基于深度特征的轴承剩余寿命预测

发布时间：2021-02-18 20:29

　　为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。 

【文章来源】：机械工程师. 2020,(08)

【文章页数】：5 页

【文章目录】：
0 引言
1 深度神经网络
    1.1 深度置信神经网络
    1.2深度自编码器
2 剩余寿命预测模型
    2.1 轴承特征提取
    2.2 回归预测
3 实验与结果分析
    3.1 实验数据
    3.2 传统与深度特征提取
    3.3 实验结果
4 结论


【参考文献】：
期刊论文
[1]基于混合核平滑自编码器的分类器设计[J]. 刘帆,吴小俊.  计算机应用与软件. 2017(12)
[2]基于EMD的灰色模型的疲劳剩余寿命预测方法研究[J]. 徐东,徐永成,陈循,李兴林,杨拥民.  振动工程学报. 2011(01)



本文编号：3040060