基于改进SAE和双向LSTM的滚动轴承RUL预测方法.docx_lstm预测轴承的方法资源-CSDN文库

版权申诉

5星 · 超过95%的资源 120 浏览量 2023-02-23 16:53:54 上传评论收藏 104KB DOCX 举报

资源推荐

资源详情

资源评论

滚动轴承是旋转机械设备的重要组成部件, 如果在轴承失效前可准确地预测出剩余使

用寿命(Remaining useful life, RUL), 便可及时采取预防措施, 从而可以避免造成重大经济损

失和人员伤亡事故

[1-2]

.

特征提取是进行滚动轴承 RUL 预测的重要前提. 近年来, 深度学习凭借其卓越的非线

性函数自动映射能力在滚动轴承特征提取领域得到广泛应用

[3]

. 文献[4]提出一种改进的深

度信念网络, 直接以滚动轴承原始振动信号作为网络输入, 经过逐层抽象表示, 挖掘出原始

振动信号深层本质特征. 文献[5-7]利用卷积神经网络特有的局部卷积、权值共享和降采样

等结构特性直接从滚动轴承振动信号中自动提取数据局部抽象信息, 实现对振动信号特征

的深层挖掘. 上述研究虽利用深度学习方法简化了复杂的特征提取过程且挖掘出了振动信

号深层本质特征, 但是网络模型仍需大量标签数据进行有监督微调, 而实际应用中标签数据

匮乏且难以获取.

稀疏自动编码器(Sparse auto-encoder, SAE)作为深度学习模型的一种, 因其独特的无监

督特征学习能力, 可实现大量无标签数据特征的有效表达

[8]

, 为滚动轴承特征提取提供了新

的解决思路. 目前稀疏自动编码器已被成功推广到各种标记数据有限的应用场合

[9]

. 然而传

统的 SAE 采用 sigmoid 作为激活函数容易造成梯度消失问题, 且采用 Kullback-Leibler (KL)

散度

[10]

进行稀疏性约束在滚动轴承特征提取方面存在局限性.

在特征提取的基础上, 进行滚动轴承 RUL 预测是最终目标. 由于循环神经网络在时间

序列处理方面具有优越性, 因此本文在获取轴承性能退化特征值的基础上, 将长短时记忆网

络(Long short-term memory, LSTM)作为轴承性能退化曲线构建方法. 利用 LSTM 构建轴承

性能退化曲线的方法是整合“ 过去”的信息, 辅助处理当前信息. 然而, 本文考虑到滚动轴

承的衰退过程实际上是一个在时间上具有前后依赖关系的连续变化过程, 当前信息的处理

也有必要整合“未来”的信息

[11]

. 文献[11]将双向长短时记忆网络(Bi-directional long short-

term memory, Bi-LSTM)用于负荷的短期预测并取得很好的实验效果. 文献[12]将 Bi-LSTM

应用于视频描述, 用以全面保留全局时间和视觉信息. 由此可以证实 Bi-LSTM 在时间序列

处理上具有可行性和优越性.

综上, 本文对 SAE 的激活函数进行改进, 提出一种新的 Tan 函数替代原有的 sigmoid

激活函数, 并采用 dropout 机制对网络进行稀疏性约束. 利用改进 SAE 对滚动轴承振动信号

进行无监督自适应特征提取, 并将提取出的深层特征作为滚动轴承的性能退化特征. 同时,

通过引入 Bi-LSTM 以实现滚动轴承过去和未来信息的充分利用从而完成滚动轴承当前寿命

预测. 最后利用一次函数对当前寿命进行拟合, 实现对滚动轴承的 RUL 预测.

1. 改进 SAE 模型

剩余16页未读，继续阅读

内容反馈

版权申诉

jiutianfeiwufeng

2023-05-22

发现一个超赞的资源，赶紧学习起来，大家一起进步，支持！

罗伯特之技术屋

粉丝: 3587
资源: 1万+

最新资源

资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！点击此处反馈

feedback-tip