CN117451362A - 主轴轴承寿命预测方法、装置及介质 - Google Patents
主轴轴承寿命预测方法、装置及介质 Download PDFInfo
- Publication number
- CN117451362A CN117451362A CN202311666590.7A CN202311666590A CN117451362A CN 117451362 A CN117451362 A CN 117451362A CN 202311666590 A CN202311666590 A CN 202311666590A CN 117451362 A CN117451362 A CN 117451362A
- Authority
- CN
- China
- Prior art keywords
- gru
- main shaft
- cnn
- shaft bearing
- life
- 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 55
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 26
- 230000007246 mechanism Effects 0.000 claims abstract description 19
- 230000015556 catabolic process Effects 0.000 claims abstract description 7
- 238000006731 degradation reaction Methods 0.000 claims abstract description 7
- 238000005096 rolling process Methods 0.000 claims abstract description 5
- 238000013528 artificial neural network Methods 0.000 claims description 31
- 238000011176 pooling Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 2
- 230000036541 health Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000004927 fusion Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 208000025531 adult-onset foveomacular vitelliform dystrophy Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- General Physics & Mathematics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及主轴轴承寿命预测方法、装置及介质，通过选取主轴轴承振动信号作为输入，运用卷积神经网络CNN提取去噪信号中的深层特征，构建注意力机制模型、门控循环网络GRU，对轴承剩余寿命进行预测；采用MA移动平均法使预测趋势曲线更加平滑，并设置失效阀值为1；将构建完成趋势性退化指标采用4次插值函数拟合退化趋势曲线至实效指标处，通过拟合值与预测值做差来计算出滚动轴承的剩余使用寿命；本发明法能够对加工中心主轴轴承的健康状态进行监测，合理安排更换采购时间可有效的避免因为零部件的更换而导致的设备停机造成巨大的经济损失。
Description
技术领域
本发明属于机械设备技术领域，涉及主轴轴承寿命预测方法、装置及介质，具体涉及一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法、装置及介质。
背景技术
主轴轴承作为加工中心主轴的核心部件之一，由于工作环境、运行状态等因素使其成为易损坏部件。影响主轴轴承性能的因素多种多样如润滑、磨损、异物、工作温度等都可能引起故障的发生，现有主轴轴承的更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和未及时更换轴承所导致设备停运，不能达到预防性维护。通过轴承运行过程中的数据收集并利用深度学习算法构建预测模型，实现主轴轴承的剩余寿命预测，达到预防性维护的效果，能够有效防止因其损坏而导致设备停止运行所造成的重大损失。
专利文献CN202310502188.9公开了一种基于AVMD-CNN-GRU-Attention的超短期风功率预测方法，该方法为：首先，利用Kendall相关系数法对原始数据进行相关性的计算，提取和风功率相关性高的特征；其次，利用改进的VMD将风功率序列分解为K个子模态；再次，将各子模态利用样本熵SE和中心频率进行分类，根据分类结果对各子模态分别给定归一化方式，并按SE值分别输入到GRU-Attention模型和CNN-GRU-Attention模型中进行训练和预测；最后，将各子模态预测结果叠加得到最终结果，完成超短期风功率预测。
专利文献CN202211280161.1公开了一种基于时空融合深度神经网络的锅炉再热器温度偏差预测方法。方法包括将传感器采集到的锅炉再热器的过程变量进行归一化处理后，输入到时空融合深度神经网络进行处理进而预测锅炉再热器温度；时空融合深度神经网络主要由用于处理过程变量的空间信息的轻量型网络模块和注意力模块、用于处理过程变量的时序信息的循环模块以及回归模块组成，且轻量型网络模块与注意力模块串联连接后同时与循环模块进行特征融合获得具有时空信息的特征图，将特征图连接到回归模块，进而获取温度偏差预测值。本发明提供了可靠有效的技术支持，具备准确率高、计算成本低，实时预测等特点。
上述专利文献与本申请相关度较低。
发明内容
本发明所要解决的技术问题是克服了现有技术存在的主轴轴承的更换及维护方案是通过人为经验或设备报警提醒来进行，易造成轴承使用寿命的浪费和未及时更换轴承所导致设备停运，不能达到预防性维护问题，提供了一种主轴轴承寿命预测方法、装置及介质。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
为解决上述技术问题，本发明是采用如下技术方案实现的：
一种主轴轴承寿命预测方法，通过选取主轴轴承振动信号作为输入，运用卷积神经网络CNN提取去噪信号中的深层特征，构建注意力机制模型、门控循环网络GRU，对轴承剩余寿命进行预测。
进一步地，预测方法具体包括以下步骤：
第一步，将采集的轴承一维振动信号，输入至卷积神经网络CNN中，利用卷积层中的卷积核对输入信号的局部区域进行卷积运算，产生相应的特征，
第二步，将经过卷积运算完成后的数据输入至门控循环神经网络GRU中，利用在任一时刻t的输入信息xt，经过更新门Z(t)、重置门r(t)，得到模型输出值ht；
第三步，在门控循环神经网络GRU的隐藏层中引入注意力机制，搭建CNN-GRU-Attention网络预测模型，使CNN-GRU-Attention网络预测模型筛选出关键特征并突出关键特征有效的节省计算资源。
进一步地，一种主轴轴承寿命预测方法，还包括第四步，将搭建好的CNN-GRU-Attention网络预测模型进行参数调整。
进一步地，第一步进行卷积运算后，利用池化层对采集得到的大量数据特征进行缩减,利用RELU激活函数对卷积运算后的结果进行非线性映射；
利用权重共享机制、利用每个卷积窗口遍历整个数据，避免由参数爆炸引起的过拟合现象，减少系统训练网络所需的存储空间。
进一步地，第四步中将搭建好的CNN-GRU-Attention网络预测模型进行参数调整，具体内容包括：
根据实际工况信号的特点设计六个卷积层、六个池化层，两个GRU层并与一个全连接层进行连接。
进一步地，采用MA移动平均法使预测趋势曲线更加平滑，并设置失效阀值为1。
进一步地，将构建完成趋势性退化指标采用4次插值函数拟合退化趋势曲线至实效指标处，通过拟合值与预测值做差来计算出滚动轴承的剩余使用寿命。
进一步地，CNN-GRU-Attention网络预测模型结构包括六个卷积层、六个池化层，一个全连接层、两个GRU层以及一个Attention层；
六个卷积层的卷积核数目分别为16、32、32、64、64、64，六个池化层区域大小为2×1；两层GRU神经元个数分别为128、1；设置dropout大小为0.5学习率为0.001，训练次数为1000次。
卷积层、池化层、GRU层、全连接层是CNN-门控循环神经网络GRU的基础结构，简单来说就是数据需要通过在不同的网络层中进行传递从而得到输出，传递流程为：基础数据—卷积层—池化层—GRU层-全连接层，数据通过每一个网络层都会进行不同的处理，最后得到想要输出的数据形式，
CNN-GRU-Attention网络预测模型，是由卷积神经网络CNN、门控循环神经网络GRU、注意力机制三种不同的数据处理形式结合构建而成，每个模型都有各自的作用。
一种测试装置，包括一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的方法。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上所述的方法。
与现有技术相比本发明的有益效果是：
本发明将CNN与GRU神经网络进行结合利用各自的优势构建预测模型，并在GRU网络中引入注意力机制提升模型的预测精度。实现主轴轴承的剩余寿命预测，为加工中心主轴轴承的更换以及维修计划的制定提供依据。
本发明所采用的轴承剩余寿命预测方法，通过选取主轴轴承振动信号作为输入，运用卷积神经网络(CNN)提取去噪信号中的深层特征，并构建注意力机制门控循环网络(GRU-Attention)对轴承剩余寿命进行预测。将注意力机制能够筛选关键特征并突出关键特征的优点与GRU对时间序列预测的优势相结合能够有效提升模型的预测精度。利用该预测方法能够对加工中心主轴轴承的健康状态进行监测，合理安排更换采购时间可有效的避免因为零部件的更换而导致的设备停机造成巨大的经济损失。
附图说明
下面结合附图对本发明作进一步的说明：
图1为卷积神经网络CNN图；
图2为门控循环网络GRU图；
图3为注意力机制模型图；
图4为剩余寿命预测图；
图5为本发明所述主轴轴承寿命预测方法流程图。
具体实施方式
为使本发明实施的目的、技术方案和优点更加清楚，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更加详细的描述。在附图中，自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。所描述的实施例是本发明一部分实施例，而不是全部的实施例。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。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他实施例，都属于本发明保护的范围。下面结合附图对本发明的实施例进行详细说明。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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，因此不能理解为对本发明保护范围的限制。
下面结合附图对本发明作详细的描述：
本发明通过对神经网络的分析发现，CNN神经网络与GRU神经网络各自优势的结合更加适合对主轴轴承寿命的预测，并且在GRU神经网络中引入注意力机制层能够提升预测精度。所以分别提取不同神经网络中各自的优势并将其结合作为主轴轴承剩余寿命预测模型，既CNN-GRU-Attention网络模型，实现主轴轴承的剩余使用寿命，轴承故障诊断使用方法，参阅图5，本发明提供一实施例，一种主轴轴承寿命预测方法，包括以下步骤：
第一步，将采集的轴承一维振动信号，输入至卷积神经网络模型中(CNN)，利用卷积层中的卷积核对输入信号的局部区域进行卷积运算，产生相应的特征，并利用池化层对采集得到的大量数据特征进行缩减,利用RELU激活函数对卷积运算后的结果进行非线性映射，解决线性函数表达能力不足的缺点。最后利用权重共享机制利用每个卷积窗口遍历整个数据，避免由参数爆炸引起的过拟合现象，并减少了系统训练网络所需的存储空间。
第二步，将经过卷积运算完成后的数据输入至门控循环神经网络中(GRU)利用在任一时刻t的输入信息xt经过更新门Z(t)、重置门rt、得到模型输出值ht，参阅图1、图2。
第三步，通过引入这个机制可以使神经网络选择一些关键信息进行处理，同时忽略不重要的信息以提高其学习能力。为了使模型能够具有更高的预测精度，本文在门控循环神经网络GRU的隐藏层中引入注意力机制，使模型筛选出关键特征并突出关键特征有效的节省计算资源，使模型拥有更好的预测效果。
第四步，参阅图3、图4，将搭建好的CNN-GRU-Attention网络预测模型进行参数调整。根据实际工况信号的特点设计了8个卷积层、8个池化层，2个GRU层并与一个全连接层进行连接。为了使退化趋势曲线更加清晰，采用MA移动平均法使预测趋势曲线更加平滑，并设置失效阀值为1。通过该预测模型所构建的趋势性退化指标。将构建完成趋势性退化指标采用4次插值函数拟合退化趋势曲线至实效指标处，通过拟合值与预测值做差来计算出滚动轴承的剩余使用寿命，通过计算预测的剩余寿命为675.4小时。
趋势性退化指标为图4中黑色圆点部分，图像已标注；量化指标是指对测量到的振动数据(展现形式为数值)，转化为展现形式为寿命百分比呈现在图像的黑点当中。
通过图4可以看到yf所指为拟合值781.76(t单位为10小时)；yp所指的为预测值714.22，拟合值减去预测值为剩余使用寿命等于67.54，再乘上时间单位10小时，所得的剩余寿命为675.4小时。
CNN表示卷积神经网络模型；
GRU表示门控循环神经网络模型；
Attention表示注意力机制；
RELU表示活函数；
MA表示移动平均法。
通过对神经网络的分析发现，CNN神经网络与GRU神经网络各自优势的结合更加适合对主轴轴承寿命的预测，而在GRU神经网络中引入注意力机制层能够提升预测精度。所以分别提取不同神经网络中各自的优势并将其结合作为滚动轴承剩余寿命预测模型，既CNN-GRU-Attention网络模型。
CNN-GRU-Attention网络模型结构包括6个卷积层、6个池化层，1个全连接层，2个GRU层以及一个Attention层。6个卷积层的卷积核数目分别为16、32、32、64、64、64，6个池化层区域大小为2×1。2层GRU神经元个数分别为128、1。设置dropout大小为0.5学习率为0.001，训练次数为1000次。
本发明为主轴轴承维修及更换计划的制定提供依据。
基于上述一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法，本发明提供另一种装置。装置包括但不限于：一个或者多个处理器及存储器。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法对应的程序指令。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行车辆的各种功能应用以及数据处理，即实现上述一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法，该一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法包括：
通过选取主轴轴承振动信号作为输入，运用卷积神经网络CNN提取去噪信号中的深层特征，构建注意力机制门控循环网络GRU-Attention对轴承剩余寿命进行预测。
本发明所提供的一种计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的一种基于CNN-GRU-Attention神经网络的主轴轴承寿命预测方法中的相关操作。
本领域普通技术人员可以意识到，结合本申请中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用，使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程设备。计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如，同轴电缆、光纤、数字用户线DSL)或者无线(例如，红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘Solid State Disk,SSD)等。
上述实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。同时本说明书中未作详细描述的内容均属于本领域技术人员公知的现有技术。
Claims (10)
1.一种主轴轴承寿命预测方法，其特征在于：
通过选取主轴轴承振动信号作为输入，运用卷积神经网络CNN提取去噪信号中的深层特征，构建注意力机制模型、门控循环网络GRU，对轴承剩余寿命进行预测。
2.根据权利要求1所述的一种主轴轴承寿命预测方法，其特征在于，预测方法具体包括以下步骤：
第一步，将采集的轴承一维振动信号，输入至卷积神经网络CNN中，利用卷积层中的卷积核对输入信号的局部区域进行卷积运算，产生相应的特征，
第二步，将经过卷积运算完成后的数据输入至门控循环神经网络GRU中，利用在任一时刻t的输入信息xt，经过更新门Z(t)、重置门r(t)，得到模型输出值ht；
第三步，在门控循环神经网络GRU的隐藏层中引入注意力机制，搭建CNN-GRU-Attention网络预测模型，使CNN-GRU-Attention网络预测模型筛选出关键特征并突出关键特征有效的节省计算资源。
3.根据权利要求2所述的一种主轴轴承寿命预测方法，其特征在于：还包括
第四步，将搭建好的CNN-GRU-Attention网络预测模型进行参数调整。
4.根据权利要求3所述的一种主轴轴承寿命预测方法，其特征在于：
第一步进行卷积运算后，利用池化层对采集得到的大量数据特征进行缩减,利用RELU激活函数对卷积运算后的结果进行非线性映射；
利用权重共享机制、利用每个卷积窗口遍历整个数据，避免由参数爆炸引起的过拟合现象，减少系统训练网络所需的存储空间。
5.根据权利要求4所述的一种主轴轴承寿命预测方法，其特征在于：
第四步中将搭建好的CNN-GRU-Attention网络预测模型进行参数调整，具体内容包括：
根据实际工况信号的特点设计六个卷积层、六个池化层，两个GRU层并与一个全连接层进行连接。
6.根据权利要求5所述的一种主轴轴承寿命预测方法，其特征在于：
采用MA移动平均法使预测趋势曲线更加平滑，并设置失效阀值为1。
7.根据权利要求6所述的一种主轴轴承寿命预测方法，其特征在于：
将构建完成趋势性退化指标采用4次插值函数拟合退化趋势曲线至实效指标处，通过拟合值与预测值做差来计算出滚动轴承的剩余使用寿命。
8.根据权利要求7所述的一种主轴轴承寿命预测方法，其特征在于：
CNN-GRU-Attention网络预测模型结构包括六个卷积层、六个池化层，一个全连接层、两个GRU层以及一个Attention层；
六个卷积层的卷积核数目分别为16、32、32、64、64、64，六个池化层区域大小为2×1；两层GRU神经元个数分别为128、1；设置dropout大小为0.5学习率为0.001，训练次数为1000次。
9.一种测试装置，其特征在于：包括一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：该程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666590.7A CN117451362A (zh) | 2023-12-06 | 2023-12-06 | 主轴轴承寿命预测方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311666590.7A CN117451362A (zh) | 2023-12-06 | 2023-12-06 | 主轴轴承寿命预测方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117451362A true CN117451362A (zh) | 2024-01-26 |
Family
ID=89596968
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311666590.7A Pending CN117451362A (zh) | 2023-12-06 | 2023-12-06 | 主轴轴承寿命预测方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117451362A (zh) |
-
2023
- 2023-12-06 CN CN202311666590.7A patent/CN117451362A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Intelligent fault diagnosis for rotary machinery using transferable convolutional neural network | |
| Zhang et al. | LSTM-based analysis of industrial IoT equipment | |
| Li et al. | Intelligent predictive maintenance for fault diagnosis and prognosis in machine centers: Industry 4.0 scenario | |
| CN109726524B (zh) | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 | |
| Cheng et al. | Autoencoder quasi-recurrent neural networks for remaining useful life prediction of engineering systems | |
| Lu et al. | GAN-based data augmentation strategy for sensor anomaly detection in industrial robots | |
| Zhang et al. | Deep learning-driven data curation and model interpretation for smart manufacturing | |
| CN111340282B (zh) | 基于da-tcn的设备剩余使用寿命的估计方法及系统 | |
| He et al. | MTAD‐TF: Multivariate Time Series Anomaly Detection Using the Combination of Temporal Pattern and Feature Pattern | |
| CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
| Wu et al. | Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance | |
| Jiang | A machine vision anomaly detection system to industry 4.0 based on variational fuzzy autoencoder | |
| Jiang et al. | Dual residual attention network for remaining useful life prediction of bearings | |
| Habbouche et al. | Intelligent prognostics of bearings based on bidirectional long short-term memory and wavelet packet decomposition | |
| Skordilis et al. | A condition monitoring approach for real-time monitoring of degrading systems using Kalman filter and logistic regression | |
| Xiao et al. | Long-term predictive opportunistic replacement optimisation for a small multi-component system using partial condition monitoring data to date | |
| CN112906775A (zh) | 一种设备故障预测方法及系统 | |
| CN116910574A (zh) | 基于元学习和时间卷积网络的机械设备诊断方法及装置 | |
| CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
| Ning et al. | Research on Intelligent Fault Diagnosis of Rolling Bearing Based on Improved ShufflenetV2‐LSTM | |
| Mateus et al. | Improved GRU prediction of paper pulp press variables using different pre-processing methods | |
| Mateus et al. | Data Analysis for Predictive Maintenance Using Time Series and Deep Learning Models—A Case Study in a Pulp Paper Industry | |
| Zhu et al. | RGCNU: recurrent graph convolutional network with uncertainty estimation for remaining useful life prediction | |
| Xu et al. | Bearing Fault Diagnosis in the Mixed Domain Based on Crossover‐Mutation Chaotic Particle Swarm | |
| Wu et al. | Intelligent fault diagnosis of rolling bearings based on clustering algorithm of fast search and find of density peaks |
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 |