基于SAM-LSTM的滚动轴承剩余寿命预测

提出了一种基于自注意力思想长短时记忆神经网络（Self-Attention Mechanism Long Short-Term Memory Networks,SAM-LSTM）的寿命趋势指标构建方法。首先对原始信号进行滤波降噪处理;其次利用自注意力思想提取信号内部的退化趋势信息构建特征矩阵;接着采用双层长短时记忆神经网络在保留信号外部之间的时序关系的同时,映射特征得到寿命趋势指标;最后提出一种基于历史预测使用寿命指标动态选择拟合数据集的拟合方法,预测滚动轴承的剩余有效寿命。结合公开数据集对模型进行了验证,与另外两种方法对比表明,该方法能有效提升滚动轴承的剩余寿命预测的准确率,并且在不同工况下具有一定的泛化能力。     

基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征, Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.     

基于改进CNN-LSTM的剩余使用寿命预测方法

机电设备的寿命预测是状态维修中的一项重要任务.剩余使用寿命(RUL)预测不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用装备的工作能力、减少维修成本.为了更好地预测多工况条件下的设备RUL,提出一种基于卷积神经网络(CNN)联合长短时记忆(LSTM)网络的寿命预测模型.通过变窗口取样获得不同长度的时间序列,基于深度学习方法来发现传感器时序信号与RUL之间的隐藏关系,在训练过程中引入带有热重启的随机梯度下降(SGDR)学习率设定策略,通过感官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得RUL.最后,基于发动机退化仿真数据集进行了有效性验证,表明所提方法在预测精度方面具有明显优势.     

基于卷积注意力长短时记忆网络的轴承寿命预测方法EI北大核心CSCD

传统的滚动轴承寿命预测方法缺乏明确的学习机制,无法有效识别不同时序特征之间的差异并突出重要特征,影响其预测精度.为克服上述缺点,本文提出了一种基于卷积注意力长短时记忆网络(CAN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为卷积注意力网络(CAN),学习通道和时间维度中的深层故障特征,提高特征的表征能力;后端为改进LSTM网络,基于退化特征对轴承进行寿命预测.归一化健康指标至[0,1]区间内,得到相同的失效阈值;使用五点平滑法对预测结果进行处理,实现预测结果的输出;利用留一法对轴承全寿命试验数据进行验证,测试模型的准确性和适应性.试验结果表明:所提模型的平均均方根误差和平均绝对值误差比仅用CNN模型预测值低54.12%和59.05%,比仅用LSTM模型预测值低39.06%和43.42%,比卷积长短时记忆网络(CNN-LSTM)低20.41%和25.86%.     

基于E2E Deep VAE-LSTM的轴承退化预测应用研究

针对额外提取数据特征的方法需要花费大量时间和人力成本,轴承退化的线性预测精度低等问题,以及时序数据具有时间依赖关系的特点,提出了端到端的结合长短时记忆网络的深度变分自编码器模型（E2E Deep VAE-LSTM）用于轴承退化预测。通过改进VAE的结构,并结合LSTM,该模型可以在含有异常值的数据集上直接进行训练和预测;使用系统重建误差表征轴承退化趋势,实现了轴承退化的非线性预测。在三个真实数据集上的实验结果表明,E2E Deep VAE-LSTM模型可以得到满意的预测结果,预测精度均高于现有的几种AE类模型及其他几种方法,且具有良好的泛化能力和抗过拟合能力。     

正则化ISU-LSTM的多传感器故障预测方法

针对现有多传感器信息物理系统(Cyber Physical System,CPS)瞬态故障预测领域中无法实现更新检测的问题,本文提出一种长短时记忆网络与快速网络正则化思想相结合的传感器故障检测方法.该方法利用快速网络的稀疏思想,设计内置稀疏单元(Insert Sparse Unit,ISU)代替传统网络中的遗忘门,融入动力学方程建立内置稀疏单元的长短时记忆网络(ISU-LSTM),针对历史检测和间隔瞬态建立多传感器融合的故障预测系统;其次,实际生产中大量特征无法确定维度,可能存在导数消亡的问题,因此建立实时监测模型,实现网络参数及维度不断更新.最后,通过对实际食品加工多传感器信息物理系统的仿真实验,逐步优化所建立的模型参数,以获得更好的预测性能.     

基于Bi-LSTM和多通道注意力的电网施工中违章量预测方法

针对配电网施工中违章现象频发导致监管工作中出现的频繁调度问题,提出一种基于双向长短时记忆（Bi-LSTM）和多通道注意力机制的电网施工作业违章量预测方法。首先,通过Word-Embedding将文本转换为词向量;其次,通过Bi-LSTM网络来捕捉违章数量影响因素的浅层语义和时序特征;最后,设计多通道注意力机制,通过多组权重向量来学习多个影响因素以及各因素之间的复杂关系,从而提高模型的特征学习能力。以云南地区真实数据为算例开展实验,所提模型在一天预测中的平均绝对百分比误差（MAPE）与均方根误差（RMSE）两个指标分别达到了2.58%和5.2,从而验证了模型在预测精度和算法鲁棒性方面的优越性。该方法不依赖于任何具体情境,在实际工况环境中具有较好的推广价值。     

基于改进的多层BLSTM的中文分词和标点预测

目前主流的序列标注问题是基于循环神经网络（RNN）实现的。针对RNN和序列标注问题进行研究,提出了一种改进型的多层双向长短时记忆（BLSTM）网络,该网络每层的BLSTM都有一次信息融合,输出包含更多的上下文信息。另外找到一种基于序列标注的可以并行执行中文分词和标点预测的联合任务方法。在公开的数据集上的实验结果表明,所提出的改进型的多层BLSTM网络模型性能优越,提升了中文分词和标点预测的分类精度;在需要完成中文分词和标点预测两项任务时,联合任务方法能够大幅地降低系统复杂度;新的模型及基于该模型的联合任务方法也可应用到其他序列标注任务中。     

基于变分自编码器的多隐变量双向推理模型

开放域对话系统的关键任务之一是生成丰富多样且连贯的对话回复,但是仅从上文信息进行单向推理无法达到这一目标。针对该问题,提出了基于多隐变量的双向推理模型MLVBI(Multiple Latent Variables Bidirectional Inference)。首先,在语言模型中结合变分自动编码器并将单向推理扩充到双向推理,将语料分割为上文、查询与回复后,使用正向推理从查询中推理出回复用于学习正常语序信息,同时使用反向推理从回复中推理出查询用于学习额外主题信息,最后融合成双向推理,使得模型生成更连贯的回复。其次,针对双向推理过程中单个隐变量解释能力不足的问题,引入多个隐变量进一步提高生成对话的多样性。实验结果表明,MLVBI在两个开放域数据集DailyDialog和PersonalChat上的准确性和多样性都达到了当前最佳的效果,并且消融实验也证明了双向推理和多隐变量的有效性。     

基于改进CNN-LSTM的飞控系统剩余寿命预测

数据驱动的剩余寿命（remaining useful life,RUL）预测是复杂系统健康管理的重点研究内容,然而数据集的缺乏制约了不同系统上RUL预测的研究。针对这一问题,以飞控系统为例,提出一种仿真模型和数据混合驱动的RUL预测方法。该方法通过模型仿真提供充足的故障数据,并结合改进CNN-LSTM网络实现高质量的故障信息提取。首先对系统及其故障模式建立仿真模型,利用蒙特卡罗方法生成随机故障时间序列并依次注入故障,根据仿真响应和失效阈值确定序列的寿命标签,即可生成包含多组随机序列的系统失效数据集;其次利用长短时记忆网络（long short-term memory,LSTM）提取系统状态参数时间序列的故障信息,结合一维卷积神经网络（1D-CNN）提取不同状态参数之间的关联特征,从而形成时序-空间相结合的剩余寿命预测网络。充分的实验结果证明了所提方法对不同系统均能帮助达到动态和准确的剩余寿命预测。     

基于WLR和PSO-AFS-SVR的滚动轴承可靠度预测方法

在训练数据缺乏的情况下,为了提高支持向量回归机(SVR)对滚动轴承可靠度的预测精度,提出了一种基于威布尔线性回归(WLR)组合可靠度模型结合粒子群人工鱼群-支持向量回归机(PSO-AFS-SVR)的预测方法。首先,使用威布尔统计模型与线性回归（LR）的组合模型作为可靠度模型,利用测量滚动轴承振动信号的加速度计频谱,依据峰值频率分布的变化,分割其性能衰退的各个阶段,对每个阶段单独建模,以便最大程度地挖掘小样本信息;其次,采用k-折交叉验证(k-fold)的平均绝对误差(MAE)和平均相对误差(MAPE)之和作为适应度函数,利用PSO-AFS优化SVR参数,提高其泛化能力和预测精度;最后,采用滚动轴承全寿命周期试验数据进行了验证试验。试验结果表明,所提方法可以对滚动轴承的可靠度进行更准确的预测。     

相似性寿命预测中的数据预处理方法研究磁

数据预处理是基于相似性的寿命预测方法的首要步骤,重点研究了变工况下数据预处理的方法。首先研究了其必要性,随后从线性模型和非线性模型的角度研究了多工况健康评估方法。从数据标准化、基于经验信噪比的特征加权和基于主成分分析的特征降维研究了多工况数据标准化方法。研究证明,多工况数据标准化方法更适于相似性寿命预测中的数据预处理。     

基于AGPF的滚动轴承性能衰退趋势预测

针对粒子滤波算法中粒子退化和计算复杂度问题,提出了一种自适应遗传粒子滤波(AGPF)算法;该算法采用遗传算法代替传统粒子滤波中的重采样方法,并根据粒子数与滤波误差方差之间的关系,自适应调节滤波过程中的粒子数;通过预测滚动轴承的性能衰退趋势,对该方法进行验证,结果表明,AGPF算法能够在保证预测精度的条件下,减少滤波粒子数,更加适用于滚动轴承的性能衰退趋势预测。     

基于Bi-LSTM的结构变形预测

伴随着社会经济的快速发展,地铁、隧道、桥梁等建筑在人们的生活中占据的地位越来越高,预测分析建筑的结构变形数据,及时发现存在的安全隐患,至关重要.结合长短时记忆网络(Long Short Time Memory,LSTM)的优点,本文提出了一种基于双向长短时记忆网络(Bidirectional Long Short Time Memory,Bi-LSTM)的结构变形预测模型.该模型通过记忆时间节点前后的规律,预测当前节点变形数据,充分挖掘变形数据内部的关联信息.与WNN、LSTM、GRU模型进行对比,结果表明,该模型RMSE、MAPE、MAE分别下降了66.0％、61.2％、66.2％,是一种有效预测结构形变的方法.     

基于MFCCS和改进VPMCD的滚动轴承故障诊断

将梅尔倒谱和系数(MFCCS)与改进的基于变量预测模型的模式识别算法(VPMCD)相结合,提出了一种滚动轴承故障的诊断方法.将语音信号识别中最常用的特征参数梅尔倒谱系数(MFCC)应用到轴承故障诊断领域,提出了适用于滚动轴承故障识别的特征参数梅尔倒谱和系数.同时,采用主成分分析(PCA)方法来解决VPMCD方法中求解得到的预测模型方程系数与理想系数存在偏差的问题.然后,使用改进的VPMCD算法对特征参数进行训练,再利用预测模型对待诊断样本数据进行模式识别和诊断,并用实验室模拟试验台的数据,对该方法进行了验证,实验结果能够有效区分轴承的故障种类,证明了方法的有效性.     

基于无监督深度模型迁移的滚动轴承寿命预测方法

针对实际中某种工况滚动轴承带标签振动数据获取困难, 健康指标难以构建及寿命预测误差大的问题, 提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life, RUL)预测方法. 该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square, RMS)特征, 并引入新的自下而上(Bottom-up, BUP)时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态; 对振动信号经快速傅里叶(Fast Fourier transform, FFT)变换后的幅值序列进行状态信息标记, 并将其输入到新增卷积层的全卷积神经网络(Full convolutional neural network, FCN)中, 提取深层特征, 得到预训练模型; 提出将预训练模型的梯度作为一种“特征”与传统预训练模型特征一起参与目标域网络训练过程, 从而得到状态识别模型; 利用状态概率估计法结合状态识别模型建立滚动轴承寿命预测模型. 实验验证所提方法无需构建健康指标, 可实现无监督条件下不同工况滚动轴承剩余寿命预测, 并获得较好的效果.     

锂离子电池RUL预测方法综述

随着电子设备的增长和电动车辆的普及,保障锂离子电池的安全和稳定成为研究人员的重要课题,其中电池的剩余使用寿命(RUL)为监测电池的手段之一.锂离子电池在其充放电循环期间会经历不可逆过程,可使电池容量持续衰减,最终导致电池故障,为进行合理的充放电管理,满足实际应用中的高可靠性要求,对使用过程中的RUL预测进行研究,介绍对锂电池RUL预测的基于机理模型、基于数据驱动、基于机理模型与数据驱动融合和基于数据驱动的模型融合等4种方法,并讨论基于数据驱动的各RUL预测方法的优缺点,总结并展望未来研究方向和发展趋势.     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

改进双向LSTM的肺结节分割方法

基于深度学习网络在医学图像分割方面取得了很多成果.由于类圆形的肺结节不同于血管和大部分肺部结构呈扁平状,因此通过对U-Net进行扩展,提出一种带有多视图密集卷积的双向LSTM U-Net网络来消除血管和肺内组织结构以检测结节.与U-Net在跳跃连接中进行级联不同,改进双向LSTM网络将编码路径中提取特征图与解码卷积层进...