基于深度学习的设备剩余寿命预测算法研究及其应用

发布时间：2023-03-18 16:24

　　当前,传统制造企业走向高质量高效率的发展之路,越来越多的企业意识到有效地降低设备维护成本对企业的长期发展至关重要。近年来,预测性维护技术(Predictive maintenance,PdM)快速发展,其目标是利用实时监测数据来预测设备的剩余使用寿命(Remaining Useful Life,RUL)及潜在的故障,从而避免设备发生意外停机,并通过最大化利用设备剩余价值以降低维护成本。因此,预测性维护的前提和首要任务在于设备的RUL预测。RUL预测方法的选择与被测设备可用的数据量和数据类型相关,对于复杂程度不等的设备,可进行监测的数据类型不一,所适用的RUL预测方法也就不同。在本文中,将由单一传感器获取的数据归类为低维监测数据,而由多种传感器获取的数据归类为多维监测数据,并分别对这两种情况下的设备RUL预测算法进行了研究,本论文主要研究内容归纳为以下三个部分:(1)对于以轴承为代表的支持低维监测数据的简单设备,运用了一种基于多特征融合的时间卷积网络(Temporal Convolutional Network,TCN)的RUL预测模型,该模型利用卷积神经网络(Convolutional...

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究背景与意义
    1.2 国内外研究现状
    1.3 论文主要内容
    1.4 论文结构框架
第二章 基于低维监测数据的设备RUL预测算法研究
    2.1 引言
    2.2 卷积神经网络理论基础
        2.2.1 神经网络基本原理
        2.2.2 卷积神经网络
        2.2.3 时间卷积网络
    2.3 时域频域特征与特征选择
        2.3.1 时域特征介绍
        2.3.2 频域特征介绍
        2.3.3 时域频域特征选择
    2.4 基于多特征融合的CNN-TCN模型
    2.5 实验与结果分析
        2.5.1 PHM2012数据集简介
        2.5.2 CNN模型训练
        2.5.3 TCN模型训练
        2.5.4 实验结果分析
    2.6 本章小结
第三章 基于高维监测数据的设备RUL预测算法研究
    3.1 引言
    3.2 循环神经网络理论基础
        3.2.1 循环神经网络
        3.2.2 长短时记忆网络
    3.3 基于注意力机制的ConvLSTM模型建模
        3.3.1 卷积长短时记忆网络
        3.3.2 注意力机制
        3.3.3 基于注意力机制的ConvLSTM模型
    3.4 实验与结果分析
        3.4.1 C-MAPSS数据集简介
        3.4.2 评价标准
        3.4.3 RUL预测流程
        3.4.4 数据预处理
        3.4.5 模型参数设置
        3.4.6 实验结果分析
    3.5 本章小结
第四章 基于RUL预测的生产线预测性维护系统设计
    4.1 引言
    4.2 系统需求分析与功能设计
        4.2.1 系统需求分析
        4.2.2 系统功能设计
        4.2.3 “边云协同”系统框架
    4.3 系统具体功能实现
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
致谢
研究成果及已发表的学术论文
作者及导师简介
附件



本文编号：3763468