基于蝗虫优化LSTM网络的滚动轴承剩余寿命预测

滚动轴承作为机械设备最基本的零件之一,其振动信号具有非线性、非平稳的特点,针对这一特点,提出了变分模态分解（variational mode decomposition,VMD）和蝗虫优化算法（grasshopper optimization algorithm, GOA）与长短期记忆网络（long short-term memory,LSTM）相结合的滚动轴承剩余寿命预测方法。首先,利用VMD对包含噪声的原始振动信号进行分解,将其分解项去除噪声后再进行重构;然后,对降噪后的信号进行时域特征提取,将提取到的特征构造成连续的时间序列,作为输入特征值,并建立退化指标。利用GOA方法对LSTM模型的参数进行优化,构建基于GOA-LSTM的预测模型。最后,通过XJTU-SY滚动轴承加速寿命试验数据集对该方法的有效性进行验证。研究结果表明,与LSTM、VMD-LSTM模型相比,VMD-GOA-LSTM模型的预测精度更高,泛化能力更好,能够更好地对滚动轴承的剩余寿命进行预测。     

基于长短期记忆网络的时间序列预测研究

针对递归神经网络(RNN)模型难以训练和梯度消失等问题,引入长短期记忆网络算法(LSTM).介绍了LSTM的基本原理,并将其应用于时间序列预测领域.以Wiener退化过程为例进行分析,针对传统预测方法无法兼顾退化数据的非线性及时序性特点,利用LSTM方法对Wiener退化过程时间序列进行预测.该预测算法与传统的预测算法...     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine,简称SVRM）的预测效果对比,验证了提出方法的有效性。     

基于EMD降噪和LSTM网络的地铁风机轴承寿命预测

针对地铁风机轴承剩余使用寿命预测问题,提出了一种基于滤波处理的经验模态分解(EMD)降噪与长短期记忆网络(LSTM)相结合的预测方法.对原始振动信号进行EMD分解,得到本征模态分量,结合互相关系数准则和峭度准则筛选有效分量,利用有效分量重构有效去除原始信号中混杂着的噪声.采用单调性和相关性评价指标从重构信号的时域特征和...     

基于长短期记忆神经网络的电力用电量预测

为解决现有用电量预测精确度较低等问题,提出了基于长短期记忆神经网络的电力用电量预测方法。分析了电力负荷分类以及典型负荷曲线,说明了支持向量回归以及长短期记忆神经网络的基本原理,提出了基于支持向量回归和长短期记忆神经网络结合的预测方法,说明了预测流程,给出了预测结果统计评价标准。根据所提出的方法进行了案例分析,论证了所提方法的有效性。     

极限梯度提升和长短期记忆网络相融合的土壤温度预测

土壤温度是地球科学多个领域的重要变量。其时空变化受多种环境因素影响,这对土壤温度的准确预测带来巨大挑战。以机器学习为核心的数据驱动方法,在土壤温度预测中是重要研究领域,为基于物理过程模型提供重要补充。然而目前针对土壤温度影响因素量性研究较少,因此本文提出XGBoost-LSTM的数据驱动方法。基于极限梯度提升算法（XGBoost）分析土壤温度影响因素的重要性,然后根据影响因素重要性依次组合,并输入至长短期记忆网络（LSTM）,得到最优预测模型并实现土壤温度预测。最后在长白山和海北两个气象站完成实验,本文方法的最优均方根误差为2.234、平均绝对误差为1.716、纳什效率系数为0.932、LMI系数为0.729和威尔莫特一致性指数为0.983。结果表明本文提出的XGBoost-LSTM预测模型与目前土壤温度中常用的数据驱动模型相比,均表现出更高的精确度。     

基于长短期记忆网络的装配工艺语义识别方法

装配工艺文档蕴含要素层次多样、关系复杂的工艺语义信息,它们以自然文本存在,无标准或规范约束,在评估装配工艺可执行性和指导装配作业时面临巨大挑战.鉴于此,提出一种基于长短期记忆网络(LSTM)的装配工艺语义识别方法,抽取装配工艺文档语义要素,建立装配工艺语义信息的知识化描述.首先定义装配语义并规定其知识图谱的描述形式.然...     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法.首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴...     

基于长短期记忆网络的挖掘机器人 视觉跟踪系统设计

为通过视觉系统向挖掘机器人输入挖掘目标以及解决因运动容易导致挖掘目标丢失的问题,提出一种基于长短期记忆网络的视觉跟踪方法,无需限定特定目标类别,直接从摄像头图像中框选目标,经过Dlib提取特征后,通过训练优化长短期记忆网络来跟踪挖掘目标的位置。针对亮度变化、障碍物遮挡和背景干扰三类常见问题进行长短期记忆网络建模和训练,经图片集模拟测试和实际跟踪测试均显示该网络模型能够有效纠正干扰并稳定输出目标位置。网络模型将神经网络和传统机电控制方法结合,提高视觉跟踪精度,为将神经网络应用于挖掘机智能化进行了初步探索。     

基于变维GRU-BiLSTM神经网络模型的滚动轴承寿命预测

滚动轴承作为最常见的旋转机械零部件,其服役状态下产生的振动信号具有典型的周期性特征,为充分发挥轴承振动信号的这一特征,提出一种融合变维门控循环单元（GRU）和双向长短时记忆单元（BiLSTM）的神经网络模型,并用于轴承寿命预测。该模型先将原始振动信号分成训练集和测试集,然后将轴承振动信号直接输入到变维GRU层中,由变维GRU层捕获原信号的特征并建立特征间的关联性,然后将预处理后的数据输入到BiLSTM层中,由BiLSTM对轴承寿命进行预测。通过使用试验台数据集进行试验,验证了该模型在轴承寿命预测上具有较高的精度,具有一定的工程指导意义。     

基于长短期记忆网络的桁架车身结构轻量化设计优化

为满足特种无人车辆高可靠机动、低成本研制等要求,在特种无人车辆的桁架车身结构设计早期阶段引入结构轻量化思想。为实现车身结构轻量化,提出基于长短期记忆网络的设计优化方法(LSTM-DO),利用LSTM-DO的快速搜索、高精度优化能力解决车身结构设计优化中收敛慢、局部最优等问题。建立了某无人车辆桁架车身参数化模型与有限元分析模型,采用代理模型技术提高设计优化过程中车身结构性能评估速度,结合LSTM-DO优化方法快速准确地生成方案。对比了常用的梯度优化算法与启发式优化算法,所提LSTM-DO方法在最优方案性能、收敛速度和鲁棒性方面均展现出明显的优势。     

基于ACNN—LSTM网络的轴承状态退化预测

为了便于大型机组的维护和检修,确定机组齿轮箱轴承的更换时间,需要预知轴承的工作状态。根据轴承数据特点,提出卷积神经网络（CNN）的改进算法ACNN-LSTM网络。ACNN-LSTM是结合融入注意力机制的卷积神经网络与长短期记忆网络（LSTM）,实现对轴承的退化预测。选取轴承退化敏感特征,利用主成分法建立退化指标。ACNN的注意力模块（CBAM）能够准确提取退化特征,经五点三次平滑法处理突出退化状态。为验证ACNN-LSTM网络的有效性,搭建风机齿轮箱平台。实验结果显示,预测退化曲线和实际退化曲线基本重合,到达失效阈值的时间接近,表明该改进算法能够准确预测轴承状态退化趋势,为评估轴承的运行状态提供依据。     

基于长短期记忆网络的机械臂逆运动学解

为了解决传统的解析法用于机械臂逆运动学求解过程中存在操作烦琐和奇异点处无法逆运算等问题,提出了基于长短期记忆网络的机械臂逆运动学求解算法。通过对机械臂的正运动学和工作空间的分析,获取大量有效的机械臂关节空间数据和相对应的末端姿态数据,并作为训练样本。经过训练后,获得逆运动学解的高精度结果。对比传统解析法求解,基于长短期记忆网络方法的求解速度较快。此外,机器人仿真结果显示,相关轨迹无明显的抖动偏移。     

基于深度学习方法的航空发动机寿命预测模型

为提高航空发动机剩余寿命(remaining useful life,简称RUL)预测能力,构建了一种注意力机制与长短期记忆网络(long short-term memory,简称LSTM)融合的深度学习模型.首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果.在NASA发动机数据集上实验的均方根误差(root mean square error,简称RMSE)范围为[4.83,13.66],与卷积神经网络(convolution neural networks,简称 CNN)、LSTM 和双向长短期记忆网络(bi-directional long short-term memory,简称Bi-LSTM)方法相比,极大地提高了预测的准确度,实现了超前预测.合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义.     

基于自注意力CNN-BiLSTM的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命(RUL)预测方法特征提取能力单一,无法充分利用数据中蕴含的时空信息等问题,提出了一种基于自注意力卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的RUL预测方法。将振动信号的不同时域指标输入改进的自注意力CNN模块,提取不同指标间的空间特征信息并进行自注意力加权以强化特征提取效果,然后通过BiLSTM层提取时序数据中的退化特征信息并经过全连接层后输出轴承的RUL预测值。使用FEMTO-ST滚动轴承数据集进行验证的结果表明,相比CNN,BiLSTM和CNN-BiLSTM模型,自注意力CNN-BiLSTM模型的RUL预测误差更低,性能评价指标更好,CNN与BiLSTM的融合以及自注意力机制的应用使模型的预测精度提高且更倾向于进行超前预测,有利于开展预测性维修。     

滚动轴承寿命预测综述

滚动轴承是决定机械健康状态与寿命的关键部件之一,寿命是衡量滚动轴承性能的重要指标。针对滚动轴承寿命特性与应用,综述滚动轴承寿命预测的研究现状,总结滚动轴承寿命预测研究成果,将当前轴承寿命理论归纳为基于统计分析的寿命模型、基于断裂力学分析的寿命模型、以及基于状态监测的寿命模型。分析得出当前研究中的热点方向是基于状态监测的寿命预测方法,着重指出轴承寿命预测研究的难点具有寿命影响因素多、寿命分散度大、试验费时、数据积累难、理论建模难等特点,为轴承寿命的深入研究提供方向。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息.为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为并行多通道卷积网络(PMCC-NN),提取信号特征,挖掘数据的时序特性,并采用逐层训...     

滚动轴承寿命预测计算新方法

滚动轴承寿命预测新模型考虑了各方面的因素,如材料、表面缺陷、粗糙度等等。主要介绍了新模型及使用方法,并给出了计算实例。附图2幅,表2个,参考文献8篇。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。