【摘 要】
:
轴承是旋转机械中的关键部件,在现代工业系统中得到了广泛的应用。对轴承进行健康状态管理,准确地预测轴承的剩余使用寿命,能有效地改善机械系统的可靠性、安全性,防止出现重大故障,从而降低维护费用。随着大数据和人工智能等先进技术的发展,深度学习已经成为剩余寿命预测领域的热门话题。然而在实际工况下,基于深度学习的轴承剩余寿命预测方法的研究方法通常会有以下两个问题:(1)样本数据量不足,导致模型无法收敛;(2
【基金项目】
:
国家重点研发计划,精密机床主轴轴承工业性验证平台及性能评估体系,No.2018YFB2000505; 国家自然科学基金项目,基于深度网络的领域自适应振动数据故障诊断方法研究,No.61806067; 安徽省重点研发计划,智能型水务阀门在线数字化检测方法及质量评价技术研究,No.202104a04020003;
论文部分内容阅读
轴承是旋转机械中的关键部件,在现代工业系统中得到了广泛的应用。对轴承进行健康状态管理,准确地预测轴承的剩余使用寿命,能有效地改善机械系统的可靠性、安全性,防止出现重大故障,从而降低维护费用。随着大数据和人工智能等先进技术的发展,深度学习已经成为剩余寿命预测领域的热门话题。然而在实际工况下,基于深度学习的轴承剩余寿命预测方法的研究方法通常会有以下两个问题:(1)样本数据量不足,导致模型无法收敛;(2)样本数据的训练集和测试集的数据分布不一致导致预测性能的退化。因此,如何在少量样本下完成寿命预测,如何实现训练数据和测试数据分布不一致下的高性能寿命预测在实际应用中成为必须要解决的问题。本文围绕着领域自适应的思想和产生的负迁移情况,本文的主要创新之处及研究内容如下:(1)介绍了轴承剩余寿命的研究背景,研究意义,国内外的研究现状以及目前所存在的尚未解决的实际问题。然后将领域自适应的方法引入轴承寿命预测领域,用于实现不同工况下的轴承剩余使用寿命预测。(2)提出了一种基于最大均值差异的领域自适应的轴承寿命预测网络模型。首先对轴承原始振动数据采用最小-最大方法进行归一化处理。其次设计了一个三层稀疏自动编码器,用于提取源域的深层特征。然后生成服从标准正态分布的随机数据,并采用最大均值差异(Maximum mean differences,MMD)方法来最小化源域特征和随机生成数据之间的边缘概率分布距离,使模型能够学习不同轴承的域不变特征。最后利用双向长短时记忆网络(Bi-directional Long and Short Term Memory,Bi-LSTM)来预测轴承的剩余使用寿命(Remaining Useful Life,RUL)。从而建立了一种鲁棒性的网络模型,实现对不同工况下的轴承剩余使用寿命预测。(3)提出了一种基于特征对齐的领域自适应网络的轴承剩余寿命预测方法,该方法包括特征对齐和寿命预测的网络模块。在特征对齐模型中,先使用数据量等分的方法将原始数据分为三类,再利用感知机模型实现了对源域和目标域数据同时进行边缘分布适配和条件分布适配,进而获得了具有良好适应性的高维特征。在此基础上对适配后的特征利用双向长短时记忆网络,进行剩余使用寿命的预测。从而建立一种可消除负迁移的网络预测模型,实现对不同工况下的轴承剩余使用寿命预测。
其他文献
随着人们对生活品质的要求日益提高,食品安全也成为大众的聚焦点之一。“假烟”、“假酒”等问题层出不穷,不仅危害了正规渠道商家的利益,更危害了人民群众的身体健康。因此,材料识别研究成为了一个重要的研究方向。而随着无线通信技术的发展更加成熟,WiFi的普及率涨幅也十分迅猛,它不仅体积小、价格低,还有极强的非侵入性,部署也十分简单。因此,使用WiFi设备实现材料识别研究也越来越深入人心。本文使用了WiFi
蒙特卡罗程序在医学、核辐射物理和反应堆物理等领域有广泛的应用,但其三维几何模型的低效建模方式严重影响了该方法的应用效率,因此人们希望能够利用商业CAD软件来提升蒙特卡罗程序的几何模型建模效率。但与蒙特卡罗程序采用构造实体几何表示法(Constructive Solid Geometry,CSG)不同,商业CAD软件普遍采用的是边界表示法(Boundary Representation,BRep),
唇语识别是一项将说话人嘴唇区域的运动解码为文本的任务。句子级别的唇语识别能够解决聋哑人群体与正常人沟通的障碍,还能够改善在嘈杂或无声环境下的语音识别。近年来,基于深度神经网络的唇语识别方法受到广泛关注,而且准确率已经远远超过了在唇读方面有经验的人类。然而,句子级别的唇语识别领域仍然存在许多具有挑战性的问题需要解决。本文的主要研究工作如下:(1)基于通道注意力机制与选择性特征融合模块,提出一种端到端
随着智能移动设备越来越多的出现在我们的日常生活,物联网对计算资源的需求不断增加,计算资源受限成为物联网所面临的新挑战。移动边缘计算(Mobile Edge Computing,MEC)的兴起很好的解决了计算问题,但是结合了MEC技术的物联网仍然存在一些问题,比如固定部署的边缘服务器在处理任务时不够灵活、边缘服务器的成本昂贵等。于是无人机辅助移动边缘计算系统被提出,利用无人机的高机动性和灵活性,提供
随着智能系统的快速发展,如无人驾驶车辆、服务机器人导航、监视系统等,行人轨迹预测成为一个极具挑战性的问题。如何在高度拥挤、混乱的环境中感知、理解和预测行人的运动模式以便防止将来的碰撞变得重中之重。行人的运动不仅仅受到自身因素的影响,同时还受到周围环境的影响。针对上述问题,本文的主要研究内容如下:1.行人之间的交互是复杂多变的:单独行走、相向握手以及成群结队等,这些社交活动都会影响行人接下来的轨迹。
随着智能安防和视频监控领域的需求与日俱增,越来越多的视频监控设备被部署安装,从而导致监控视频数据量呈爆发式增长,为了对这些海量的监控视频数据进行智能分析,引入人工智能技术已成为必然趋势。其中,行人重识别技术作为智能分析的关键技术支撑,正受到广泛的关注和研究。行人重识别旨在解决跨镜头情景下行人跟踪与检索问题,它是利用计算机视觉技术判别在指定的图片或视频序列中是否具有指定行人的技术,在视频监控、智能零
情感识别在诸多领域有着重要应用,如人机交互、辅助医疗等,一直以来都是工业界和学术界的重要研究内容。传统的情感识别,如面部情感识别,虽然被研究较多,但也在数据精度要求和隐私保护等方面有一定的缺陷。相比之下步态数据也蕴含情感信息,但对数据精度要求相对较低,且有助于保护隐私。利用步态信息进行情感识别的研究于近年来逐渐开始兴起,本文对基于步态的情感识别这一被研究相对较少的任务,对步态原始存储数据进行了不同
频发的货运铁路运输事故造成了严重的经济损失和恶劣的社会影响,在平面调车作业过程的闯蓝灯驾驶行为是诱发该类事故的主要原因之一,而该行为大多数归咎于驾驶员对调车信号的通行状态的误判、漏判。利用计算机视觉实现机务段调车场景下的交通信号灯识别,能够克服由于疲劳导致的肉眼错误判断等弊端,将有效服务于国家人工智能战略需求,同时也推进轨道运输转型升级创新发展。基于深度学习的交通灯目标检测模型依赖于海量的相关场景
设备到设备(Device-to-device,D2D)通信技术允许邻近设备之间通过重用蜂窝频谱的方式直接通信,有效地提高了蜂窝网络的频谱效率,减轻了基站的负载压力,减小了端到端传输时延,成为5G通信网络的关键技术。D2D技术引入蜂窝移动通信网络在带来诸多好处的同时,也对蜂窝通信链路造成了干扰,若不能有效地协调干扰,将会严重影响蜂窝网络的通信质量。因此,本文针对两种不同的复用模式下的资源分配问题进行
车联网作为智能交通系统中的重要组成部分,在交通管理、智能运输和缓解交通拥堵等领域都发挥了非常重要的作用。其中车辆自组织网络(Vehicular Ad Hoc Network,VANET)是构成车联网的重要一环,通过车辆间的通信来传输有效数据。而随着车辆节点的增多,车辆密度的增大所带来的交通拥堵等一系列问题,可能会导致VANET中通信性能的下降。如何在当前复杂的道路交通环境中提高VANET的传输性能