CN106934126B - 基于循环神经网络融合的机械零部件健康指标构造方法 - Google Patents
基于循环神经网络融合的机械零部件健康指标构造方法 Download PDFInfo
- Publication number
- CN106934126B CN106934126B CN201710109877.8A CN201710109877A CN106934126B CN 106934126 B CN106934126 B CN 106934126B CN 201710109877 A CN201710109877 A CN 201710109877A CN 106934126 B CN106934126 B CN 106934126B
- Authority
- CN
- China
- Prior art keywords
- neural network
- characteristic
- mechanical part
- recurrent neural
- vibration signal
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 27
- 230000036541 health Effects 0.000 title claims abstract description 27
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 27
- 230000004927 fusion Effects 0.000 title claims abstract description 10
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 238000006731 degradation reaction Methods 0.000 claims abstract description 18
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000015556 catabolic process Effects 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 abstract 1
- 238000005096 rolling process Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 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
- 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
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于循环神经网络融合的机械零部件健康指标构造方法,首先获取机械零部件振动信号,计算得到振动信号时域特征序列和频域特征序列;根据时域特征序列和频域特征序列计算相似性特征;对振动信号进行三层小波包变换,得到频带能量比特征;利用特征的综合评价指标筛选出机械零部件退化过程的敏感特征集,用以训练循环神经网络;通过敏感特征集和训练好的循环神经网络可以得到新的机械零部件健康指标RNN‑HI,本发明利用相似性特征和循环神经网络充分挖掘了机械零部件振动信号中的退化信息,不仅便于失效阈值的确定而且提高了寿命预测的精度。
Description
技术领域
本发明属于机械设备状态监测和寿命预测技术领域,具体涉及一种基于循环神经网络融合的机械零部件健康指标构造方法。
背景技术
在现代工业生产中,机械设备越来越复杂,机械零部件间的联系越来越紧密,由于工作环境复杂多变,机械零部件极易发生不同程度的故障,进而导致整个机械装备无法工作,甚至造成难以估量的经济损失和重大事故。因此,通过机械零部件状态监测实现工作状态的有效识别,进一步实现剩余寿命的精确预测,据此确定机械设备的最优维护时机,使其在发生故障前得到有效预防,延长机械零部件的使用寿命显得十分重要。健康指标的构造是机械零部件状态监测和寿命预测中至关重要的一环,健康指标的好坏直接影响后期寿命预测的准确性。
传统的健康指标构造主要使用现代信号处理方法从原始信号中提取得到,在物理意义上与机械零部件的退化过程密切相关,比如均方根值、峰峰值等。通常健康指标的取值范围受工况影响较大,增大了变工况下机械零部件失效阈值确定的难度;单一的健康指标往往对机械零部件的特定衰退阶段敏感,无法在全寿命周期内表现出良好的趋势性。同时,由于机械零部件振动信号具有复杂多变性,直接使用传统的健康指标难以有效地反映机械零部件的衰退过程。上述缺点可能会导致机械零部件状态监测过程中早期故障难以被及时发现,继而影响寿命预测的精度。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种基于循环神经网络融合的机械零部件健康指标构造方法,通过信息融合的方法将多种健康指标融合为一个,充分挖掘机械零部件振动信号中的状态信息,实现退化过程的准确表达,同时可以将健康指标的取值控制在恒定范围内,便于失效阈值的确定。
为了达到上述目的,本发明采取的技术方案为:
一种基于循环神经网络融合的机械零部件健康指标构造方法,包括以下步骤:
1)获取机械零部件振动信号,计算振动信号时域特征,得到机械零部件时域特征序列f1=(f11,f12,...,f111),其中f11,f12,…,f111分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标;对振动信号进行傅里叶变换,得到一个全局谱特征序列f2,并对全局谱特征序列进行平均分割,得到由低频到高频的四个子谱特征序列f3、f4、f5、f6;
2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征:
3)对振动信号进行三层小波包变换,依据式(2)计算得到八个频带能量比特征:
4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1~F14的综合评价指标:
式中:
其中,Fl和tl分别是第l个观测点的特征值和时间,和分别是全寿命周期内特征序列和时间序列的均值,L是全寿命周期内特征序列的长度,ε(x)是单位阶跃函数,Corr衡量的是特征序列与时间序列的线性相关程度,Mon衡量的是特征序列的单调性;
5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri',选取Cri'>0.5的特征作为机械零部件退化过程的敏感特征集;
6)利用全寿命数据集对循环神经网络模型进行训练,其中xt∈RN×1为t时刻的敏感特征集,yt∈[0,1]是相应时刻机械零部件真实退化率,yt=0代表机械零部件处于完全健康状态,yt=1代表处于完全故障状态,循环神经网络训练过程中的代价函数如式(6)所示:
7)测试阶段,将计算得到的敏感特征集作为训练好的循环神经网络的输入,得到新的机械零部件健康指标RNN-HI。
本发明的有益效果为:
本发明构造了新的相似性特征,用来表征机械零部件偏离正常状态的程度,通过特征的综合评价指标筛选出机械零部件退化过程的敏感特征集,利用循环神经网络充分融合与提取敏感特征集中的状态信息,得到新的机械零部件健康指标RNN-HI,能够很好地反映机械零部件的退化趋势,将得到的健康指标用于寿命预测,提高了预测结果的准确度。
附图说明
图1为本发明方法的流程图。
图2为由谱特征序列得到的相似性特征示意图。
图3为长短时记忆模型的结构示意图。
图4为滚动轴承bearing1_1和滚动轴承bearing2_6的全寿命振动信号。
图5为标准化后的综合评价指标。
图6为滚动轴承bearing2_6的寿命预测结果。
具体实施方式
下面结合附图和实施例对本发明做进一步阐述。
参照图1,一种基于循环神经网络融合的机械零部件健康指标构造方法,包括以下步骤:
1)获取机械零部件振动信号,计算机械零部件振动信号时域特征,得到机械零部件时域特征序列f1=(f11,f12,...,f111),其中f11,f12,…,f111分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波形指标、波形因子、脉冲指标和裕度指标;对振动信号进行傅里叶变换,得到一个全局谱特征序列f2,并对全局谱特征序列进行平均分割,得到由低频到高频的四个子谱特征序列f3、f4、f5、f6;
2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征:
其中,K为特征序列长度,和分别为初始时刻和t时刻下特征序列的均值,和ft i分别为初始时刻和t时刻下特征序列第i个分量的值,得到的相似性特征依次记为F1,F2,F3,F4,F5,F6,如果两时刻机械零部件状态接近,则相似性特征近似于1,反之近似于0,图2是由谱特征序列得到的相似性特征示意图;
3)对振动信号进行三层小波包变换,依据式(2)计算得到八个频带能量比特征:
4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1~F14的综合评价指标:
式中:
其中,Fl和tl分别是第l个观测点的特征值和时间,和分别是全寿命周期内特征序列和时间序列的均值,L是全寿命周期内特征序列的长度,ε(x)是单位阶跃函数,Corr衡量的是特征序列与时间序列的线性相关程度,Mon衡量的是特征序列的单调性;
5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri',选取Cri'>0.5的特征作为机械零部件退化过程的敏感特征集;
6)利用全寿命数据集对循环神经网络模型进行训练,其中xt∈RN×1为t时刻的敏感特征集,yt∈[0,1]是相应时刻机械零部件真实退化率,yt=0代表机械零部件处于完全健康状态,yt=1代表处于完全故障状态,循环神经网络训练过程中的代价函数如式(6)所示:
其中,为循环神经网络模型的输出结果,yt为真实退化率,使用的是改进的循环神经网络—长短时记忆模型,解决了循环神经网络中的梯度***与消失问题,图3为长短时记忆模型的结构示意图,最大的特点就是在循环神经网络结构的基础上添加了各层的阀门节点,用于判断记忆单元中的信息是否加入到该层的计算中,按照计算顺序给出每个部分的计算公式:
gt=φ(wgxxt+wghht-1+bg) (7)
it=σ(wixxt+wihht-1+bi) (8)
ft=σ(wfxxt+wfhht-1+bf) (9)
ot=σ(woxxt+wohht-1+bo) (10)
其中,wgx、wix,、wfx和wox分别是t时刻输入层xt和输出层ht之间的权值,wgh、wih、wfh和woh是隐藏层t时刻和t-1时刻之间的权值,bg、bi、bf和bo是偏差,ht-1前一时刻隐藏层的输出值,gt,,it,ft和ot分别是输入节点、输入门、忘记门和输出门的输出值,st和st-1分别是内状态在t时刻和前一时刻的值,σ(x)是门激活函数,φ(x)是输入激活函数,h(x)是输出激活函数;
7)测试阶段,将计算得到的敏感特征集作为训练好的循环神经网络的输入,得到一种新的机械零部件健康指标RNN-HI。
为了进一步证明基于循环神经网络融合的机械零部件健康指标构造方法的有效性,使用PRONOSTIA试验台的滚动轴承加速寿命实验数据进行验证。
PRONOSTIA试验台提供了滚动轴承从正常状态到完全失效的全寿命周期数据,实验中所用的滚动轴承没有设置初始故障,通过气缸向滚动轴承外圈提供压力使其在几个小时内就可以加速完成整个退化过程,并且每个退化滚动轴承可能包含任何一种故障形式,使用加速度传感器在滚动轴承外圈的竖直和水平方向进行数据采集。实验过程中,采样频率为25600Hz,采样点数为2560,每次采样时间为0.1s,两次采样的时间间隔为10s。三组实验数据分别对应不同的转速和负载,bearing1_1~bearing1_7的转速为1800rpm,负载为4000N;bearing2_1~bearing2_7的转速为1650rpm,负载为4200N;bearing3_1~bearing3_3的转速为1650rpm,负载为4200N,每组实验数据又分为训练集和测试集。图4所示为用于训练的滚动轴承bearing1_1和用于测试的滚动轴承bearing2_6的全寿命振动信号。
对训练集的滚动轴承振动信号进行特征提取,得到特征集F1~F14,计算相应的综合评价指标,标准化后的综合评价指标Cri'如图5所示。可以看出,F1、F2、F3、F9、F10、F11、F12和F14标准化后的综合评价指标大于0.5,应该作为敏感特征集,其中F1,F2和F3为提出的相似性特征,证明了相似性特征在描述退化过程上的有效性。提取训练集数据的敏感特征集对循环神经网络进行训练,得到相应的健康指标RNN-HI,为了与之对比,提取了Huang提出的基于自组织神经网络的健康指标SOM-HI,其中RNN-HI的综合评价指标为0.7474,SOM-HI的综合评价指标为0.6877,二者在描述滚动轴承的退化趋势上均具有较好的效果,然而SOM-HI在三种工况下没有恒定的失效阈值,RNN-HI的失效阈值均近似于1,可以看出RNN-HI的效果要优于SOM-HI。
为了验证RNN-HI在滚动轴承寿命预测中的有效性,使用基于粒子滤波的双指数寿命预测模型进行寿命预测,双指数模型如下式所示:
Y=aebt+cedt
式中,Y为滚动轴承健康指标RNN-HI,t为时间,a,b,c和d均为模型参数,使用粒子滤波方法进行参数更新。如图6所示,以测试滚动轴承bearing2_6为例,预测的剩余寿命中间值1470s,置信度为0.95的置信区间为[720s,1690s]。
测试集所有滚动轴承的寿命预测结果如表1所示,寿命预测精度通过平均百分误差来衡量:
其中,ActRULi和RULi分别是第i个测试轴承的实际剩余寿命和预测剩余寿命。同时作为对比,将SOM-HI用于滚动轴承剩余寿命预测,表1中给出了相应的预测结果,可以看出RNN-HI的平均百分误差为32.48%,SOM-HI的平均百分误差为53.24%,基于循环神经网络融合的机械零部件健康指标构造方法在剩余寿命预测中具有更高的精度。
表1
Claims (1)
1.一种基于循环神经网络融合的机械零部件健康指标构造方法,其特征在于,包括以下步骤:
1)获取机械零部件振动信号,计算振动信号时域特征,得到机械零部件时域特征序列f1=(f11,f12,...,f111),其中f11,f12,…,f111分别为均值、均方根值、峰峰值、方差、熵、峭度指标、偏斜度指标、波峰指标、波形因子、脉冲指标和裕度指标;对振动信号进行傅里叶变换,得到一个全局谱特征序列f2,并对全局谱特征序列进行平均分割,得到由低频到高频的四个子谱特征序列f3、f4、f5、f6;
2)将步骤1)中得到的六个特征序列依次带入式(1)计算得到机械零部件的相似性特征:
3)对振动信号进行三层小波包变换,依据式(2)计算得到八个频带能量比特征:
4)依据式(3)分别计算机械零部件的六个相似性特征和八个频带能量比特征F1~F14的综合评价指标:
式中:
其中,Fl和tl分别是第l个观测点的特征值和时间,Fl+1为第l+1个观测点的特征值,和分别是全寿命周期内特征序列和时间序列的均值,L是全寿命周期内特征序列的长度,ε(x)是单位阶跃函数,Corr衡量的是特征序列与时间序列的线性相关程度,Mon衡量的是特征序列的单调性;
5)将计算得到的十四个特征的综合评价指标Cri进行标准化得到Cri',选取Cri'>0.5的特征作为机械零部件退化过程的敏感特征集;
6)利用全寿命数据集对循环神经网络模型进行训练,其中xt∈RN×1为t时刻的敏感特征集,yt∈[0,1]是相应时刻机械零部件真实退化率,yt=0代表机械零部件处于完全健康状态,yt=1代表处于完全故障状态,循环神经网络训练过程中的代价函数如式(6)所示:
7)测试阶段,将计算得到的敏感特征集作为训练好的循环神经网络的输入,得到新的机械零部件健康指标RNN-HI。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710109877.8A CN106934126B (zh) | 2017-02-28 | 2017-02-28 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710109877.8A CN106934126B (zh) | 2017-02-28 | 2017-02-28 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106934126A CN106934126A (zh) | 2017-07-07 |
CN106934126B true CN106934126B (zh) | 2020-03-31 |
Family
ID=59423253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710109877.8A Active CN106934126B (zh) | 2017-02-28 | 2017-02-28 | 基于循环神经网络融合的机械零部件健康指标构造方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106934126B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108303253B (zh) * | 2017-12-06 | 2019-10-18 | 华南理工大学 | 基于长短时记忆循环神经网络的轴承早期故障识别方法 |
CN108536939A (zh) * | 2018-03-29 | 2018-09-14 | 上海交通大学 | 一种起重机车桥寿命预测方法及*** |
CN108760266B (zh) * | 2018-05-31 | 2019-11-26 | 西安交通大学 | 基于距离度量学习的机械关键部件虚拟退化指标构造方法 |
CN108960077A (zh) * | 2018-06-12 | 2018-12-07 | 南京航空航天大学 | 一种基于循环神经网络的智能故障诊断方法 |
CN108747590A (zh) * | 2018-06-28 | 2018-11-06 | 哈尔滨理工大学 | 一种基于振动频谱和神经网络的刀具磨损测量方法 |
CN109143856A (zh) * | 2018-07-31 | 2019-01-04 | 佛山科学技术学院 | 基于深度递归神经网络的自适应健康指标提取方法 |
CN109726524B (zh) * | 2019-03-01 | 2022-11-01 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN110633792B (zh) * | 2019-10-22 | 2022-03-22 | 西安交通大学 | 端到端基于卷积循环神经网络的轴承健康指标构建方法 |
CN111680661A (zh) * | 2020-06-19 | 2020-09-18 | 哈尔滨工业大学 | 一种基于多特征融合的机械旋转部件性能退化跟踪方法 |
CN113779699A (zh) * | 2021-09-14 | 2021-12-10 | 树根互联股份有限公司 | 一种挖掘机故障的预测方法、***、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5214271A (en) * | 1991-03-21 | 1993-05-25 | Ncr Corporation | Method of determining detector lifetime using a stepped resistor network |
WO2013187813A1 (en) * | 2012-06-13 | 2013-12-19 | Telefonaktiebolaget L M Ericsson (Publ) | Handover prediction using historical data |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
CN104778340A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于增强型粒子滤波的轴承寿命预测方法 |
CN106053066A (zh) * | 2016-05-23 | 2016-10-26 | 华东交通大学 | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 |
-
2017
- 2017-02-28 CN CN201710109877.8A patent/CN106934126B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5214271A (en) * | 1991-03-21 | 1993-05-25 | Ncr Corporation | Method of determining detector lifetime using a stepped resistor network |
WO2013187813A1 (en) * | 2012-06-13 | 2013-12-19 | Telefonaktiebolaget L M Ericsson (Publ) | Handover prediction using historical data |
CN104598734A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 滚动轴承集成期望最大化和粒子滤波的寿命预测模型 |
CN104778340A (zh) * | 2015-05-07 | 2015-07-15 | 东南大学 | 一种基于增强型粒子滤波的轴承寿命预测方法 |
CN106053066A (zh) * | 2016-05-23 | 2016-10-26 | 华东交通大学 | 基于经验模态分解和逻辑回归的滚动轴承性能退化评估方法 |
Non-Patent Citations (4)
Title |
---|
An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring;Zhigang Tian;《J Intell Manuf》;20121231;第227-237页 * |
Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data;Feng Jia 等;《Mechanical Systems and Signal Processing》;20160531;第72卷;第303-315页 * |
Recurrent neural networks for remaining useful life estimation;Felix O. Heimes 等;《2008 International Conference on Prognostics and Health Management》;20081231;第1-6页 * |
机械***旋转部件退化跟踪与故障预测方法研究;钱宇宁;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20170215(第02期);第C029-52页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106934126A (zh) | 2017-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106934126B (zh) | 基于循环神经网络融合的机械零部件健康指标构造方法 | |
CN106769052B (zh) | 一种基于聚类分析的机械***滚动轴承智能故障诊断方法 | |
CN110428004B (zh) | 数据失衡下基于深度学习的机械零部件故障诊断方法 | |
Shi et al. | Rolling bearing initial fault detection using long short-term memory recurrent network | |
CN104614179B (zh) | 一种风电机组齿轮箱状态监测方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN110261109B (zh) | 一种基于双向记忆循环神经网络的滚动轴承故障诊断方法 | |
CN108256556A (zh) | 基于深度信念网络的风力发电机组齿轮箱故障诊断方法 | |
CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
CN108168924B (zh) | 一种基于vmd和mfss模型的往复压缩机寿命预测方法 | |
CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN109766941B (zh) | 一种基于多传感器的农田数据融合处理方法 | |
CN102155988A (zh) | 设备监诊方法 | |
CN102721397A (zh) | 基于垂直动载荷的现代时间序列提取路面特征参数的方法 | |
CN114705432B (zh) | 防爆电机轴承健康状态评估方法及*** | |
TWI491801B (zh) | 風力發電故障預測系統及其方法 | |
Chen et al. | An adversarial learning framework for zero-shot fault recognition of mechanical systems | |
CN117365869A (zh) | 一种风电机组桨叶扫塔故障的自适应预警策略设计方法 | |
CN110887664A (zh) | 建立轴承故障识别模型的方法和装置 | |
CN111950757A (zh) | 旋转机械关键零部件退化状态趋势预测方法 | |
Wang et al. | Remaining Life Prediction for High-speed Rail Bearing Considering Hybrid Data-model-driven Approach | |
CN113487141A (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
Li et al. | An Approach of Rolling Bearing Remaining Useful Life Prediction based on Adaptive Ensemble Model | |
CN104239698B (zh) | 固体火箭发动机振动畸变信号的时间序列修正方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |