GA-LSTM模型在数控机床故障预测中的应用

数控机床加工中的机床故障会影响加工精度。提出一种预测方法，在加工前预判机床的故障，避免机床在加工中发生故障影响加工精度。为了快速准确地预测数控机床故障，采用遗传算法优化长短期记忆神经网络模型，预测服役过程数控机床中可能出现的故障。采集不同状态下的故障信号作为网络训练样本，采用网络模型预测机床出现故障的状态。结果表明：GA-LSTM是一种精度较高的预测模型，在数控机床故障预测中具有良好的表现，可以避免机床出现故障而影响加工精度的情况。     

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

基于多尺度卷积神经网络的轴承剩余寿命预测

针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了基于多尺度卷积神经网络的轴承剩余寿命预测方法。该方法将原始振动加速度信号作为输入,依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这4部分进行处理,最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数,取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析,该方法能够有效的预测轴承的剩余寿命。     

基于多信息融合与GRU的轴承剩余寿命预测

为解决单一传感器信号易受干扰且能提取的退化信息有限，导致轴承剩余寿命预测精度低的问题，提出一种基于双通道信息融合与门控单元(GRU)神经网络的轴承剩余寿命预测方法。进行轴承寿命试验时，在振动传感器采集信号的基础上增加声发射传感器，弥补单一信号易受干扰的缺点；使用卷积神经网络自动挖掘出包含轴承退化信息的特征，避免传统算法过分依赖专家判断的弊端；通过归一化处理对信息进行融合；最后使用这些数据训练GRU神经网络，利用训练好的门控单元神经网络预测高铁牵引电机轴承的剩余寿命。结果表明：相比单通道数据，双通道数据训练出的门控神经网络模型的预测结果更为准确；门控单元神经网络相比长短时记忆神经网络有更高的轴承寿命预测精确度。     

基于集成迁移学习的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命(RUL)预测中自动故障边界识别精度不足与构建的健康因子单调性和趋势性不够理想的问题:提出一种基于集成迁移学习的滚动轴承剩余寿命预测方法。首先,利用源域数据协助标记不足的目标域数据训练具有不同激活函数的多个深度信念网络(DBN),选用预测精度最佳的DBN识别故障边界;其次,将经过训练的DBN作为特征提取器迁移到目标域,利用主成分分析(PCA)将提取的特征进行降维构建轴承健康因子,通过集成策略构建集成的健康因子;最后,采用长短时记忆神经网络作为预测模型。采用XJTU-SY滚动轴承数据集进行验证表明,提出的方法能够有效地识别故障边界和构建的健康因子更好地反映退化趋势,同时提高剩余寿命预测准确度。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于DTW相似度和Bi-LSTM的滚动轴承寿命预测

针对现有的滚动轴承退化指标单调性差,对轴承异常不敏感导致基于数据驱动的深度学习算法难以实现轴承寿命准确预测的问题,提出一种基于动态时间规整算法(DTW)和双向长短期记忆神经网络(Bi-LSTM)的滚动轴承剩余寿命预测算法。利用信息熵提取滚动轴承的退化特征,构造连续的时间序列;划分时间序列并构造出参考模板及测试模板,采用DTW算法计算模板间的相似度,将它作为健康指标表征轴承的退化程度;用健康指标训练Bi-LSTM网络并预测轴承的寿命。采用法国IEEE PHM 2012的全寿命数据进行研究,结果表明：经过DTW算法优化信息熵指标后所构造的健康指标可更好地反映轴承的退化过程;当进行寿命预测并保持预测算法不变时,经过优化后的指标较优化前相比,能明显提高轴承寿命预测的准确度。     

基于注意力多通道卷积ON-LSTM的APU剩余寿命预测

针对飞机辅助动力装置状态监测数据纬度高、数据量大等特点,提出一种基于注意力机制和多通道卷积ON-LSTM的剩余寿命预测方法.首先利用一维卷积神经网络对传感器参数进行局部特征提取;其次利用ON-LSTM能够学习序列长期依赖的优势,对传感器参数进行时序特征提取;再次通过注意力机制确定各参数的权重,准确预测APU的剩余使用寿...     

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测北大核心

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。