基于深度学习的机械设备退化状态建模及剩余寿命预测研究

发布时间：2025-01-20 11:39

　　随着科学技术的发展,分析机械设备产生的海量数据进而为设备的自主健康管理、自主保障等提供有益的决策信息成为工业界的重要任务之一,其中对机械设备进行退化状态建模及剩余寿命(Remaining Useful Life,RUL)预测是核心内容。传统方法因过度依赖信号处理技术及专家经验,处理复杂时间序列预测精度待提高等问题,逐渐无法满足准确、高效的设备健康管理要求,因此寻找更优的机械设备退化状态建模及剩余寿命预测方法成为愈加重要的研究课题。深度学习作为近年来的新兴算法,以强大的高层特征提取能力及非线性函数映射能力在诸多领域取得了优异成果,但在机械设备的健康管理领域的研究仍待发掘。本文以解决传统方法中的问题为出发点,深入研究了基于深度学习的设备退化状态建模方法,并在获得退化曲线后进行剩余寿命预测方法的研究。本文从机械设备的一维和多维监测数据两种情况出发,分别以轴承和涡轮发动机为例,开展了数据驱动方式下的机械设备退化状态建模和剩余寿命预测研究。首先,以典型的轴承振动监测数据为研究对象,在对比现有深度学习模型优缺点的基础上,提出了基于堆叠去噪自编码器(Stacked denoising autoenco...

【文章页数】：86 页

【学位级别】：硕士

【部分图文】：

图2-1轴承的典型结构

化状态建模的深度学习模型选择，包括深度学对去噪自编码机的特征提取能力研究。之后在轴承退化状态建模方法，给出了方法框架以及2012轴承数据集对2.3节中的方法进行验证。在轴承数据及预处理结果，之后给出了轴承健康中的退化状态建模方法得到实验结果后，表性的方法进行对比并分析，从而....

图2-9Bearing1₃的原始振动信号步骤（2）：数据归一化与训练集／测试集划分

利用传感器获取轴承的原始振动信号，然后将数据归一化至[集和测试集。训练集作为堆叠去噪自编码器的输入进行网络参逐个去噪自编码机的预训练以及全局参数微调，再将提取出的SOM网络中进行无监督训练。最后直接将测试数据输入到训编码器进而输入到SOM网络中获得健康值，构建退化曲线。对....

图2-10取绝对值后归一化的Bearing1₃振动信号步骤（3）：堆叠去噪自编码器训练

图2-10取绝对值后归一化的Bearing1₃振动信号（3）：堆叠去噪自编码器训练。在训练集上先进行编码网络机的无监督预训练，单个自编码机训练完成后保留其隐层，将个自编码机的输入进行训练。预训练完成后在解码网络中将网相对位置预训练好的权值转置。最后以....

图2-13PRONOSTIA轴承实验平台表2-2PHM2012挑战数据描述

图2-13PRONOSTIA轴承实验平台表2-2PHM2012挑战数据描述数据工况1工况2工况练数据Bearing1₁Bearing2₁BearinBearing1₂Bearing2<s....

本文编号：4029205