Bi-LSTM神经网络用于轴承剩余使用寿命预测研究

被引：79

作者：

申彦斌

张小丽

夏勇

杨吉

陈双达

机构：

[1] 长安大学工程机械学院道路施工技术与装备教育部重点实验室

来源：

振动工程学报 | 2021年 / 34卷 / 02期

关键词：

故障诊断; 滚动轴承; Bi-LSTM网络; 多传感器样本; 变长度输入;

D O I：

10.16385/j.cnki.issn.1004-4523.2021.02.022

中图分类号：

TH133.33 [滚动轴承]; TP183 [人工神经网络与计算];

学科分类号：

082805 [农业机械化与装备工程]; 140502 [人工智能];

摘要：

为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络(Bi-directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测。此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi-LSTM网络进行训练,使得模型接收连续数据而不是分段的数据。最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE-Bi-LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。

引用

页码：411 / 420

页数：10

共 27 条

[1]

基于长短时记忆网络的旋转机械状态预测研究 [J].

赵建鹏 ;

周俊 .

噪声与振动控制, 2017, 37 (04) :155-159

[2]

Bearing performance degradation assessment using long short-term memory recurrent network.[J].Bin Zhang;Shaohui Zhang;Weihua Li.Computers in Industry.2019,

[3]

Rolling bearing health prognosis using a modified health index based hierarchical gated recurrent unit network [J].

Li, Xingqiu ;

Jiang, Hongkai ;

Xiong, Xiong ;

Shao, Haidong .

MECHANISM AND MACHINE THEORY, 2019, 133 :229-249

[4]

An enhancement denoising autoencoder for rolling bearing fault diagnosis.[J].Zong Meng;Xuyang Zhan;Jing Li;Zuozhou Pan.Measurement.2018,

[5]

Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders.[J].Han Liu;Jianzhong Zhou;Yang Zheng;Wei Jiang;Yuncheng Zhang.ISA Transactions.2018,

[6]

Rolling bearing fault detection using continuous deep belief network with locally linear embedding.[J].Haidong Shao;Hongkai Jiang;Xingqiu Li;Tianchen Liang.Computers in Industry.2018,

[7]

LSTM: A Search Space Odyssey [J].

Greff, Klaus ;

Srivastava, Rupesh K. ;

Koutnik, Jan ;

Steunebrink, Bas R. ;

Schmidhuber, Juergen .

IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS, 2017, 28 (10) :2222-2232

[8]

Virtualization and deep recognition for system fault classification.[J].Peng Wang;Ananya;Ruqiang Yan;Robert X. Gao.Journal of Manufacturing Systems.2017,

[9]

A Comparative Study on Machine Learning Algorithms for Smart Manufacturing: Tool Wear Prediction Using Random Forests [J].

Wu, Dazhong ;

Jennings, Connor ;

Terpenny, Janis ;

Gao, Robert X. ;

Kumara, Soundar .

JOURNAL OF MANUFACTURING SCIENCE AND ENGINEERING-TRANSACTIONS OF THE ASME, 2017, 139 (07)

[10]

A deep learning-based approach to material removal rate prediction in polishing [J].

Wang, Peng ;

Gao, Robert X. ;

Yan, Ruqiang .

CIRP ANNALS-MANUFACTURING TECHNOLOGY, 2017, 66 (01) :429-432

← 1 2 3 →