基于BiLSTM的滚动轴承剩余使用寿命预测

发布时间：2020-11-22 06:20

　　 滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。
【部分图文】：

RNN称为循环神经网络，其每一个隐层的输出都会传递到下一层，作为下一层的输入信息，因此具有短期记忆功能。但RNN因梯度消失问题不适用于训练长文本。LSTM称为长短期记忆神经网络，它在RNN的基础上增加了新的细胞状态和三种门结构[8]，细胞状态负责保存信息，sigmoid、tanh等激活函数以及点乘操作等内容共同组成门结构，其网络结构如图1所示。LSTM工作步骤如下：

研究发现，时域特征可以反映系统整体健康状况[10]，常用于设备故障监测和趋势预测。常见的时域特征指标包括均方根值、偏斜度、峰度等，用时域特征分析轴承的振动信号数据，发现在轴承退化后期，均方根、峰度等均呈现了较大的波动，如图2所示。考虑到复杂工况下，单个时域特征对轴承剩余寿命影响有限，因此本文综合选取均值、峰值、偏斜度、均方根值、峰度、最大最小值、峰峰值、方差、标准差10个时域特征指标作为模型的输入特征。

实验设置前901个序列为训练样本，用来训练轴承退化模型，后70个为测试样本，用来测试该轴承在对应状态时的退化值是否准确。模型设置两个BiLSTM层，一个全连接层，图3列出了模型的网络结构：实验采用Linear作为线性激活函数，RMSProp作为优化器，使用均方误差（MSE）来评估网络性能，为避免过拟合，每层BiLSTM网络后都设置了dropout。实验采用批处理方式进行训练，其中每批数据大小为30，设置最多迭代100次，10次迭代后训练效果没有改善立即停止训练。
【相似文献】

相关期刊论文 前10条

1 郝俊虎;胡毅;崔宁宁;韩丰羽;徐崇良;;GRU-BP在数字化车间关键部件寿命预测中的研究[J];小型微型计算机系统;2020年03期

2 阎旭坤;张星辉;郑浩;;基于SVM-GA的剩余使用寿命预测方法研究[J];价值工程;2013年31期

3 张星辉;康建设;赵劲松;肖雷;曹端超;刘浩;;基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究[J];振动与冲击;2014年08期

4 张星辉;康建设;高存明;曹端超;滕红智;;基于MoG-HMM的齿轮箱状态识别与剩余使用寿命预测研究[J];振动与冲击;2013年15期

5 唐旭;徐卫晓;谭继文;王彦松;;基于LSTM的滚动轴承剩余使用寿命预测[J];机械设计;2019年S1期

6 刘小雍;熊中刚;阎昌国;;一种融合支持向量机-高阶粒子滤波方法的机械剩余使用寿命预测[J];贵州大学学报(自然科学版);2018年05期

7 王太勇;王廷虎;王鹏;乔卉卉;徐明达;;基于注意力机制BiLSTM的设备智能故障诊断方法[J];天津大学学报(自然科学与工程技术版);2020年06期

8 蒋云鹏;郭天序;周东华;;基于剩余使用寿命预测的替换时间和备件订购时间联合决策[J];化工学报;2015年01期

9 武兵;林健;熊晓燕;;基于支持向量回归的多参数设备故障预测方法[J];振动.测试与诊断;2012年05期

10 王德岩;黄毅;褚建林;孙越鹏;;润滑剂剩余使用寿命评定技术的研究[J];润滑与密封;2006年02期

相关硕士学位论文 前5条

1 夏邓成;基于LSSVR-HSMM的滚动轴承剩余使用寿命预测研究[D];华中科技大学;2019年

2 高山;变工况滚动轴承剩余使用寿命研究[D];郑州大学;2019年

3 周裕华;滚动轴承的性能退化评估与剩余使用寿命预测方法的研究[D];华南理工大学;2018年

4 胡龙飞;基于深度学习的滚动轴承寿命预测[D];西南交通大学;2019年

5 韩宁;基于统计分析的剩余寿命模型和预测[D];西安电子科技大学;2014年

本文编号：2894267