结合CNN和LSTM的滚动轴承剩余使用寿命预测方法研究

发布时间：2020-05-20 10:26

【摘要】：滚动轴承作为众多旋转机械设备中的基础部件之一,其运行状态对设备安全可靠运行有着至关重要的作用。一旦发生故障,不仅造成巨大的经济损失,甚至会导致灾难性人员伤亡。因此,准确地预测滚动轴承剩余使用寿命(RUL)可为预防性维修决策提供依据,便于维修策略的制定,提高旋转机械设备的可靠性和安全性,从而有效避免安全事故。为了充分挖掘滚动轴承原始振动信号所包含的轴承运行状态信息,自主构建趋势性量化健康指标,对滚动轴承的剩余使用寿命进行预测。论文提出一种结合卷积神经网络(CNN)和长短时记忆神经网络(LSTM)的滚动轴承剩余寿命预测方法。首先,为了能够提高对滚动轴承振动信号的特征识别能力,获取更多的有用信息,提取故障特征,提高模型的整体预测能力,论文对滚动轴承振动信号进行频域预处理,使用快速傅里叶变换将原始振动信号转化为频域幅值信号。然后,将频域幅值信号进行归一化处理后作为CNN的输入,运用CNN具有卷积、权值共享等特性,自主提取频域幅值信号中的局部抽象信息,挖掘深层特征,避免传统特征提取方法过于依赖专家经验的问题。最后,将深层特征输入到LSTM网络中,并根据寿命百分比,自主构建趋势性量化健康指标,同时确定失效阈值。健康指标构建方法摒弃传统特征提取和特征融合的思路,避免失效阈值不易确定问题,减少了人力资源消耗和时间成本的增加。同时,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下,都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。
【图文】：

神经元模型

能方向优势突出。本章将从发展历程、网络与深度学习相关算法进行深入的研神经网络简介人工神经网络也称为神经网络，是由大构成，模仿大脑神经系统活动的特点，一种数学运算模型，该模型能够模拟大的复杂程度，可以做到并行分布处理复能力等特征。神经网络能够进行特定的估计和信号处理等领域[42]。1 神经元模型神经网络以神经元作为基本单元，类似多输入单输出结构。其每个神经元都代之间的连接表示连接信号的权值。其具

隐藏层,输出层,节点计算,误差

图 2-6 神经网络拓扑结构Fig. 2-6 Topology diagram of neural netw，输入向量为 x=(x1,x2,…,xn)，输出到隐藏层及隐藏层到输出层之间连接权值，wjk表示隐藏层 z 到输数分别用 f1( )和 f2( )进行表示，隐如式（2-9）和（2-10）所示。zfvxkqnikkii(),1,2,...,01 yfwzjqkjjkk(),1,2,...,02 个数为 P，，则由输出层节点计算得 tpj，则对应的误差为： mjpjppjEty12()21数据 P，全局的误差为：
【学位授予单位】：哈尔滨理工大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TH133.33

【相似文献】