CN114091525A - 一种滚动轴承退化趋势预测方法 - Google Patents
一种滚动轴承退化趋势预测方法 Download PDFInfo
- Publication number
- CN114091525A CN114091525A CN202111267045.1A CN202111267045A CN114091525A CN 114091525 A CN114091525 A CN 114091525A CN 202111267045 A CN202111267045 A CN 202111267045A CN 114091525 A CN114091525 A CN 114091525A
- Authority
- CN
- China
- Prior art keywords
- convolution
- rolling bearing
- degradation
- vibration signal
- degradation trend
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/049—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Signal Processing (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及一种滚动轴承退化趋势预测方法,包括以下步骤:首先,从时域、频域、时频域等多视角提取滚动轴承的特征参数;然后,利用主成分分析对滚动轴承振动信号的多视角特征进行融合以构建退化趋势曲线;最后,通过时间卷积神经网络建立预测模型,对滚动轴承退化趋势曲线预测,实现滚动轴承退化趋势的准确预测。本发明采用嵌入动态卷积的时间卷积网络预测滚动轴承退化趋势合理评估滚动轴承的退化状态,利用主成分分析融合多视角特征,并通过时间卷积网络挖掘信号序列中的关联性信息,提升了特征提取能力,提高了预测模型的准确性。能提前发现滚动轴承退化临界状态,并精确地预测退化趋势。
Description
技术领域
本发明涉及基于深度学习的故障诊断技术领域,尤其是一种滚动轴承退化趋势预测方法。
背景技术
滚动轴承作为工业生产中常见的旋转机械,广泛地应用于航空航天、智能制造、风力发电等工业领域中,其在维持旋转机械的运动精度和工作效率中发挥着不可替代的作用。作为工业生产中最易损坏的零件之一,滚动轴承引起的旋转设备故障约占总故障次数的30%。
现有技术中,对于滚动轴承故障诊断的方法多种多样,基于神经网络算法的滚动轴承退化趋势研究方法主要包括循环神经网络、深度信念网络以及多层感知机等,然而存在特征单一、特征融合性不足、关联性特征提取能力弱等问题。
发明内容
针对现有技术的不足,本发明提供一种滚动轴承退化趋势预测方法,能有效实现滚动轴承劣化趋势预测,旨在提高预测的准确性。
本发明采用的技术方案如下:
一种滚动轴承退化趋势预测方法,包括以下步骤:
第一步:提取滚动轴承多视角退化特征,所述多视角退化特征包括:
四个时域特征参数,分别为振动信号最大值、最小值、标准差和峭度;
三个频域特征参数,分别为振动信号傅立叶谱的均方根值、峰值指标和峰值因子;
和振动信号的样本熵、以及振动信号的无序性特征参数;
第二步:利用主成分分析对所述多视角特征进行特征融合,得到表征滚动轴承全生命周期状态的退化趋势曲线;
第三步:通过时间卷积网络建立退化趋势预测模型,对所述退化趋势曲线进行预测。
所述主成分分析包括:
1)将数据样本标准化:
2)计算标准化后样本的相关矩阵R:
并计算相关矩阵R的特征值和特征向量;
3)根据方差贡献率ηj和累计方差贡献力η∑(m)计算主成分个数,
λj为特征值,m为降维后的特征维度;
4)数据经降维后特征由p维减少到m维,求得主成分矩阵Zn×m:
上式中,Up×m为前m个特征值对应的特征向量组成的矩阵。
所述时间卷积网络通过空洞卷积核来获取样本数据整个序列的全局信息,并设置有残差结构;
构建时间卷积网络,具体包括:
1)序列建模,通过建立网络模型预测与输入序列等长的序列,使预测输出与实际输出间损失尽可能小;
2)采用因果卷积实现序列间的因果性,即某一时刻预测数据只与当前时刻之前的数据有关,与当前时刻之后的数据无关:
yT=f(x1,x2,...,xt)
3)采用空洞卷积获得更大的感受野,对于一维序列x∈Rn:
Rn表示n维实数空间,d为膨胀系数,k为卷积核大小,下标“s-d·i”是第s个元素空洞卷积时,卷积核第i个元素f(i)对应的上一层元素的序号,F(s)为空洞卷积的输出;
4)通过残差块连接的方式堆叠深度时间卷积网络,所述残差块包含两层均由膨胀因果卷积、权重归一化、修正线性单元和Dropout构成的结构,两层之间通过一层一维卷积实现残差连接,残差块定义如下:
H(x)=F(x)+x
上式中,x为输入序列,H(x)代表残差块输出,F(x)代表输入序列经过一系列卷积后的输出;
5)利用动态卷积为单个卷积层赋予多个卷积核,根据输入动态生成注意力权重,集成多个卷积核为单个核,作为后续卷积核的加权权值矩阵和加权偏置向量。
所述动态卷积的流程包括:输入数据先通过全局池化,再通过中间包含RELU激活函数的两层全连接层,然后通过一层Softmax激活函数获得K个卷积核的注意力权重,计算获得的注意力权重为权值矩阵和偏置向量赋予权重,经过动态卷积的数据最后通过批归一化和激活函数得到输出。
所述动态卷积的数学表达式为:
其中:
所述第二步,得到表征滚动轴承全生命周期状态的退化趋势曲线后,对各退化趋势曲线取前若干个测点,计算均值和标准差;利用3倍标准差设置故障阈值,对各退化趋势曲线分别检测出异常值点。
所述振动信号的样本熵的提取过程包括:
1)对于信号序列{x(i),i=1,2,...,N},N为采样点数,将序列组成m维矢量:
xm(i)={x(i),x(i+1),...x(i+m-1)},i=1,2,...,N-m-1
2)定义矢量xm(l)和xm(s)间的距离d[xm(l),xm(s)]为位置元素差的最大绝对值:
l,s=1,2,...,N-m-1
式中,l和s分别代表两个不同的矢量,k代表矢量中的某一维特征;
5)重复步骤1)~4),计算获得Bm+1(p);
6)计算样本熵SampEn:
所述振动信号的无序性特征参数Hur的计算式为:
式中,n为振动信号的长度,xi为瞬时振幅。
四个时域特征参数振动信号最大值xmax、最小值xmin、标准差σ和峭度γ的计算式为:
xmax=max{xi}
xmin=min{xi}
其中,xi代表振动信号;μ为振动信号的平均值;E(·)为数学期望算子;Xi为振动信号的傅立叶谱,N为采样点数。
三个频域特征参数均方根值Xrms、峰值指标Xpeak、峰值因子C的计算式为:
其中,Xi为振动信号的傅立叶谱,N为采样点数。
本发明的有益效果如下:
本发明采用嵌入动态卷积的时间卷积网络预测滚动轴承退化趋势合理评估滚动轴承的退化状态,利用主成分分析融合多视角特征,并通过时间卷积网络挖掘信号序列中的关联性信息,提升了特征提取能力,提高了预测模型的准确性。
附图说明
图1为本发明方法的流程示意图。
图2是本发明实施例的轴承加速寿命实验台。
图3是本发明实施例的滚动轴承全寿命周期的各退化特征曲线。
图4是本发明实施例的基于时间卷积网络预测的滚动轴承退化趋势曲线。
图5是本发明实施例的基于长短时记忆网络的滚动轴承退化趋势曲线。
图2中:1、轴承一;2、轴承二;3、轴承三;4、轴承四。
具体实施方式
以下结合附图说明本发明的具体实施方式。
本申请的一种滚动轴承退化趋势预测方法,如图1所示,包括以下步骤:
第一步:
提取滚动轴承多视角退化特征,其中多视角退化特征包括:
四个时域特征参数,分别为振动信号最大值xmax、最小值xmin、标准差σ和峭度γ;
三个频域特征参数,分别为振动信号傅立叶谱的均方根值Xrms、峰值指标Xpeak和峰值因子C;
和振动信号的样本熵SampEn、以及振动信号的无序性特征参数Hur;
各特征参数表达式:
xmax=max{xi} (1)
xmin=min{xi} (2)
式(1)、式(2)和式(3)中,xi代表振动信号;
式(3)、式(4)中,μ为振动信号的平均值,E(·)为数学期望算子,式(5)、式(6)中Xi为振动信号的傅立叶谱,N为采样点数。
其中,振动信号的样本熵的提取过程包括:
1)对于信号序列{x(i),i=1,2,...,N},N为采样点数,将序列组成m维矢量:
xm(i)={x(i),x(i+1),...x(i+m-1)},i=1,2,…,N-m-1 (8)
2)定义矢量xm(l)和xm(s)间的距离d[xm(l),xm(s)]为位置元素差的最大绝对值:
式中,l和s分别代表两个不同的矢量,k代表矢量中的某一维特征;
5)重复步骤1)~4),计算获得Bm+1(p);
6)计算样本熵SampEn:
其中,振动信号的无序性特征参数Hur的计算式为:
式(13)中,xi代表振动信号,n为信号长度。
第二步:
基于主成分分析进行多视角退化特征融合,将基于主成分分析的多特征融合曲线作为滚动轴承的退化趋势曲线;
主成分分析能够通过选出由少数变量的线性组合而得的新变量,在变量互不相关的条件下,使之尽可能刻画全部变量特性。
主成分分析具体包括:
1)将数据样本标准化:
2)计算标准化后样本的相关矩阵R:
并计算相关矩阵R的特征值和特征向量;
3)根据方差贡献率ηj和累计方差贡献力η∑(m)计算主成分个数,
式(16)、式(17)中,λj为特征值,m为降维后的特征维度;
4)数据经降维后特征由p维减少到m维,求得主成分矩阵Zn×m:
式(18)中,Up×m为前m个特征值对应的特征向量组成的矩阵。
基于主成分分析得到表征滚动轴承全生命周期状态的退化趋势曲线后,对各退化趋势曲线取前若干个测点,计算均值和标准差;利用3倍标准差设置故障阈值,对各退化趋势曲线分别检测出异常值点。
第三步:
通过时间卷积网络建立退化趋势预测模型,对滚动轴承退化趋势曲线进行预测;利用训练集数据训练数据,验证集数据选择最优模型,并在测试集上验证模型效果;
其中,时间卷积网络通过空洞卷积核来获取样本数据整个序列的全局信息;
时间卷积网络构建具体包括:
1)序列建模,通过建立网络模型预测与输入序列等长的序列,使预测输出与实际输出间损失尽可能小;
2)采用因果卷积实现序列间的因果性,即某一时刻预测数据只与当前时刻与该时刻前数据有关,与该时刻后数据无关:
yT=f(x1,x2,...,xt) (19)
3)采用空洞卷积获得更大的感受野,对于一维序列x∈Rn,Rn表示n维实数空间,空洞卷积操作定义为:
式(20)中,d为膨胀系数,k为卷积核大小,下标“s-d·i”是第s个元素膨胀卷积时,卷积核第i个元素f(i)对应的上一层元素的序号;F(s)为空洞卷积的输出;
4)通过残差块连接的方式堆叠深度时间卷积网络,残差块包含两层均由膨胀因果卷积、权重归一化、修正线性单元和Dropout构成的结构,两层之间通过一层一维卷积实现残差连接,残差块定义如下:
H(x)=F(x)+x (21)
上式中,x为输入序列,H(x)代表残差块输出,F(x)代表输入序列经过一系列卷积后的输出;
5)利用动态卷积为单个卷积层赋予多个卷积核,根据输入动态生成注意力权重,集成多个卷积核为单个核,作为后续卷积核的加权权值矩阵和加权偏置向量。
其中,动态卷积的流程包括:
输入数据先通过全局池化,再通过中间包含RELU激活函数的两层全连接层,然后通过一层Softmax激活函数获得K个卷积核的注意力权重,计算获得的注意力权重为权值矩阵和偏置向量赋予权重,经过动态卷积的数据最后通过批归一化和激活函数得到输出。
动态卷积的数学表达式为:
其中:
以下以具体实施例进一步说明本申请的滚动轴承退化趋势预测方法。
采用美国威斯康星大学和密西根大学共建的智能维护***中心实测的轴承加速寿命实验数据,轴承加速寿命实验台如附图2所示。
实验台固定有四个RexnordZA-2115双列轴承,分别为轴承一1、轴承二2、轴承三3和轴承四4。通过弹簧机构向轴和轴承上施加6000磅的径向载荷。滚动轴承由交流电机通过摩擦带驱动,转速维持在2000rpm,加速度计采样频率为20kHz,采样时间间隔为10min,每次采集1s共20480个数据点。
轴承加速寿命实验台共进行三组实验,记录轴承从开始运行到失效的加速度计采集的全部振动数据。采用该加速寿命试验台采集的第二组轴承振动数据进行,本组实验持续了总共7天,实验最后,轴承一1发生外圈故障失效,轴承二2、轴承三3和轴承四4均有所退化。本组实验共采集984个样本,每个样本包含1s共20480个数据点,即每个轴承包含984×20480个振动数据。
基于主成分分析的多特征融合:
利用主成分分析特征融合的具体步骤为:
原始数据包含982×20480(去掉最后两组已经失真的数据)个数据点,首先对982个样本点计算每个样本点的标准差、方差、偏度、峭度和样本熵,数据维度变为982×5;然后对每列特征进行归一化,将列向量缩放至0~1区间;
接着利用主成分分析算法对5列特征进行特征融合,提取5列特征第一主成分,得到长度为982×1的表征滚动轴承全生命周期状态的退化趋势特征向量,共包含982个样本点,以轴承一1数据为例,提取结果如附图3中(a)-(f)所示,(a)-(f)分别为滚动轴承全寿命周期的最大值特征、最小值特征、标准差特征、峭度特征、样本熵特征以及退化趋势特征。
对各特征曲线取前200个测点计算均值和标准差,采用3σ原则利用3倍标准差设置故障阈值,为了防止少数异常值超出阈值范围误报警,采用连续多值超阈值范围认定为异常值的策略,本发明采用连续10值超阈值限判断为异常值的策略,对于上述特征曲线分别检测出异常值点,各特征曲线出现显著状态退化的样本点时刻对比如表1所示。
表1
由附图3以及表1可知,最大值特征在第707个状态点检测出显著退化的阈值点,最小值特征和峭度特征均在第700个状态点检测出显著退化的阈值点,标准差特征在第566个状态点检测出显著退化的阈值点,样本熵特征在第696个状态点检测出显著退化的阈值点。本实施例提出的主成分分析特征提取方法在第551个状态点检测出显著退化的阈值点。相较于单一特征,本实施例提出的特征提取方法曲线在早期故障阶段曲线的变化更加明显,能够更早地发现阈值点并诊断出滚动轴承早期的退化状态。
在工业运行环境中,更早地发现滚动轴承早期退化状态能够为工业生产提供预警,提高工业生产运行的效率、安全性和稳定性,故本申请采用上述提出的基于主成分分析的多特征融合曲线作为滚动轴承的退化趋势曲线。
基于时间卷积网络的滚动轴承状态退化趋势预测:
采用时间卷积网络对滚动轴承退化趋势曲线进行预测,并与长短时网络预测趋势曲线进行对比。
时间卷积网络将第一层残差块中的卷积替换为动态卷积,网络层数设置为5层,第一层为动态卷积残差块,后四层为残差块,动态卷积核数设置为4,膨胀因果卷积的卷积核大小为2;长短时记忆网络层数设置为2,隐层神经元数目设置为30。模型均采用30时间步预测5时间步的策略,设置网络迭代300轮,Dropout设置为0.2,采用Adam优化器,损失函数设置为绝对值损失函数,初始学习率为0.01,采用阶梯衰减学习率策略,每50层学习率下降。利用训练集数据训练数据,验证集数据选择最优模型,并在测试集上验证模型效果,测试集预测结果如图4、图5所示,图中原始数据图例为深灰色,预测数据图例为浅灰色。
采用绝对误差和均方误差作为曲线精度衡量标准,三个模型预测精度如表2所示。从表2中可以观察到,本申请的时间卷积网络模型与长短时记忆网络相比具有较小的绝对误差、均方误差和单轮耗时。
表2
模型 | 绝对误差 | 均方误差 | 单轮耗时/ms |
时间卷积网络 | 0.2457 | 0.1644 | 62.70 |
长短时记忆网络 | 0.2393 | 0.1578 | 104.40 |
Claims (10)
1.一种滚动轴承退化趋势预测方法,其特征在于,包括以下步骤:
第一步:提取滚动轴承多视角退化特征,所述多视角退化特征包括:
四个时域特征参数,分别为振动信号最大值、最小值、标准差和峭度;
三个频域特征参数,分别为振动信号傅立叶谱的均方根值、峰值指标和峰值因子;
和振动信号的样本熵、以及振动信号的无序性特征参数;
第二步:利用主成分分析对所述多视角特征进行特征融合,得到表征滚动轴承全生命周期状态的退化趋势曲线;
第三步:通过时间卷积网络建立退化趋势预测模型,对所述退化趋势曲线进行预测。
3.根据权利要求1所述的滚动轴承退化趋势预测方法,其特征在于,所述时间卷积网络通过空洞卷积核来获取样本数据整个序列的全局信息,并设置有残差结构;
构建时间卷积网络,具体包括:
1)序列建模,通过建立网络模型预测与输入序列等长的序列,使预测输出与实际输出间损失尽可能小;
2)采用因果卷积实现序列间的因果性,即某一时刻预测数据只与当前时刻之前的数据有关,与当前时刻之后的数据无关:
yT=f(x1,x2,...,xt)
3)采用空洞卷积获得更大的感受野,对于一维序列x∈Rn:
Rn表示n维实数空间,d为膨胀系数,k为卷积核大小,下标“s-d·i”是第s个元素空洞卷积时,卷积核第i个元素f(i)对应的上一层元素的序号,F(s)为空洞卷积的输出;
4)通过残差块连接的方式堆叠深度时间卷积网络,所述残差块包含两层均由膨胀因果卷积、权重归一化、修正线性单元和Dropout构成的结构,两层之间通过一层一维卷积实现残差连接,残差块定义如下:
H(x)=F(x)+x
上式中,x为输入序列,H(x)代表残差块输出,F(x)代表输入序列经过一系列卷积后的输出;
5)利用动态卷积为单个卷积层赋予多个卷积核,根据输入动态生成注意力权重,集成多个卷积核为单个核,作为后续卷积核的加权权值矩阵和加权偏置向量。
4.根据权利要求3所述的滚动轴承退化趋势预测方法,其特征在于,所述动态卷积的流程包括:输入数据先通过全局池化,再通过中间包含RELU激活函数的两层全连接层,然后通过一层Softmax激活函数获得K个卷积核的注意力权重,计算获得的注意力权重为权值矩阵和偏置向量赋予权重,经过动态卷积的数据最后通过批归一化和激活函数得到输出。
6.根据权利要求1所述的滚动轴承退化趋势预测方法,其特征在于,所述第二步,得到表征滚动轴承全生命周期状态的退化趋势曲线后,对各退化趋势曲线取前若干个测点,计算均值和标准差;利用3倍标准差设置故障阈值,对各退化趋势曲线分别检测出异常值点。
7.根据权利要求1所述的滚动轴承退化趋势预测方法,其特征在于,所述振动信号的样本熵的提取过程包括:
1)对于信号序列{x(i),i=1,2,...,N},N为采样点数,将序列组成m维矢量:
xm(i)={x(i),x(i+1),...x(i+m-1)},i=1,2,…,N-m-1
2)定义矢量xm(l)和xm(s)间的距离d[xm(l),xm(s)]为位置元素差的最大绝对值:
式中,l和s分别代表两个不同的矢量,k代表矢量中的某一维特征;
5)重复步骤1)~4),计算获得Bm+1(p);
6)计算样本熵SampEn:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267045.1A CN114091525A (zh) | 2021-10-28 | 2021-10-28 | 一种滚动轴承退化趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111267045.1A CN114091525A (zh) | 2021-10-28 | 2021-10-28 | 一种滚动轴承退化趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114091525A true CN114091525A (zh) | 2022-02-25 |
Family
ID=80298047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111267045.1A Pending CN114091525A (zh) | 2021-10-28 | 2021-10-28 | 一种滚动轴承退化趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114091525A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741948A (zh) * | 2022-03-09 | 2022-07-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
CN116738868A (zh) * | 2023-08-16 | 2023-09-12 | 青岛中德智能技术研究院 | 一种滚动轴承剩余寿命预测方法 |
-
2021
- 2021-10-28 CN CN202111267045.1A patent/CN114091525A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114741948A (zh) * | 2022-03-09 | 2022-07-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114741948B (zh) * | 2022-03-09 | 2024-03-12 | 西北工业大学 | 一种基于序列重构的残差堆叠卷积网络的航空发动机退化趋势预测方法 |
CN114841208A (zh) * | 2022-05-14 | 2022-08-02 | 哈尔滨理工大学 | 基于SAE与TCN-Attention模型的滚动轴承性能衰退预测方法及装置 |
CN116738868A (zh) * | 2023-08-16 | 2023-09-12 | 青岛中德智能技术研究院 | 一种滚动轴承剩余寿命预测方法 |
CN116738868B (zh) * | 2023-08-16 | 2023-11-21 | 青岛中德智能技术研究院 | 一种滚动轴承剩余寿命预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Discriminative deep belief networks with ant colony optimization for health status assessment of machine | |
CN109141881B (zh) | 一种深度自编码网络的旋转机械健康评估方法 | |
Tao et al. | Bearing fault diagnosis method based on stacked autoencoder and softmax regression | |
CN110132554B (zh) | 一种深度拉普拉斯自编码的旋转机械故障诊断方法 | |
CN114091525A (zh) | 一种滚动轴承退化趋势预测方法 | |
Zhang et al. | Dynamic condition monitoring for 3D printers by using error fusion of multiple sparse auto-encoders | |
CN113255848B (zh) | 基于大数据学习的水轮机空化声信号辨识方法 | |
CN111967486A (zh) | 一种基于多传感器融合的复杂装备故障诊断方法 | |
CN109063308B (zh) | 一种基于深度量子学习的健康评估方法 | |
CN111562108A (zh) | 一种基于cnn和fcmc的滚动轴承智能故障诊断方法 | |
Xia et al. | Multi-stage fault diagnosis framework for rolling bearing based on OHF Elman AdaBoost-Bagging algorithm | |
CN109460618A (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
CN112257530B (zh) | 基于盲信号分离和支持向量机的滚动轴承故障诊断方法 | |
Pan et al. | A deep learning network via shunt-wound restricted Boltzmann machines using raw data for fault detection | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN110348468B (zh) | 一种相关向量机优化强重构边缘降噪自动编码器的轴承亚健康识别方法 | |
CN111914897A (zh) | 一种基于孪生长短时间记忆网络的故障诊断方法 | |
Li et al. | Gear pitting fault diagnosis using raw acoustic emission signal based on deep learning | |
CN113188794A (zh) | 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置 | |
CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
CN115290326A (zh) | 一种滚动轴承故障智能诊断方法 | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
CN117473411A (zh) | 基于改进Transformer模型的轴承寿命预测方法 | |
CN117473260A (zh) | 一种数模联动的航天轴承剩余寿命预测方法 |
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 |