【摘 要】
：
轴承作为旋转机械设备的重要部件之一,利用监测数据对其开展性能退化评估及剩余寿命预测,对于提高设备可靠性、降低维修成本至关重要.针对传统数据驱动方法在特征提取中过度
【机 构】
：
中国石油大学(北京)安全与海洋工程学院 北京102249;中国石油塔里木油田分公司 库尔勒841000
论文部分内容阅读
轴承作为旋转机械设备的重要部件之一,利用监测数据对其开展性能退化评估及剩余寿命预测,对于提高设备可靠性、降低维修成本至关重要.针对传统数据驱动方法在特征提取中过度依赖先验知识和专家经验,未能有效利用时间序列数据中的中长期依赖关系进行建模等问题,提出了一种基于卷积神经网络(CNN)和双向长短期记忆(BLSTM)网络的端到端深度模型进行轴承性能退化预测.该模型采用3层结构,首先,采用CNN直接从原始数据中提取特征向量;然后,将特征向量以时间序列方式重新构造,引入BLSTM网络捕获数据的时序特征;最后,利用一个全连接层和线性回归层来输出模型的最终预测结果.轴承加速寿命实验结果显示所提方法的RMSE和MAPE相比传统方法分别降低了12.7％和17.1％,说明该方法能够有效提高轴承性能退化的预测精度.
其他文献
智能药物存储箱的设计顺应社会老龄化趋势,以弱势群体保护和特殊药物储藏作为研究对象,对目标监测、闹钟提醒、药物储藏等需求的智能化进行了深入研究.针对特殊群体生理能力
针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法.首先将轴承信号分解为若干个
主轴轴承作为机床关键零部件,针对轴承故障信息比较复杂难以获取,并且故障数据样本少问题,提出了基于小波包混合特征和支持向量机(SVM)的数控机床轴承故障诊断方法.首先对轴
紫外激光具有波长短、速度快、加工精度高、热影响区小以及无损加工等优点,针对紫外激光加工过程中,不同参数对刻蚀结果产生不同的影响,实验中通过控制单一变量法,设计了扫描
为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问
智能故障诊断技术能有效保障机械设备安全运行,传统的轴承故障诊断通常假设标记的源域和未标记的目标域数据服从同一分布.然而,在实际的诊断场景中,轴承数据的条件分布和边缘
局部特征尺度分解(local characteristic-scale decomposition,LCD)方法在改善了经验模态分解(empirical mode decomposition,EMD)方法的同时,也继承了EMD的模态混叠问题.噪
针对电引爆装置在复杂电磁辐射环境中会通过电磁耦合产生感应电流,导致电引爆装置失火的问题,提出了一种基于锁相技术的非接触式感应电流检测方法.采用基于隧道磁阻效应的电
提出了一种基于核主成分分析(KPCA)方法和运用了Dropout策略的长短时记忆神经网络(LSTM)的轴承剩余寿命预测方法.首先,提取了振动信号的有效值、最大值、峰峰值、峭度等14个
驱动电机轴承健康状态是实现纯电动车可靠运行,避免发生安全事故的重要前提,针对纯电动车电机滚动轴承状态监测方法缺失的问题,提出一种基于稀疏自编码器(sparse auto-encode