CN116305614A - 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 - Google Patents
一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 Download PDFInfo
- Publication number
- CN116305614A CN116305614A CN202310071606.3A CN202310071606A CN116305614A CN 116305614 A CN116305614 A CN 116305614A CN 202310071606 A CN202310071606 A CN 202310071606A CN 116305614 A CN116305614 A CN 116305614A
- Authority
- CN
- China
- Prior art keywords
- residual
- bearing
- neural network
- rolling bearing
- 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
- 238000005096 rolling process Methods 0.000 title claims abstract description 167
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012360 testing method Methods 0.000 claims abstract description 47
- 238000010606 normalization Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 56
- 230000015654 memory Effects 0.000 claims description 35
- 238000013527 convolutional neural network Methods 0.000 claims description 32
- 210000004027 cell Anatomy 0.000 claims description 25
- 230000015556 catabolic process Effects 0.000 claims description 24
- 238000006731 degradation reaction Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 8
- 230000036541 health Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000013139 quantization Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 230000001419 dependent effect Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002035 prolonged effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research 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
- 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
- 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
- G06N3/08—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
- G06F2119/04—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
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,包括:获取轴承全寿命周期时序振动信号并进行归一化处理,将预处理所得到的信号作为残差卷积神经网络的输入,利用一维深度残差卷积神经网络自动提取数据局部抽象信息以挖掘轴承时序振动信号的深层次特征;将提取的深层次特征输入到深度LSTM网络中,构建轴承趋势性特征;使用优化算法对所有网络超参数进行优化,完成轴承剩余使用寿命预测,获得基于残差卷积神经网络和深度LSTM网络的滚动轴承寿命预测模型;将测试轴承非全寿命周期时序振动信号输入模型中,获得测试轴承的剩余使用寿命。本发明利用深度神经网络模型能够有效提高轴承寿命预测的准确性。
Description
技术领域
本发明属于一种滚动轴承剩余使用寿命预测的技术领域,涉及一种基于残差卷积神经网络和LSTM(Long Short-Term Memory,长短时记忆网络)的滚动轴承剩余使用寿命预测方法。
背景技术
近年来,滚动轴承作为旋转机械设备中最常见且极其重要的核心基础零部件之一,其健康状况会影响整个机械系统的精密度、安全性等。在设备复杂的运行环境下,滚动轴承成为工业上最易损坏,可靠性最差的零部件之一。滚动轴承一旦发生故障,将会导致一系列负面影响,比如延长停机时间、造成重大事故甚至人员伤亡等。因此,准确预测滚动轴承的剩余使用寿命(Remaining Useful Life,RUL)对旋转机械的预防性维修决策具有重大的意义。
通常,现有的RUL预测方法基本可以分为四大类:基于物理模型的方法、基于信号处理的方法、基于数据驱动的方法和基于混合的方法。传统的算法在进行滚动轴承寿命预测前需要对设备的物理特性具有一定程度的了解,即需要先验知识、复杂的信号滤波降噪处理和特征设计及挑选过程,然而随着工业4.0和大数据时代的到来,传统算法在海量数据面前将愈发不可行。近些年来,随着信息技术的进步,基于数据驱动的滚动轴承寿命预测方法逐渐成为研究的热点。其中,基于数据驱动的方法是根据历史传感器数据对退化特性进行建模,再从滚动轴承的退化特征映射为滚动轴承的RUL值。传统的数据驱动方法如支持向量机(SVM)、人工神经网络(ANN)和朴素贝叶斯等均采用浅层机器学习模型。但这类浅层机器学习方法高度依赖专家知识和手动特征选取,并且这类浅层方法的表示能力有限,不能充分利用海量数据学习足够的特征,复杂工况下的滚动轴承寿命预测仍然有待提升。
深度学习作为数据驱动方法的热门分支,发展迅速,凭借其自动提取特征,模型泛化能力强等优势,已在各领域得到一定的应用。基于深度学习的RUL预测方法能够自动提取历史数据的深度特征表示,有效克服未知模型退化的问题,因此在机械预测领域得到了广泛的研究和应用。以卷积神经网络(CNN)为代表的深度学习模型逐渐被应用于滚动轴承RUL预测,少量的卷积操作无法对滚动轴承RUL值进行精准预测,但是随着深度CNN的层级增加到一定数目后,模型可能出现退化现象,模型的预测精度会有所下降。并且利用单纯的CNN对原始时序数据进行自适应特征提取只考虑了数据在多维度上的特征,未考虑数据的时间序列特征,会造成原始数据序列特征信息的丢失。
发明内容
本发明的目的在于解决现有的滚动轴承振动信号特征提取方法过于依赖专家经验以及已有模型的预测精度较低的问题,提供一种基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法,通过将获取的滚动轴承原始时序振动信号经归一化处理后作为一维深度残差卷积神经网络的输入,初步提取滚动轴承的深层次退化特征,再利用深度LSTM网络构建滚动轴承的趋势性特征,最后通过全连接神经网络实现滚动轴承RUL的预测,解决滚动轴承在运行时的寿命预测与智能决策问题。
为解决上述问题,本发明采取以下技术方案。
本发明的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,包括以下步骤:
步骤1、数据预处理:获取轴承全寿命周期时序振动信号,构建不同工况下的训练集Dtrain={xt,yt}T,Dtrain为某一工况下某一轴承的全寿命周期时序振动信号,xt∈RP×2为轴承P×2维的特征输入,P=2560,yt∈[0,1]为预测模型的输出,T为轴承在运行过程的失效时间,即轴承的全寿命值;首先将全寿命周期时序振动信号进行归一化处理后,将其作为模型的特征输入;为了方便网络训练,并基于轴承的健康状况是随着运行时间而线性退化的,计算轴承全寿命值的百分比,并将其作为输出训练预测模型;
步骤2、初步特征提取:设定一维残差卷积神经网络中各个残差块结构、卷积核尺寸大小;将归一化后的轴承时序振动信号输入到一维残差卷积神经网络中,利用网络中由Conv1D层、池化层、BN层、Relu层组成的不同结构的残差块,进一步提取轴承时序振动信号的深层次特征;
步骤3、趋势性特征构建:将一维残差卷积神经网络的输出结果输入到深度LSTM中,利用深度LSTM中的LSTM基本记忆单元对时间序列数据具有长短时记忆的优势,进一步构建滚动轴承的趋势性特征信息;
步骤4、模型训练:将步骤1中构建的训练集数据输入到步骤2和步骤3中构建轴承趋势性量化特征,再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势;使用Adam优化算法对所有超参数进行优化,完成轴承深层次特征自提取以及RUL预测,从而获取基于残差卷积神经网络和LSTM的轴承RUL预测模型;
步骤5:模型测试:选择不同工况下的非全寿命周期时序振动信号构建模型的测试集;对其进行归一化处理,经步骤2自适应提取振动数据的深层特征,结合步骤3中的深度LSTM模型,获取测试集轴承的趋势性量化特征;最后利用全连接神经网络,去拟合轴承寿命值的退化趋势,预测测试集轴承的RUL。
具体的,所述步骤1数据预处理的过程包括:
对于步骤1获取的不同工况下的滚动轴承全周期时序振动信号,进行min-max归一化处理,转换函数如下:
其中,x为归一化前的时序振动信号,xt为归一化后的时序振动信号,xmin为时序振动信号的最小值,xmax为时序振动信号的最大值;
将归一化处理的振动信号作为整体预测模型的输入,经过神经网络不断迭代训练优化其网络参数,网络最终输出数据集所对应的RUL预测值;假设每条训练样本设为{(xi,yi)},其中xi为第i个样本的振动数据特征;yi为第i个样本的标签值,即该次采集时所对应的真实滚动轴承RUL;滚动轴承的健康状况是随着运行时间而线性退化的,基于此条件,yi的计算公式如下:
其中,t为轴承运行的失效时刻,即轴承的全寿命值;t-ti为第i个采样点的RUL值,t0为轴承运行的起始时刻,N为轴承总的采样点。
具体的,所述步骤2的初步特征提取,具体过程包括:
2.1、搭建一维深度残差卷积神经网络模型:基于一维深度残差卷积神经网络的初步特征提取模型包括一个post-activation残差块和a个pre-activation残差块;利用一维残差卷积神经网络中的不同结构的残差块对整个输入振动信号序列进行处理,初步自适应挖掘振动信号的深层次退化特征;将对时序振动信号归一化处理后得到的xt输入至一维深度残差卷积神经网络模型G中;
y=G(xt)=G(xt1,xt2) (3)
其中,xt1,xt2滚动轴承归一化后的振动信号,y为一维残差卷积网络初步自适应提取的轴承退化特征值;
2.2、对归一化后的轴承时序振动信号xt进行第一层卷积操作,第一层Conv层的步幅大小为s1,卷积核采用k1×1的大小,卷积核的核数为m1;然后采用BN层来加速网络的计算和优化;采用Relu层进行非线性操作,输出第一层信号特征;
2.3、将第一个Conv层输出的特征输入到post-activation残差块中,post-activation残差块从一个Conv层开始,然后依次是BN层、Relu层、最后以一个Conv层结束;在Relu层后添加Dropout层;为了减少计算时间和消除冗余特征,在残差学习框架中加入了一个最大输出池化MaxPool层;两个Conv层和MaxPool层的结构均使用了内核大小为k2×1的卷积核,步幅大小为s2;在post-activation残差块中,两个卷积核的核数分别为m2和m3,最后输出post-activation残差块的特征输出;
2.4、将post-activation残差块输出的特征输入至由多个一维残差模块即pre-activation残差块堆积的深度残差模块中;一个pre-activation残差块从一个BN层开始,然后依次是Relu层、Conv层、BN层、Relu层、Conv层,同样在残差结构中使用MaxPool层;pre-activation残差块中,第一个Conv层采用卷积核大小为k3×1,步幅大小为s3;第二个Conv层采用卷积核大小为k4×1,步幅大小为s4;MaxPool层采用卷积核大小为k5×1,步幅大小为s5;这种结构在每个pre-activation残差块中都会重复出现;最后,经过若干个pre-activation残差块输出轴承深层次特征,最后连接BN层和Relu层完成滚动轴承基于残差卷积神经网络的初步深层次特征提取过程。
具体的,所述步骤3趋势性特征构建,其过程包括:
步骤3.1、计算LSTM基本单元中遗忘门的值ft,ft对上一时刻t-1的记忆单元状态值ct-1中存在的历史信息进行选择性地遗忘,从而对当前时刻t的记忆单元状态值ct产生影响,是对长期记忆中的信息进行筛选;
ft=σ[Wf(ht-1,xt)+bf] (4)
步骤3.2、计算候选记忆单元值kt,在更新ct之前,会先产生kt;当前时刻t的输入xt以及网络上一时刻t-1的输出ht-1共同决定kt值;通过ht-1和xt进行相应的计算,得到当前时刻t的kt,更新ct的信息:
kt=tanh[Wk(ht-1,xt)+bk] (5)
步骤3.3、计算输入门的值it,it选择性地记忆xt对ct的影响,将输入数据中的信息存到当前时刻状态中;
it=σ[Wi(ht-1,xt)+bi] (6)
其中,it和kt都是对短期记忆中的信息进行更新,结合ht-1,从xt中提取重要的信息,是对短期记忆中的信息进行筛选;
步骤3.4、计算当前时刻t的ct值,
式中:表示逐点乘积,由式(7)可知,ct-1和kt的值共同决定ct的更新,LSTM基本单元结构是通过ft和it这两个门控制器分别对ct-1和kt这两部分进行选择性记忆和遗忘,从而得到当前时刻t的ct值;
步骤3.5、计算输出门的值ot,ot控制当前时刻ct的输出,
ot=σ[Wo(ht-1,xt)+bo] (8)
步骤3.6、计算LSTM基本单元的输出ht,通过ot将信息传递给下一个神经元,
ht=ottanh(ct) (9)
式(4)-(9)中,Wf、Wk、Wi和Wo分别为在t时刻的f、kt、i和o的权重值,bf、bk、bi和bo分别为f、kt、i和o的偏置,xt为当前时刻t的输入,ht-1为网络上一时刻t-1的输出,σ为sigmoid函数,取值为(0,1),tanh函数,取值为(-1,1);式(9)中,LSTM基本单元的输出ht即为深度LSTM网络提取的趋势性轴承特征信息。
具体的,所述步骤4模型训练,包括:
步骤4.1、基于PyTorch深度学习的框架,搭建轴承RUL预测模型;创建模型指定一维深度残差卷积神经网络的超参数、深度LSTM网络的网络层数以及隐藏层节点数、全连接神经网络的网络层数和网络节点数、网络的学习率以及网络训练时的迭代次数;
步骤4.2、在训练集上训练滚动轴承RUL预测网络模型:将步骤1中构建的滚动轴承训练集输入到步骤2中初步提取滚动轴承的深层次特征,将步骤2中一维深度残差卷积神经网络提取的滚动轴承深层次特征输入到步骤3中构建滚动轴承趋势性特征,最后再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势;使用Adam优化算法对一维深度残差卷积网络、深度LSTM网络和全连接神经网络中的超参数进行优化,完成训练集的寿命预测;最终获得基于残差卷积神经网络和LSTM的滚动轴承RUL预测模型:
其中,M为数据样本点总个数;di=RUL'i-RULi,表示预测值与真实值之间的差值;均方根误差的值越小,则模型的预测精度越高。
进一步的,所述步骤5模型测试,包括:
选取滚动轴承不同工况下的非全寿命周期时序振动信号构建测试集,在测试集上测试模型的准确性和可靠性;对测试集中不同工况下的非全寿命周期时序振动信号进行归一化处理,输入到步骤4中模型训练阶段所得的基于残差卷积神经网络和LSTM的滚动轴承RUL预测网络模型中,完成模型测试阶段,实现测试集滚动轴承RUL值的预测。
具体的,所述步骤4模型训练和步骤5模型测试,选取工况1下的滚动轴承1_1和1_2、工况2下的滚动轴承2_1和2_2以及工况3下的滚动轴承3_1和3_2为训练集,选择滚动轴承1_5、滚动轴承2_7和滚动轴承3_3为测试集;其中训练集为滚动轴承全寿命周期时序振动信号,测试集为滚动轴承非全寿命周期时序振动信号。
与现有技术相比,本发明具有以下优点和有益效果:
1.本发明对滚动轴承真实的RUL标签值进行了归一化处理,计算轴承RUL值的百分比,将退化的百分比作为输出进行模型训练。相比直接进行计算,对滚动轴承真实的RUL标签值进行归一化处理减少了网络训练的难度。
2.本发明将基本的残差单元结构引入到一维卷积神经网络中构建一维深度残差卷积神经网络,实现对滚动轴承退化振动信号进行深层次特征自提取。相比于普通的深度卷积神经网络,可以进行更多卷积层的操作,而且也会避免因为卷积层的层数过多而导致的梯度消失和网络退化问题,同时也解决了现有的滚动轴承振动信号特征提取方法过于依赖专家经验的问题,从而自动提取数据局部抽象信息以挖掘深层次特征。
3.本发明在一维深度残差卷积神经网络中的不同残差学习框架的跳跃连接处都选用最大输出池化层,以此减少了网络的计算时间,并且消除了网络的冗余特征。
4.本发明将深度LSTM网络引入到滚动轴承寿命预测领域,可以进一步提取滚动轴承退化振动信号的时序特征信息,相比其他的深度学习方法,基于深度LSTM的趋势性特征构建网络对处理时间序列数据有着优越性。不仅解决时间序列中的长期依赖问题,而且能提高滚动轴承寿命预测的精度。
5.本发明可有效解决:传统特征提取方法过于依赖专家知识、深度卷积神经网络出现的梯度消失和模型退化以及单纯的卷积神经网络造成原始数据中时间序列特征信息的丢失等问题。本发明实现基于深度学习的端到端的滚动轴承RUL预测,不依赖大量人工特征提取方法,可大大减少人力物力的消耗。对其工作状态进行有效监测,及时准确地预测出滚动轴承的RUL值,可以保障机械设备能够安全可靠高效地运行,延长设备的工作周期。
附图说明
图1为本发明的一种实施例的基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法的流程图。
图2为本发明的一种实施例的一维深度残差卷积神经网络的整体框架图;
图3为本发明的一种实施例的一维深度残差卷积神经网络中残差块的具体实施图。其中,图3a为post-activation残差块实施图,图3b为pre-activation残差块实施图;
图4为本发明的一种实施例的LSTM记忆单元基本结构图;
图5为本发明的一种实施例的滚动轴承RUL预测方法的具体实施图;
图6为本发明的一种实施例的所使用数据的采集装置;
图7为滚动轴承RUL不同方法的预测结果图。其中,图7a为本发明的一种实施例的基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法的结果图,图7b为基于CNN和LSTM的滚动轴承RUL预测结果图。
具体实施方式
本发明的一种基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法,首先利用基于残差原理的一维深度残差卷积神经网络进行滚动轴承原始振动信号的初步特征自提取,然后利用深度LSTM网络实现滚动轴承时序特征的提取,构建滚动轴承趋势性特征,最后通过全连接回归层映射到滚动轴承的寿命值。基于以上方法实现滚动轴承部件RUL值的准确预测,解决了旋转机械设备在运行时零部件的智能决策问题。
下面结合附图对本发明做进一步详细描述。
图1为本发明的一种实施例方法的整体流程图。如图1所示,本发明的一种基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法,包括以下步骤:
步骤1、数据预处理:选取滚动轴承不同工况下的全寿命周期时序振动信号作为训练集,将全寿命周期时序振动信号进行归一化处理后作为特征输入,滚动轴承的真实RUL值的百分比作为标签值输出,形如Dtrain={xtrain,ytrain}T,其中xtrain∈RP×2表示某一工况下某一滚动轴承在t时刻处的P×2维的输入特征,P=2560表示滚动轴承的2560个采样点,ytrain∈[0,1]表示该滚动轴承在时刻t的寿命退化百分比输出;Dtrain表示训练集中某一工况某一滚动轴承的全寿命周期时序振动信号;T为滚动轴承全寿命运行时间;
步骤2、初步特征提取:设定一维深度残差卷积神经网络的各个残差块层数、卷积核尺寸大小,将归一化处理后的滚动轴承全寿命周期时序振动信号作为一维深度残差卷积神经网络的输入,利用一维深度残差卷积神经网络中的一维卷积(Conv1D)层、池化层、批处理归一化(BN)层、非线性激活函数(Relu)层遍历整个全寿命周期时序振动信号,挖掘全寿命周期时序振动信号中的局部信息、初步提取滚动轴承的深层次特征;
步骤3、趋势性特征构建:将一维深度残差卷积神经网络提取的滚动轴承深层次特征输入到深度LSTM网络中,利用深度LSTM网络中的LSTM记忆单元对全寿命周期时序振动信号具有长短时记忆的优势,进一步构建滚动轴承的趋势性量化特征;
步骤4、模型训练:将步骤1中构建的滚动轴承训练集输入到步骤2中初步提取滚动轴承的深层次特征,将步骤2中一维深度残差卷积神经网络提取的滚动轴承深层次特征输入到步骤3中构建滚动轴承趋势性特征,最后再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势。使用Adam优化算法对一维深度残差卷积网络、深度LSTM网络和全连接神经网络中的超参数进行优化,完成模型训练阶段,进而获得基于残差卷积神经网络和LSTM的滚动轴承RUL预测模型;
步骤5:模型测试:选取滚动轴承不同工况下的非全寿命周期时序振动信号构建测试集,对测试集中非全寿命周期时序振动信号进行归一化处理,输入到步骤4中模型训练阶段所得的网络模型中,完成模型测试阶段,实现测试集滚动轴承RUL值的预测。
具体的,所述步骤1数据处理,包括:
步骤1.1、对于步骤1获取的不同工况下的滚动轴承全寿命周期时序振动信号进行最小-最大值(min-max)归一化处理,即对滚动轴承全寿命周期时序振动信号进行线性变化,使最终结果落到[0,1]区间内,转换函数例如下:
其中,x为归一化前的全寿命周期时序振动信号,xt为归一化后的全寿命周期时序振动信号,xmin为全寿命周期时序振动信号中的最小值,xmax为全寿命周期时序振动信号中的最大值;
步骤1.2、将min-max归一化处理的全寿命周期时序振动信号作为整体预测模型的输入,经过神经网络不断迭代训练优化其网络参数,最终输出所对应的RUL预测值。假设每条训练样本设为{(xi,yi)},其中的xi为第i个样本的滚动轴承振动数据特征值;yi为第i个样本的标签值,即该次采集时所对应的真实滚动轴承RUL值。一般认为滚动轴承的健康状况是随着运行时间而线性退化的,基于此条件,yi的计算公式如下:
其中,t为滚动轴承运行的失效时刻,即滚动轴承的全寿命值;t-ti为第i个采样点的RUL值,t0为滚动轴承运行的起始时刻,N为滚动轴承总的采样点。例如在本发明中所使用的PHM2012数据集中,工况一下的滚动轴承1_1共有2803个样本,由于采集时间间隔为10s,因此即认为该滚动轴承的RUL为28030s,如果xi为第1000个样本,即对应真实的RUL则为18030s,即此时的xi为第1000个样本的信号特征,样本标签yi为0.64324。
具体的,所述步骤2初步特征提取,包括:
2.1、搭建一维深度残差卷积神经网络模型,如图2所示,基于一维深度残差卷积神经网络的初步特征提取模型包括一个卷积(Conv)层、BN层、Relu层、一个post-activation残差块、5个pre-activation残差块以及最后的BN层和Relu层。在式3中,t时刻一维深度残差卷积神经网络的输入为滚动轴承归一化处理后的全寿命周期时序振动信号,输出是一维深度残差卷积神经网络提取的深层次特征。一维深度残差卷积神经网络模型的目的是学习从全寿命周期时序振动信号段到深层次特征的映射,利用一维深度残差卷积神经网络中的不同残差块遍历整个输入,初步提取全寿命周期时序振动信号的局部信息,挖掘滚动轴承数据的深层次特征,将对滚动轴承全寿命周期时序振动信号归一化处理后得到的xt输入至一维深度残差卷积神经网络模型G中;
y=G(xt)=G(xt1,xt2) (3)
其中,xt1,xt2为滚动轴承归一化后的全寿命周期时序振动信号,y为一维深度残差卷积神经网络初步自适应提取的滚动轴承深层次退化特征值。
2.2、一维深度残差卷积神经网络的具体过程包括:首先对归一化后的全寿命周期时序振动信号xt进行第一个Conv层的操作,卷积层的步幅为2,卷积核使用3×1的卷积核,卷积核的核数为64。然后采用BN层来加速一维深度残差卷积神经网络的计算和优化。采用Relu层进行非线性操作,输出信号特征;
2.3、将通过第一个Conv层、BN层和Relu层输出的信号特征输入到post-activation残差块中,具体post-activation残差块实施图如图3a所示,post-activation残差块是从一个Conv层开始,然后依次是BN层、Relu层、Dropout层,最后以一个Conv层结束。在Relu层后添加Dropout层减少训练过程中一维深度残差卷积神经网络中出现的过拟合现象,提高模型的泛化能力。为了减少计算时间和消除冗余特征,在残差学习框架的跳跃连接处加入了一个最大输出池化(MaxPool)层。post-activation残差块中的两个Conv层和MaxPool层的结构均使用了内核大小为3×1的卷积核,步幅为1。在post-activation残差块中的两个Conv层的卷积核的核数分别为128和64,最后经过一个post-activation残差块得到输出信号特征;
2.4、将post-activation残差块输出的信号特征输入到由5个pre-activation残差块堆叠的深度残差模块中。其中每一个pre-activation残差块的具体实施图如图3b所示,每一个pre-activation残差块是从一个BN层开始,然后依次是Relu层、Conv层、BN层、Relu层、Conv层,同样在残差学习框架的跳跃连接处使用一个MaxPool层,每一个pre-activation残差块中第一个Conv层采用内核大小为3×1的卷积核,步幅为1;第二个Conv层采用内核大小为3×1的卷积核,步幅为2;MaxPool层采用内核大小为1×1的卷积核,步幅为2。经过5个相同结构的pre-activation残差块堆叠输出信号特征,最后连接BN层和Relu层完成基于一维深度残差卷积神经网络的滚动轴承初步深层次特征提取过程;
具体的,所述步骤3趋势性特构建,包括:
对于一维深度残差卷积神经网络获得的深层次特征,利用深度LSTM网络控制时间序列中信息的流动捕获时间序列中的长期和短期依赖信息,从而构建滚动轴承有效的趋势性特征。LSTM记忆单元通过三个门控制器:输入门i、遗忘门f和输出门o对当前的输入信息和之前的记忆状态进行选择性记忆和遗忘;三个门可以控制时间序列中的信息流向,捕获时间序列数据中的长期和短期依赖信息,从而构建滚动轴承有效的趋势性特征,t时刻的LSTM基本单元的结构如图4所示。
步骤3.1、计算LSTM基本单元中遗忘门的值ft,遗忘门选择性遗忘上一时刻的记忆单元状态值ct-1中存在的历史信息对当前记忆单元状态值ct的影响,是对长期记忆中的信息进行筛选;
ft=σ[Wf(ht-1,xt)+bf] (4)
步骤3.2、计算候选记忆单元值kt,在更新记忆单元ct之前,会先产生候选的记忆单元kt,kt是由当前时刻t输入的深层特征xt以及上一时刻t-1的隐藏层单元的输出ht-1共同决定,进行权重矩阵线性组合,得到当前时刻候选记忆单元值kt,更新记忆单元状态ct的信息:
kt=tanh[Wk(ht-1,xt)+bk] (5)
步骤3.3、计算输入门的值it,输入门选择性记忆当前深层特征数据输入xt对记忆单元状态值ct的影响,将输入样本中的信息存到当前时刻状态中;
it=σ[Wi(ht-1,xt)+bi] (6)
其中,输入门的值it和候选记忆值kt是对短期记忆中的信息进行更新,结合ht-1,从输入xt中提取重要的信息;
步骤3.4、计算当前时刻t的记忆单元状态值ct,
式中:表示逐点乘积,由式(7)可知,记忆单元状态ct的更新取决于上一时刻的记忆单元值ct-1和当前候选记忆单元值kt,LSTM基本单元是通过遗忘门ft和输入门it这两个门控制器分别对ct-1和kt这两部分进行选择性记忆和遗忘;
步骤3.5、计算输出门的值ot,输出门控制记忆单元状态值的输出,
ot=σ[Wo(ht-1,xt)+bo] (8)
步骤3.6、计算LSTM记忆单元的输出ht,通过输出门ot将信息传递给下一个神经元,
ht=ottanh(ct) (9)
式(4)-(9)中,Wf、Wk、Wi、Wo分别为在时刻t遗忘门f、候选记忆单元kt、输入门i、输出门o的权重值,bf、bk、bi、bo分别为遗忘门f、候选记忆单元kt、输入门i、输出门o的偏置,xt为当前时刻t的输入,ht-1为网络前一时刻t-1的输出,σ为sigmoid函数,取值为(0,1),tanh函数,取值为(-1,1)。
具体的,所述步骤4模型训练阶段,包括:
步骤4.1、本发明滚动轴承RUL预测方法的具体实施图如图5所示。基于PyTorch深度学习框架搭建一维深度残差卷积神经网络和深度LSTM网络模型。创建网络模型时指定了一维残差卷积神经网络的网络超参数、深度LSTM网络的网络层数以及隐藏层节点数、全连接神经网络的网络层数和网络节点数、RUL预测网络的学习率以及网络训练时的迭代次数。
步骤4.2、在训练集上训练滚动轴承RUL预测网络模型。将步骤1中构建的滚动轴承训练集输入到步骤2中初步提取滚动轴承的深层次特征,将步骤2中一维深度残差卷积神经网络提取的滚动轴承深层次特征输入到步骤3中构建滚动轴承趋势性特征,最后再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势。使用Adam优化算法对一维深度残差卷积网络、深度LSTM网络和全连接神经网络中的超参数进行优化,完成训练集的寿命预测。为了评价模型预测的精度,本发明引用了故障预测与健康管理国际会议数据竞赛中的性能评价指标,即均方根误差(Root Mean Square Error,RMSE),如式(10)所示。最终完成模型训练阶段,获得基于残差卷积神经网络和LSTM的滚动轴承RUL预测模型;
其中,M为数据样本点总个数;di=RUL'i-RULi,表示预测值与真实值之间的差值。均方根误差的值越小,则模型的预测精度越高。
具体的,所述步骤5模型测试阶段,包括:
选取滚动轴承不同工况下的非全寿命周期时序振动信号构建测试集,在测试集上测试模型的准确性和可靠性。对测试集中不同工况下的非全寿命周期时序振动信号进行归一化处理,输入到步骤4中模型训练阶段所得的基于残差卷积神经网络和LSTM的滚动轴承RUL预测网络模型中,完成模型测试阶段,实现测试集滚动轴承RUL值的预测。
本实施例使用的振动时域信号来自PRONOSTIA试验台。试验台如图6所示。该数据分别由水平方向和垂直方向两个加速度传感器进行数据采集,每10s记录一次数据,采样时长为0.1s,采样频率为25.6kHz,即每次采样振动数据为2560点。该数据采集的是包含15个滚动轴承在加速退化实验中所获取的运行至失效的全寿命周期时序振动信号。实验包括3种工况条件:工况1(1800rpm和4000N)、工况2(1650rpm和4200N)和工况3(1500rpm和5000N)。3种工况条件下的试验滚动轴承分别为滚动轴承1_1至滚动轴承1_7共7组,滚动轴承2_1至滚动轴承2_7共7组,滚动轴承3_1至滚动轴承3_3共3组。
本实施例选择的是工况1下的滚动轴承1_1和1_2、工况2下的滚动轴承2_1和2_2以及工况3下的滚动轴承3_1和3_2为训练集,选择滚动轴承1_5、滚动轴承2_7和滚动轴承3_3为测试集。其中训练集为滚动轴承全寿命周期时序振动信号,测试集为滚动轴承非全寿命周期时序振动信号。
本发明在构建的滚动轴承训练集和测试集上进行了实验验证,采用了基于一维深度残差卷积神经网络和3层深度LSTM网络进行滚动轴承RUL值的预测。
其验证结果如下表所示,表中左边一列为本发明基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法的实验结果,右边一列为基于CNN和LSTM的滚动轴承RUL预测方法的实验结果。
实验验证结果图如图7所示,其中本发明的验证结果图如图7a所示,图7b为基于CNN和LSTM的滚动轴承RUL预测方法的验证结果图。结合上表和结果图可以看出基于残差卷积神经网络和LSTM的滚动轴承RUL预测方法能很好地对滚动轴承的RUL值进行预测,本发明实现了滚动轴承的智能寿命预测,解决了滚动轴承零部件在运行时的寿命预测与智能决策问题,提高了预测精度。同时,本发明解决了现有的滚动轴承振动信号特征提取方法过于依赖专家经验的问题,提出基于一维深度残差卷积神经网络,能够自适应提取滚动轴承振动信号的深层次特征,实现端到端的滚动轴承寿命预测,解决滚动轴承在运行时的寿命预测与智能决策问题,当故障发生前及时更换设备,避免巨大的经济损失。
Claims (7)
1.一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,包括以下步骤:
步骤1、数据预处理:获取轴承全寿命周期时序振动信号,构建不同工况下的训练集Dtrain={xt,yt}T,Dtrain为某一工况下某一轴承的全寿命周期时序振动信号,xt∈RP×2为轴承P×2维的特征输入,P=2560,yt∈[0,1]为预测模型的输出,T为轴承在运行过程的失效时间,即轴承的全寿命值;首先将全寿命周期时序振动信号进行归一化处理后,将其作为模型的特征输入;为了方便网络训练,并基于轴承的健康状况是随着运行时间而线性退化的,计算轴承全寿命值的百分比,并将其作为输出训练预测模型;
步骤2、初步特征提取:设定一维残差卷积神经网络中各个残差块的结构、卷积核的尺寸大小;将归一化后的轴承时序振动信号输入到一维残差卷积神经网络中,利用网络中由Conv1D层、池化层、BN层和Relu层组成的不同结构的残差块,进一步提取轴承时序振动信号的深层次特征;
步骤3、趋势性特征构建:将一维残差卷积神经网络的输出结果输入到深度LSTM中,利用深度LSTM中的LSTM基本记忆单元对时间序列数据具有长短时记忆的优势,进一步构建滚动轴承的趋势性特征信息;
步骤4、模型训练:将步骤1中构建的训练集数据输入到步骤2和步骤3中构建轴承趋势性量化特征,再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势;使用Adam优化算法对所有超参数进行优化,完成轴承深层次特征自提取以及RUL预测,从而获取基于残差卷积神经网络和LSTM的轴承RUL预测模型;
步骤5:模型测试:选择不同工况下的非全寿命周期时序振动信号构建模型的测试集;对其进行归一化处理,经步骤2自适应提取振动数据的深层特征,结合步骤3中的深度LSTM模型,获取测试集轴承的趋势性量化特征;最后利用全连接神经网络,去拟合轴承寿命值的退化趋势,预测测试集轴承的RUL。
2.根据权利要求1所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤1数据预处理的过程包括:
对于步骤1获取的不同工况下的滚动轴承全周期时序振动信号,进行min-max归一化处理,转换函数如下:
其中,x为归一化前的时序振动信号,xt为归一化后的时序振动信号,xmin为时序振动信号的最小值,xmax为时序振动信号的最大值;
将归一化处理的振动信号作为整体预测模型的输入,经过神经网络不断迭代训练优化其网络参数,网络最终输出数据集所对应的RUL预测值;假设每条训练样本设为{(xi,yi)},其中xi为第i个样本的振动数据特征;yi为第i个样本的标签值,即该次采集时所对应的真实滚动轴承RUL;滚动轴承的健康状况是随着运行时间而线性退化的,基于此条件,yi的计算公式如下:
其中,t为轴承运行的失效时刻,即轴承的全寿命值;t-ti为第i个采样点的RUL值,t0为轴承运行的起始时刻,N为轴承总的采样点。
3.根据权利要求1所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤2的初步特征提取,具体过程包括:
2.1、搭建一维深度残差卷积神经网络模型:基于一维深度残差卷积神经网络的初步特征提取模型包括一个post-activation残差块和a个pre-activation残差块;利用一维残差卷积神经网络中的不同结构的残差块对整个输入振动信号序列进行处理,初步自适应挖掘振动信号的深层次退化特征;将对时序振动信号归一化处理后得到的xt输入至一维深度残差卷积神经网络模型G中;
y=G(xt)=G(xt1,xt2) (3)
其中,xt1,xt2滚动轴承归一化后的振动信号,y为一维残差卷积网络初步自适应提取的轴承退化特征值;
2.2、对归一化后的轴承时序振动信号xt进行第一层卷积操作,第一个Conv层的步幅大小为s1,卷积核采用k1×1的大小,卷积核的核数为m1;然后采用BN层来加速网络的计算和优化;采用非线性激活函数Relu进行非线性操作,输出第一层信号特征;
2.3、将第一个Conv层输出的特征输入到post-activation残差块中,post-activation残差块从一个Conv层开始,然后依次是BN层、Relu层、最后以一个Conv层结束;在Relu层后添加Dropout层;为了减少计算时间和消除冗余特征,在残差学习框架中加入了一个MaxPool层;两个Conv层和MaxPool层的结构均使用了内核大小为k2×1的卷积核,步幅大小为s2;在post-activation残差块中,两个卷积核的核数分别为m2和m3,最后输出post-activation残差块的特征输出;
2.4、将post-activation残差块输出的特征输入至由多个一维残差模块即pre-activation残差块堆积的深度残差模块中;一个pre-activation残差块从一个BN层开始,然后依次是Relu层、Conv层、BN层、Relu层、Conv层,同样在残差结构中使用MaxPool层;pre-activation残差块中,第一个Conv层采用卷积核大小为k3×1,步幅大小为s3;第二个Conv层采用卷积核大小为k4×1,步幅大小为s4;MaxPool层采用卷积核大小为k5×1,步幅大小为s5;这种结构在每个pre-activation残差块中都会重复出现;最后,经过若干个pre-activation残差块输出轴承深层次特征,最后连接BN层和Relu层完成滚动轴承基于残差卷积神经网络的初步深层次特征提取过程。
4.根据权利要求1所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤3趋势性特征构建,其过程包括:
步骤3.1、计算LSTM基本单元中遗忘门的值ft,ft对上一时刻t-1的记忆单元状态值ct-1中存在的历史信息进行选择性地遗忘,从而对当前时刻t的记忆单元状态值ct产生影响,是对长期记忆中的信息进行筛选;
ft=σ[Wf(ht-1,xt)+bf] (4)
步骤3.2、计算候选记忆单元值kt,在更新ct之前,会先产生kt;当前时刻t的输入xt以及网络上一时刻t-1的输出ht-1共同决定kt值;通过ht-1和xt进行相应的计算,得到当前时刻t的kt,更新ct的信息:
kt=tanh[Wk(ht-1,xt)+bk] (5)
步骤3.3、计算输入门的值it,it选择性地记忆xt对ct的影响,将输入数据中的信息存到当前时刻状态中;
it=σ[Wi(ht-1,xt)+bi] (6)
其中,it和kt都是对短期记忆中的信息进行更新,结合ht-1,从xt中提取重要的信息,是对短期记忆中的信息进行筛选;
步骤3.4、计算当前时刻t的ct值,
式中:表示逐点乘积,由式(7)可知,ct-1和kt的值共同决定ct的更新,LSTM基本单元结构是通过ft和it这两个门控制器分别对ct-1和kt这两部分进行选择性记忆和遗忘,从而得到当前时刻t的ct值;
步骤3.5、计算输出门的值ot,ot控制当前时刻ct的输出,
ot=σ[Wo(ht-1,xt)+bo] (8)
步骤3.6、计算LSTM基本单元的输出ht,通过ot将信息传递给下一个神经元,
ht=ottanh(ct) (9)
式(4)-(9)中,Wf、Wk、Wi和Wo分别为在t时刻的f、kt、i和o的权重值,bf、bk、bi和bo分别为f、kt、i和o的偏置,xt为当前时刻t的输入,ht-1为网络上一时刻t-1的输出,σ为sigmoid函数,取值为(0,1),tanh函数,取值为(-1,1);式(9)中,LSTM基本单元的输出ht即为深度LSTM网络提取的趋势性轴承特征信息。
5.根据权利要求1所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤4模型训练,包括:
步骤4.1、基于PyTorch深度学习的框架,搭建轴承RUL预测模型;创建模型指定一维深度残差卷积神经网络的超参数、深度LSTM网络的网络层数以及隐藏层节点数、全连接神经网络的网络层数和网络节点数、网络的学习率以及网络训练时的迭代次数;
步骤4.2、在训练集上训练滚动轴承RUL预测网络模型:将步骤1中构建的滚动轴承训练集输入到步骤2中初步提取滚动轴承的深层次特征,将步骤2中一维深度残差卷积神经网络提取的滚动轴承深层次特征输入到步骤3中构建滚动轴承趋势性特征,最后再利用全连接神经网络的线性层去拟合滚动轴承的性能退化趋势;使用Adam优化算法对一维深度残差卷积网络、深度LSTM网络和全连接神经网络中的超参数进行优化,完成训练集的寿命预测;最终获得基于残差卷积神经网络和LSTM的滚动轴承RUL预测模型:
其中,M为数据样本点总个数;di=RUL'i-RULi,表示预测值与真实值之间的差值;均方根误差的值越小,则模型的预测精度越高。
6.根据权利要求1所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤5模型测试,包括:
选取滚动轴承不同工况下的非全寿命周期时序振动信号构建测试集,在测试集上测试模型的准确性和可靠性;对测试集中不同工况下的非全寿命周期时序振动信号进行归一化处理,输入到步骤4中模型训练阶段所得的基于残差卷积神经网络和LSTM的滚动轴承RUL预测网络模型中,完成模型测试阶段,实现测试集滚动轴承RUL值的预测。
7.根据权利要求6所述的一种基于残差卷积神经网络和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于,所述步骤4模型训练和步骤5模型测试,选取工况1下的滚动轴承1_1和1_2、工况2下的滚动轴承2_1和2_2以及工况3下的滚动轴承3_1和3_2为训练集,选择滚动轴承1_5、滚动轴承2_7和滚动轴承3_3为测试集;其中训练集为滚动轴承全寿命周期时序振动信号,测试集为滚动轴承非全寿命周期时序振动信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071606.3A CN116305614A (zh) | 2023-02-07 | 2023-02-07 | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310071606.3A CN116305614A (zh) | 2023-02-07 | 2023-02-07 | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116305614A true CN116305614A (zh) | 2023-06-23 |
Family
ID=86829569
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310071606.3A Pending CN116305614A (zh) | 2023-02-07 | 2023-02-07 | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116305614A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451489A (zh) * | 2023-12-26 | 2024-01-26 | 集美大学 | 一种接触疲劳失效特征振动信号识别装置与方法 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
-
2023
- 2023-02-07 CN CN202310071606.3A patent/CN116305614A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117451489A (zh) * | 2023-12-26 | 2024-01-26 | 集美大学 | 一种接触疲劳失效特征振动信号识别装置与方法 |
CN117451489B (zh) * | 2023-12-26 | 2024-03-08 | 集美大学 | 一种接触疲劳失效特征振动信号识别装置与方法 |
CN117516927A (zh) * | 2024-01-05 | 2024-02-06 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
CN117516927B (zh) * | 2024-01-05 | 2024-04-05 | 四川省机械研究设计院(集团)有限公司 | 齿轮箱故障检测方法、系统、设备及存储介质 |
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 | |
CN110361176B (zh) | 一种基于多任务特征共享神经网络的智能故障诊断方法 | |
CN116305614A (zh) | 一种基于残差卷积神经网络和lstm的滚动轴承剩余使用寿命预测方法 | |
CN108344564A (zh) | 一种基于深度学习的主轴特性试验台状态识别及预测方法 | |
CN114282443B (zh) | 基于mlp-lstm有监督联合模型的剩余使用寿命预测方法 | |
CN111289250A (zh) | 一种伺服电机滚动轴承剩余使用寿命预测方法 | |
CN110705812A (zh) | 一种基于模糊神经网络的工业故障分析系统 | |
CN113343591B (zh) | 基于自注意力网络的产品关键零件寿命端到端预测方法 | |
CN108961460B (zh) | 基于稀疏esgp与多目标优化的故障预测方法及装置 | |
CN115809405A (zh) | 基于多特征融合的风机主轴齿轮箱温度异常检测方法 | |
CN112381123A (zh) | 一种基于时间序列预测方法的采煤机故障预测方法 | |
Oh et al. | Fault detection for lubricant bearing with CNN | |
CN112381213A (zh) | 一种基于双向长短期记忆网络的工业设备剩余寿命预测方法 | |
CN114297795B (zh) | 一种基于PR-Trans的机械设备剩余寿命预测方法 | |
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 | |
CN113469013B (zh) | 一种基于迁移学习和时间序列的电机故障预测方法及系统 | |
CN113435321A (zh) | 一种主轴轴承状态评估方法、系统、设备及可读存储介质 | |
CN116821730A (zh) | 风机故障检测方法、控制装置及存储介质 | |
CN114486262B (zh) | 一种基于cnn-at-lstm的轴承剩余使用寿命预测方法 | |
CN114254828B (zh) | 一种基于混合卷积特征提取器和gru的电力负荷预测方法 | |
CN112598186B (zh) | 一种基于改进的lstm-mlp的小型发电机故障预测方法 | |
CN114841196A (zh) | 一种基于监督学习的机械设备智能故障检测方法及系统 | |
CN112232557A (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
Zhou et al. | A bearing remaining useful life prediction method based on residual convolutional network and LSTM | |
CN116400675B (zh) | 基于改进cnn-lstm模型的故障诊断系统及方法 |
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 |