。
4.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step3中，平滑方法采用局部加权回归进行平滑，在局部加权回归中，使用给定跨度内的相邻数据点确定平滑值，计算每个数据点的回归权重Wi，计算方法为
其中si为s的相邻元素，d(s)表示跨度中最远值之间的水平距离。
5.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step4中，线性回归模型可表示为：
其中，g对应样本熵梯度值，di为对应时间ti时的样本熵的值，w为滑动窗口的大小；退化阈值由μ+3δ确定，对于一个近似正态分布的数据，设其均值为μ，方差为σ2，则其数值分布在(μ-3σ,μ+3σ)中的概率为99.73％。
6.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step5中，VMD的分解模态数为7，根据峭度最大原则重构信号后进行包络谱分析。
7.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step6中，构建的TCN模型中包含因果卷积、空洞卷积、残差连接和一维全卷积；所述因果卷积当前时刻预测值yt的输出只与当前时刻st和之前的输入相关，而与未来时刻的值st+1无关，可以表示为：yt＝f(s1,s2,...,st),t＝1,2,...,T，其中，f(·)表示卷积操作；对于一维输入s1,s2,...,sT和过滤器f，序列的扩张卷积可以表示为：
8.根据权利要求1所述的一种基于线性回归和TCN的滚动轴承退化趋势预测方法，其特征在于：所述Step7中，使用TCN网络中完全连接的层来预测输出；预测评价指标为拟合决定系数R2，其取值范围越接近于1则说明预测效果越好。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111567703.9A CN114595525A (zh) | 2021-12-21 | 2021-12-21 | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111567703.9A CN114595525A (zh) | 2021-12-21 | 2021-12-21 | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114595525A true CN114595525A (zh) | 2022-06-07 |
Family
ID=81813900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111567703.9A Pending CN114595525A (zh) | 2021-12-21 | 2021-12-21 | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114595525A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993247A (zh) * | 2022-12-08 | 2023-04-21 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
-
2021
- 2021-12-21 CN CN202111567703.9A patent/CN114595525A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115993247A (zh) * | 2022-12-08 | 2023-04-21 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
| CN115993247B (zh) * | 2022-12-08 | 2023-09-01 | 中国矿业大学 | 基于时间序列分解和保序回归的钻机主轴轴承健康状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
| CN109472110B (zh) | 一种基于lstm网络和arima模型的航空发动机剩余使用寿命预测方法 | |
| Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
| CN111274737A (zh) | 一种机械设备剩余使用寿命预测方法及系统 | |
| CN107657250B (zh) | 轴承故障检测及定位方法及检测定位模型实现系统和方法 | |
| CN111260125B (zh) | 一种轨道车辆部件的温度异常检测方法 | |
| CN110807257A (zh) | 航空发动机剩余寿命预测方法 | |
| CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
| CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN114297910A (zh) | 一种基于改进lstm的航空发动机寿命预测方法 | |
| CN111459144A (zh) | 一种基于深度循环神经网络的飞机飞控系统故障预测方法 | |
| CN112785091A (zh) | 一种对油田电潜泵进行故障预测与健康管理的方法 | |
| Nasser et al. | A hybrid of convolutional neural network and long short-term memory network approach to predictive maintenance | |
| Cheng et al. | Predicting the remaining useful life of rolling element bearings using locally linear fusion regression | |
| CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
| CN114595525A (zh) | 一种基于线性回归和tcn的滚动轴承退化趋势预测方法 | |
| CN114547795A (zh) | 一种基于数据驱动的滚动轴承剩余寿命预测方法 | |
| CN117076869B (zh) | 旋转机械时频域融合故障诊断方法及系统 | |
| Yao et al. | RUL prediction method for rolling bearing using convolutional denoising autoencoder and bidirectional LSTM | |
| CN111985845B (zh) | 一种异构Spark集群的节点优先级调优方法 | |
| CN114580472B (zh) | 工业互联网中因果与注意力并重的大型设备故障预测方法 | |
| Ling et al. | Information gain-based inspection scheduling for fatigued aircraft components | |
| Dui et al. | Reliability Evaluation and Prediction Method with Small Samples. | |
| CN111160419A (zh) | 一种基于深度学习的电子式互感器数据分类预测方法及装置 | |
| CN115309736B (zh) | 基于自监督学习多头注意力网络的时序数据异常检测方法 |
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 |