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Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性,使得工艺数据中的深层次关键工艺特征难以挖掘,限制了产品质量的准确预测。鉴于此,提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先,设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后,运用BLSTM网络模拟产品制造过程误差的复杂传递特性,挖掘上下游工艺参数的关联关系,输出BLSTM所有时刻提取的关联化工艺特征;同时,设计了Self-Attention网络,自学习各时刻关联化工艺特征对最终产品质量贡献的差异,对不同时刻工艺特征分配不同注意力权值,以强化关键特征。通过以上两阶段特征处理方式,实现深层次关键工艺特征的挖掘。最后,以关键特征作为输入层,通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明,相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法,所提方法有效提高了预测精度。     

基于深度学习LSTM⁃DBN的水轮机振动故障预测方法

深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题,提出了一种基于深度学习长短时记忆（long short time memory, 简称LSTM）网络结合深度置信网络（deep belief networks,简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。     

基于ARIMA⁃LSTM的飞机液压泵性能趋势预测方法

针对飞机液压泵工作强度高、工作环境复杂而导致传统性能预测方法对飞机液压泵性能变化趋势预测精度不高的问题,提出了一种基于自回归积分滑动平均-长短期记忆(autoregressive integrated moving average-long shortterm memory,简称ARIMA-LSTM)网络的飞机液压泵性能趋势预测方法。首先,将获取的飞机液压泵性能表征参数回油流量数据进行线性分解,得到趋势项数据和细节项数据;其次,采用自回归积分滑动平均(autoregressive integrated moving average,简称ARIMA)方法对趋势项数据进行预测,同时采用长短期记忆(long short term memory,简称LSTM)网络方法对归一化处理后的细节项数据进行预测;最后,将两部分预测结果进行叠加,得到最终的性能趋势预测结果。研究结果表明,采用ARIMA-LSTM的联合预测方法对飞机液压泵性能变化趋势的预测效果明显优于单一的ARIMA与LSTM预测方法,为飞机液压泵性能变化趋势预测的工程应用提供了一种新方法。     

基于CNN+LSTM神经网络的电液伺服阀故障预测

针对电液伺服阀故障预测中故障类型复杂多变、早期故障较弱、时间序列难以处理等问题,构建了卷积神经网络(CNN)和长短期记忆神经网络(LSTM)相结合的电液伺服阀故障预测模型,取代人工特征选择和提取,解决故障预测的时序问题。以G761型电液伺服阀为例,利用AMESim软件对伺服阀阀芯磨损和孔板堵塞故障数据集进行了仿真,并用仿真故障数据验证了模型的预测精度。同时将LSTM,CNN,CNN+LSTM 3种模型针对电液伺服阀故障预测诊断的精度进行对比,CNN+LSTM故障预测模型训练时间更快,得到更高的预测精度,具有更好的适应性。     

基于粒子群优化LSTM模型的管道应力预测方法

为了解决传统BP神经网络预测精度不高的问题,提出了一种基于粒子群优化(PSO)长短期记忆网络(LSTM)模型的管道应力趋势预测方法.在分析管道应力监测数据的基础上,利用LSTM模型对未来的应力发展趋势进行预测,进一步采用粒子群算法优化LSTM模型参数来提高预测精度,并基于均方根误差验证了PSO-LSTM模型的有效性,可...     

基于GEO-GRU的电梯滑移量预测方法

电梯曳引性能是影响电梯运行安全的重要指标,而滑移量是其重要的评判标准。为实现高精度的电梯滑移量预测,文中提出了基于金鹰算法优化的门控循环单元神经网络(GEO-GRU)模型,GRU通过门控单元实现数据信息选择,利用神经元传递时序特征,实现时序预测;采用金鹰优化算法（Golden Eagle Optimizer,GEO）对GRU的初始参数进行优化,以提升模型可靠性和泛化性。实验结果表明,相比LSTM、ESN等经典预测方法,GEO-GRU方法提高了预测精度,缩小了预测误差,对于电梯滑移量的预测具有更高的可行性和有效性。     

协同质量链管理流程模型先期研究

对传统质量链管理存在的问题进行剖析,针对传统质量链管理中整体优化性差、全过程监控难、敏捷性低和协同性差等问题,提出协同质量链管理新理念,给出在CIMS环境下具有普适意义的流程模型CQCM-CIMS,并对该流程模式进行评价和展望.     

基于LSTM网络模型的航天器热变形预测

针对在轨航天器结构热变形问题,提出了一种基于贝叶斯优化的长短期记忆(LSTM)网络预测方法.结合航天器在轨温度测量数据和有限元模型仿真数据,完成了温度测点选取、LSTM网络模型结构设计、模型训练及热变形预测过程算法实现.实现了较少温度测点为输入下的航天器结构热变形预测.通过多组实验算例结果对比,验证了所提出的LSTM网...     

应用LSTM网络的缸体压铸质量预测

为解决智能制造质量预测难题,针对汽车发动机缸体压铸过程数据高维、子过程耦合,难以建立仿真预测模型特点,研究缸体压铸工艺,建立缸体压铸动态过程数学模型.针对压铸生产过程具有时序性特点,以及经典循环神经网络面临梯度爆炸、超参数未知等困难,提出基于LSTM循环神经网络的质量预测方法,以历史数据训练神经网络,对比Holt-Wi...     

多传感器融合和 MHA-LSTM 的电机轴承剩余寿命预测

轴承作为电机的核心部件, 主要起到支撑引导轴、 减小设备摩擦、 连接不同设备等作用, 其剩余寿命预测对系统健康 管理起着十分重要的作用。 针对单一传感器信号通常难以全面描述系统的潜在退化机制, 论文提出一种基于多头注意力机制 和长短时记忆神经网络的电机轴承剩余寿命预测模型。 首先, 基于马氏距离确定轴承性能退化起始点, 将滚动轴承全寿命周 期分为正常阶段与退化阶段; 其次, 使用自编码器自动提取振动信号特征, 并将其与电机电流、 轴承温度融合, 构成多源信息 特征矩阵; 然后基于多头注意力机制和长短时记忆网络模型动态选择相关度较高的特征, 提高寿命预测的准确性。 最后, 采 用实验数据进行验证, 结果表明所提出的模型具有更高的准确性。     

基于门控循环单元模型的道岔故障预测方法

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率.本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)建立道岔的状态预测模型,实现道岔的故障预测.CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程.GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势.实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2％.     

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。     

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LSTM的矩形纳米光栅AFM图像复原方法

原子力显微镜(AFM)利用探针与待测物之间的交互作用力进行成像,通过获取矩形纳米光栅计量标准器具的高分辨率成像得到相关的几何量参数并进行标定,实现从标准计量器具到工作计量器具的量值传递。在AFM扫描过程中,由于针尖的影响作用,使得扫描所获图像是探针和样品共同作用的结果,而不是样品形貌的真实描述。针对这一现象,本文提出了一种基于长短期记忆网络(LSTM)的AFM图像复原方法,该方法对通过膨胀法获得的仿真图像各扫描行进行训练,进而获得适用于矩形纳米光栅AFM图像复原模型。实验结果表明,针对线宽20 nm,高40 nm的矩形纳米光栅,经过该方法复原后光栅线宽的相对误差为7.40%,相较于传统的复原方法进一步提高了测量准确度。     

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。     

基于粒子群算法的自回归加权马尔可夫链的负荷预测

针对城市居民人均年用电量序列具有波动性、随机性和相依性的特点,建立了基于粒子群优化算法的自回归加权马尔可夫链的负荷预测模型(PSO-AR-W-MC)。首先利用粒子群算法和AIC准则确定出自回归AR模型的系数和阶数,并对负荷变化趋势进行预测。利用平行曲线法划分该模型得到的残差序列,建立马尔可夫链的状态区间,以此求出状态转移概率矩阵,利用归一化后的自相关系数对其进行改进,确定出预测数据所属状态区间。根据状态区间对预测值进行第二次拟合。实例分析表明该算法具有较高的精确度和可靠性,应用前景广阔。     

一种基于单通道 sEMG 分解与 LSTM 神经网络 相结合的手势识别方法

在基于表面肌电(sEMG)信号的动作识别中,使用单通道传感器能够简化系统、减少识别延时,但也存在识别精度偏低的问题。为了提高识别精度,本文提出将单通道sEMG信号分解策略与长短期记忆(LSTM)循环神经网络识别相结合的方法。在该方法中,先将单通道sEMG信号分解成多通道运动单元动作电位序列(MUAPTs),然后提取MUAPTs的特征,最后将这些特征对LSTM分类模型进行训练。为了验证该方法的有效性,本文以手势动作识别为对象,对6名受试者分别建立了4种分类模型,包括基于未分解信号的支持向量机(SVM)、基于分解信号的SVM、基于未分解信号的LSTM、以及本文提出的基于分解信号的LSTM,并定义识别精度量化指标对这四种模型的分类结果进行评估。对于旋前方肌sEMG信号,在使用本文所提方法进行手势识别时,平均估计精度均能达到90%以上,比未分解的LSTM高18.7%,比分解信号的SVM高4.17%,比未分解信号的SVM高11.53%。实验结果验证了本文所提方法的有效性。     

基于车联网数据的坡度预测研究

道路坡度信息作为车辆行驶中动力性、经济性和智能化控制中的重要部分,其良好的预测精度对车辆的能量管理、制动辅助及预测性驾驶控制策略的制定具有重要作用,在道路规划、车辆导航中具有重大的应用价值,为智能导航、智能交通系统等提供数据支撑。为实时计算车辆行驶过程中的坡度状况,该研究采用来自车联网车辆实时采集的车速和GPS信息对车辆运行过程中坡度情况进行估计。考虑到坡度计算结果具有实时性且短时内对先前坡度信息具有一定的依赖。在坡度估计信息的基础上,构建了基于长短期记忆模型（LSTM）的坡度预测模型。为验证所提出的坡度估计方法及预测模型的有效性,利用一半挂车的自然驾驶数据对坡度进行估计计算,并将其作为预测模型的数据基础,利用基于LSTM的坡度预测模型进行对应的模型构建、参数初始化、训练及预测,并将预测结果与GRU模型进行对比。结果表明,所提出的坡度估计方法能有效地对车辆行驶过程中的坡度情况进行实时估计,采用基于LSTM的坡度预测模型对道路坡度预测具有较高的预测精度,其均方根误差和平均绝对误差分别为16.71和3.38,均优于GRU模型。     

基于ALSTM的光伏出力短期预测研究

光伏出力的短期预测有利于电网的调度管理,能提高电力系统的运行效率、经济性和稳定性。结合长短期记忆网络(LSTM)在处理时序数据以及注意力机制(Attention)专注输入数据关键本质特征的优势,构建了注意力机制-长短期记忆网络(ALSTM)。基于互信息熵(MIE)方法分析各气象因素与光伏出力关系的重要性,依此构建光伏出力特征输入,并将特征输入时序数据送入ALSTM进行训练。以昆士兰大学中心光伏出力数据为基础,通过与Bi LSTM以及CNN在晴天、阴雨天以及天气剧烈波动日3种情况的对比验证,所提方法预测更准确,鲁棒性更强。