基于循环神经网络的机械设备健康状态预测方法
发布时间：2021-09-03 03:50
随着工业信息化时代的来临,人们对生产制造效率的要求越来越高,如何避免因设备发生故障导致的停工停产成为亟待解决的难题。目前工厂和企业普遍采用根据经验定期维护生产设备的方式,而这无疑会增加企业在人工和运营方面的支出,造成资源的浪费。机械设备退化趋势建模和剩余使用寿命（Remaining Useful Life,RUL）估计技术是有效解决这一难题的关键。传统基于物理模型的方法随着机械设备内部结构的日趋复杂愈发难以实现,相比之下随着人工智能的飞速发展和数值计算能力的提高,以及传感器和存储技术的推陈出新,基于数据驱动的机械设备退化趋势建模和估计剩余使用寿命越来越得到重视。基于数据驱动的方法通常利用安装在机械设备上传感器实时传输的数据,对机械设备的退化过程建模,从而实现剩余使用寿命的预测。循环神经网络作为数据驱动方法的一种,通过模拟人脑的思考机制来学习到更高维的抽象特征,并能够保留时间序列中的长期记忆,非常适合于多传感器时间序列退化模型的构建,在工业领域有广阔的发展前景。首先介绍了基于数据驱动的方法是如何解决机械设备退化趋势建模以及剩余使用寿命预测问题。随后概述了工业数据集的数据预处理方法。最后详...
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图１－２?ＰＨＭ系统结构图??
通过显微镜观察刀具侧面磨损情况，一旦超出之前设置的阈值则判定刀具无法正??常工作，切割过程中以５０?ｋＨｚ的采样频率收集刀具的切削力、机床振动幅度以??及主轴电机电流等参数。具体采集数据的方式以及实验环境见图２－２。⑵轴承数??据集，该数据集由辛辛那提大学提供，该数据集没有直接反映轴承健康程度参数，??而是通过计量实验中产生的碎屑质量作为间接的评价指标［３５］。⑶锂电池数据集，??锂电池在若干次充放电后电池容量会产生衰减，在不同温度和不同电流负载下的??衰减程度也是不一样的，该数据集通过设置一个电量衰减的阈值来判断电池是否??还能够正常运行，数据集还给出了实验中的电压、电流以及环境温度这三个参数，??作为推断电池电量是否低于阈值的重要依据。⑷飞机引擎数据集，该数据集为本??文第三章所使用的数据集，具体描述信息见第三章。??数控铣床??—－＾?［?离线监测??（｜?｝?宽度??Ｘｍ／?刀具状态旧?ｍＣＡＭＺ１２?＿＿＿??＇篇一－?１??ｚｔ?ｙ?在线监测?：
ＣＩｎｄＲＮＮ，主要由三部分构成，输入的多变量时间序列经过卷积层进行局部特征??的学习生成新的时间序列，再经过独立循环神经网络让长期记忆得以保留，最后??用全连接的神经网络对剩余使用寿命做回归预测。具体的网络结构如图３－１所示。????ＩｎｄＲＮＮ??「?丨?Ｌａｙｅｒｓ??１１?＾；?ｉ??［？？？，欠卜！，Ｘｕ，?Ｘｕ＂－］?＿Ｊ?Ｃ?Ｃ?丨、？?ｔｎｒｆＲ?■？｛?ＪｎｄＲ?Ｄ?Ｄ?［—／Ｖｔ－ｉ／?Ｙｍ，?Ｖｔ－ｉ／—］??＇?｜?一??ＣＮＮ?！?！?一?ＦＵ＂ｙ?■??，????????Ｃｏｎｎｅｃｔｅｄ??Ｌａｙｅｒｓ??Ｌａｙｅｒｓ??图３－１?ＣＩｎｄＲＮＮ模型示意图??３．?１．１卷积神经网络??卷积神经网络属于深度学习中的一种，它的基本思想是利用卷积这种非线性??运算将原始特征进行变换，自动学习和抽取新的有效特征。同时由于卷积神经网??络的设计结构采取局部权值共享的方式，有效降低了计算的复杂性。因此卷积祌??经网络由于其在发掘潜在特征的普适性，而不一定总是需要相关领域的专业知识，??这对于特征工程存在重要意义。??卷积神经网络常见的隐藏层为卷积层与池化层，应用于飞机发动机数据集的??ＣＩｎｄＲＮＮ中卷积神经网络部分共有四个隐藏层
【参考文献】：
期刊论文
[1]基于CNN和LSTM混合模型的中文词性标注[J]. 谢逸,饶文碧,段鹏飞,陈振东. 武汉大学学报(理学版). 2017(03)
[2]智能制造体系架构分析与工业互联网应用[J]. 张建雄,徐敏捷,金斐斐,周辉. 电信技术. 2016(05)
[3]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[4]卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究[J]. 李威霖,傅攀,曹伟青. 机械科学与技术. 2015(01)
[5]风力机结冰问题研究综述[J]. 东乔天,金哲岩,杨志刚. 机械设计与制造. 2014(10)
[6]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同. 仪器仪表学报. 2014(03)
[7]风电机组叶片结冰研究现状与进展[J]. 王聪,黄洁亭,张勇,韩爽. 电力建设. 2014(02)
[8]基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测[J]. 申中杰,陈雪峰,何正嘉,孙闯,张小丽,刘治汶. 机械工程学报. 2013(02)
[9]特征模型融合研究[J]. 易立,赵海燕,张伟,金芝,梅宏. 计算机学报. 2013(01)
[10]基于性能衰退的航空发动机剩余寿命组合预测方法[J]. 任淑红,左洪福. 机械科学与技术. 2011(01)
博士论文
[1]航空发动机主轴承使用寿命预测技术研究[D]. 苗学问.北京航空航天大学 2008
[2]基于支持向量机的动调陀螺仪寿命预测方法研究[D]. 徐国平.上海交通大学 2008
硕士论文
[1]基于时间序列分析和智能算法的故障预测方法研究[D]. 肖飞.北京化工大学 2014
[2]基于监测数据的机械设备剩余寿命预测研究[D]. 李超.大连理工大学 2014
本文编号：3380343
【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
图１－２?ＰＨＭ系统结构图??
通过显微镜观察刀具侧面磨损情况，一旦超出之前设置的阈值则判定刀具无法正??常工作，切割过程中以５０?ｋＨｚ的采样频率收集刀具的切削力、机床振动幅度以??及主轴电机电流等参数。具体采集数据的方式以及实验环境见图２－２。⑵轴承数??据集，该数据集由辛辛那提大学提供，该数据集没有直接反映轴承健康程度参数，??而是通过计量实验中产生的碎屑质量作为间接的评价指标［３５］。⑶锂电池数据集，??锂电池在若干次充放电后电池容量会产生衰减，在不同温度和不同电流负载下的??衰减程度也是不一样的，该数据集通过设置一个电量衰减的阈值来判断电池是否??还能够正常运行，数据集还给出了实验中的电压、电流以及环境温度这三个参数，??作为推断电池电量是否低于阈值的重要依据。⑷飞机引擎数据集，该数据集为本??文第三章所使用的数据集，具体描述信息见第三章。??数控铣床??—－＾?［?离线监测??（｜?｝?宽度??Ｘｍ／?刀具状态旧?ｍＣＡＭＺ１２?＿＿＿??＇篇一－?１??ｚｔ?ｙ?在线监测?：
ＣＩｎｄＲＮＮ，主要由三部分构成，输入的多变量时间序列经过卷积层进行局部特征??的学习生成新的时间序列，再经过独立循环神经网络让长期记忆得以保留，最后??用全连接的神经网络对剩余使用寿命做回归预测。具体的网络结构如图３－１所示。????ＩｎｄＲＮＮ??「?丨?Ｌａｙｅｒｓ??１１?＾；?ｉ??［？？？，欠卜！，Ｘｕ，?Ｘｕ＂－］?＿Ｊ?Ｃ?Ｃ?丨、？?ｔｎｒｆＲ?■？｛?ＪｎｄＲ?Ｄ?Ｄ?［—／Ｖｔ－ｉ／?Ｙｍ，?Ｖｔ－ｉ／—］??＇?｜?一??ＣＮＮ?！?！?一?ＦＵ＂ｙ?■??，????????Ｃｏｎｎｅｃｔｅｄ??Ｌａｙｅｒｓ??Ｌａｙｅｒｓ??图３－１?ＣＩｎｄＲＮＮ模型示意图??３．?１．１卷积神经网络??卷积神经网络属于深度学习中的一种，它的基本思想是利用卷积这种非线性??运算将原始特征进行变换，自动学习和抽取新的有效特征。同时由于卷积神经网??络的设计结构采取局部权值共享的方式，有效降低了计算的复杂性。因此卷积祌??经网络由于其在发掘潜在特征的普适性，而不一定总是需要相关领域的专业知识，??这对于特征工程存在重要意义。??卷积神经网络常见的隐藏层为卷积层与池化层，应用于飞机发动机数据集的??ＣＩｎｄＲＮＮ中卷积神经网络部分共有四个隐藏层
【参考文献】：
期刊论文
[1]基于CNN和LSTM混合模型的中文词性标注[J]. 谢逸,饶文碧,段鹏飞,陈振东. 武汉大学学报(理学版). 2017(03)
[2]智能制造体系架构分析与工业互联网应用[J]. 张建雄,徐敏捷,金斐斐,周辉. 电信技术. 2016(05)
[3]受限波尔兹曼机[J]. 张春霞,姬楠楠,王冠伟. 工程数学学报. 2015(02)
[4]卡尔曼滤波修正LS-SVM的刀具磨损识别技术研究[J]. 李威霖,傅攀,曹伟青. 机械科学与技术. 2015(01)
[5]风力机结冰问题研究综述[J]. 东乔天,金哲岩,杨志刚. 机械设计与制造. 2014(10)
[6]数据驱动故障预测和健康管理综述[J]. 彭宇,刘大同. 仪器仪表学报. 2014(03)
[7]风电机组叶片结冰研究现状与进展[J]. 王聪,黄洁亭,张勇,韩爽. 电力建设. 2014(02)
[8]基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测[J]. 申中杰,陈雪峰,何正嘉,孙闯,张小丽,刘治汶. 机械工程学报. 2013(02)
[9]特征模型融合研究[J]. 易立,赵海燕,张伟,金芝,梅宏. 计算机学报. 2013(01)
[10]基于性能衰退的航空发动机剩余寿命组合预测方法[J]. 任淑红,左洪福. 机械科学与技术. 2011(01)
博士论文
[1]航空发动机主轴承使用寿命预测技术研究[D]. 苗学问.北京航空航天大学 2008
[2]基于支持向量机的动调陀螺仪寿命预测方法研究[D]. 徐国平.上海交通大学 2008
硕士论文
[1]基于时间序列分析和智能算法的故障预测方法研究[D]. 肖飞.北京化工大学 2014
[2]基于监测数据的机械设备剩余寿命预测研究[D]. 李超.大连理工大学 2014
本文编号：3380343
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3380343.html
