基于CNN-BiLSTM网络及注意力机制的智能滚动轴承剩余寿命预测方法

为了充分利用数据间的时序特性,实现对滚动轴承剩余使用寿命(RUL)的精确预测,提出了一种基于卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的滚动轴承RUL智能预测方法。首先,提取出数据中的12个时域特征和4个频域特征作为神经网络的输入;然后,设计了一种基于注意力机制的CNN-BiLSTM算法,对输入数据进行了退化特征提取,并进一步解决了BiLSTM在远距离信号传输中信息丢失的问题;最后,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台,验证了所提方法的有效性,并将其结果与FCNN、CNN-BiLSTM和CNN-LSTM-AM算法所得结果进行了对比分析。研究结果表明:与采用其他方法所得结果相比,采用本文所提方法得到的轴承RUL预测RMSE值分别降低了25.85%、7.32%和10.59%,Score得分则分别提高了3.65%、2.12%和1.58%,该结果验证了本文所提方法在轴承RUL预测应用方面的优越性。     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

基于IPIO-VME与ConvNeXt-Encoder-GRU的轴承剩余寿命预测

基于振动信号的轴承剩余寿命(RUL)预测在工业安全生产中具有重要意义,但该领域目前存在着模型构建难度较高、预测精度较低的问题;为完成自适应的特征模态提取和去噪工作,简化模型构建过程,提升预测效果,提出了基于改进鸽群算法的变分模态提取(IPIO-VME)算法和基于ConvNeXt-Encoder-门控循环单元(GRU)的轴承剩余寿命预测方法。首先,鸽群算法高效准确,适用于VME的参数选择,但容易陷入局部最优,因此利用自适应惯性权重、收缩包围机制、莱维飞行等方法对鸽群算法进行了改进,以提高收敛速度和全局收敛能力;然后,为实现自适应的模态提取目的,设计了IPIO-VME算法的目标函数,能够针对VME算法和轴承振动信号的特点,有效提取轴承振动特征;最后,针对模型构建繁琐、精度低的问题,提出了ConvNeXt-Encoder-GRU模型,采用间隔与连续采样的数据集构建方法,并使用联合振动数据和特征曲线的方法进行了寿命预测模型的构建,通过ConvNeXt模块提取振动特征,然后使用Transformer的Encoder模块提取趋势特征,并利用GRU进行了融合;还对该算法和预测模型进行了实验对比验证。...     

基于深度可分离卷积神经网络轴承剩余寿命预测

为进行轴承剩余寿命(Remaining Useful Life, RUL)预测,采用小波-谱峭度分析方法,首先对轴承振动序列信号进行小波包分解,并以谱峭度作为指标,确定故障特征频带并进行信号重构,然后,根据其频谱特征判断轴承是否发生故障,最终确定轴承振动序列信号的初始故障点(Incipient Fault Point, IFP)。在此基础上,将引入注意力(Attention)机制的一维深度可分离卷积神经网络用于轴承初始故障点之后振动信号特征的提取,相比传统卷积神经网络,深度可分离卷积层可减少网络训练参数个数,加快网络训练速度。实验结果表明,注意力机制的引入使网络能够聚焦信号中关键的特征,为重要特征赋予较大权重,避免人工处理特征的不足,利于有效特征提取,最终预测结果好于SVR、CNN、RNN等常用数据驱动方法。     

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚...     

基于路图注意力网络的轴承剩余寿命预测方法

图数据构建质量直接关系图数据驱动的轴承剩余寿命预测性能。目前传统方法通常利用不同时刻的多传感数据来构建时空图,来表征监测对象性能状态,但如何在单传感监测应用场景下构建表征轴承性能退化状态的图数据并保证其质量仍是一个开放问题。面向单传感监测应用场景,提出一种基于路图注意力网络的轴承剩余寿命预测方法。首先,计算轴承全生命周期时序振动信号的时域统计特征并构造路图,其中,路图中的边用于连接相邻时刻振动信号;在此基础上,设计一种图注意力长短时记忆网络,用于挖掘路图的图特征(节点、边连接)中隐含的时序振动信号特征和时间依赖关系,从而深层次地反映轴承全寿命退化过程。在轴承全寿命公开数据集上开展验证对比试验,结果表明,该路图构造方式明确了边连接的物理意义,并提高了图数据表征性能;所提出的预测方法能有效捕获表征轴承退化状态的图特征以及时间依赖关系,为解决单传感监测应用场景下的轴承性能退化预测问题提供借鉴。     

基于BO-GRU神经网络的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命预测是锂离子电池健康管理的重要内容。针对锂离子电池剩余使用寿命预测困难、传统循环神经网络预测精度低的问题,提出一种基于贝叶斯优化(BO)-门控循环单元(GRU)神经网络的锂离子电池剩余使用寿命预测方法。这一方法提取循环数与对应的容量融合作为新特征,采用滑动窗口方法分割特征数据集,搭建门控循环单元神经网络,在网络中加入随机失活,并采用贝叶斯优化对门控循环单元神经网络参数进行优化。在不同来源数据上进行试验验证,这一方法的相对误差均小于3%,能够实现对锂离子电池剩余使用寿命的准确预测。     

基于ISSA优化轴承寿命预测网络超参数的方法研究

针对滚动轴承剩余使用寿命预测(Remaining Useful Life, RUL)模型超参数较多的问题。提出基于混合正弦余弦算法和Lévy飞行的麻雀算法(Hybrid sines and cosines and Levy’s flying sparrow algorithm, ISSA)优化轴承寿命预测网络超参数的方法研究。首先利用ISSA对特征提取模型自注意力机制卷积神经网络进行寻优;其次利用时间窗口滑动方法处理提取到的特征以获取更具时序性的寿命特征矩阵,并以此作为输入数据再次利用ISSA对预测模型进行寻优;最后将数据集输入到双向简单循环单元网络中并完成寿命预测。通过实验证明,验证了所提方法的可行性。     

基于Dy Res Net-CBAM网络的滚动轴承剩余寿命预测

滚动轴承的工作状况关系到使用滚动轴承的机械能否正常运行,预测轴承的剩余使用寿命（RUL）是避免机械系统失效的关键。针对传统的轴承使用寿命预测方法无法自适应调节特征权重、提取有用特征,造成预测值误差过大的问题,提出了一种带有卷积块注意力模块（CBAM）的动态残差网络（Dy Res Net）用于预测轴承RUL。对振动信号进行快速傅里叶变换求得频域累积幅值特征,在动态残差网络中加入CBAM模块,并利用压缩激励模块进行特征细化得出预测结果,使用公开轴承数据集对所提模型进行评估。实验表明：与其他模型相比,Dy Res Net-CBAM模型能够充分提取特征信息,对轴承RUL预测的准确度高于其他模型。     

基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于一维卷积神经网络的轴承剩余寿命预测

现有的轴承剩余使用寿命预测模型多依赖于对轴承的时域特征或频域特征进行降维后构建特征工程,然而可能丢失重要的信号信息,因此尝试利用轴承的振动水平加速度信号和垂直加速度信号,构建一维卷积神经网络实现对特征的自动提取,无需人工提取特征,并且基于人工神经网络的局部连接和参数共享机制,大大减少了训练参数,减少了训练时间。训练模型之前,通过设置轴承样本的开始退化点,使训练样本的剩余使用寿命值更为准确。研究发现,该模型能较为准确的对轴承的退化状态进行预测,进而预测剩余寿命。数据集来自于FEMTO-ST研究所的轴承退化数据集。     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型：其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明：与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、...     

考虑转动周期的轴承剩余使用寿命预测EI北大核心

滚动轴承广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行。目前,基于深度学习的轴承RUL预测方法均致力于对整体趋势特征的把控,而忽略了对各转动周期间相互依赖特征的挖掘。针对这一问题,提出一种考虑转动周期的轴承RUL预测网络——双通道网络模型。该预测网络使用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)来提取轴承振动数据的整体趋势特征,并引入注意力机制来增强模型的特征提取能力。利用基于转动周期的跳越循环神经网络组件来捕捉各转动周期之间的相互依赖模式。通过滚动轴承加速退化实验的数据,验证了所提网络的有效性,并与一些智能算法进行了对比实验,预测精度表现优异。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

基于深度特征的轴承剩余寿命预测

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如:特征指标选取、健康指标构建、失效阈值选定等等.预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算.首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络(Con...     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。