基于长短期记忆网络的齿轮剩余寿命预测研究

发布时间：2021-04-26 04:56

　　设备运行数据蕴含了大量的状态退化信息,利用状态退化信息对设备进行剩余寿命预测,可以为预测性维修提供重要的依据。针对监测过程中接收到表征设备退化的大量数据,提出一种改进的基于记忆机理循环神经网络实时剩余寿命预测模型。该模型利用随机搜索选择模型超参数,采用加入动量考虑的随机梯度下降算法优化模型参数,防止陷入局部最优,从而提高剩余寿命预测模型的预测精度。通过齿轮弯曲疲劳试验,验证了该模型剩余寿命预测的准确性。 

【文章来源】：太原科技大学学报. 2020,41(05)

【文章页数】：7 页

【文章目录】：
1 长短时期记忆循环神经网络
    1.1 循环神经网络
    1.2 长短期记忆神经网络
2 改进的基于记忆机理循环神经网络LSTM预测模型的参数优选
    2.1 动量参数优化
    2.2 自适应学习率算法
    2.3 选择超参数
3 实例验证
    3.1 疲劳试验台架
    3.2 特征提取
    3.3 数据预测
4 结论


【参考文献】：
期刊论文
[1]基于LSTM循环神经网络的故障时间序列预测[J]. 王鑫,吴际,刘超,杨海燕,杜艳丽,牛文生.  北京航空航天大学学报. 2018(04)
[2]多参数相似性信息融合的剩余寿命预测[J]. 梁泽明,姜洪权,周秉直,高建民,高智勇,王荣喜,姜朋.  计算机集成制造系统. 2018(04)
[3]基于长短时记忆网络的旋转机械状态预测研究[J]. 赵建鹏,周俊.  噪声与振动控制. 2017(04)
[4]基于S变换谱核密度估计的齿轮故障诊断[J]. 郭远晶,魏燕定,金晓航,杨友东.  仪器仪表学报. 2017(06)
[5]基于时间序列ARMA模型的振动故障预测[J]. 刘颖,严军.  化工自动化及仪表. 2011(07)



本文编号：3160773