一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法 |
| |
作者单位: | 中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016;中国科学院网络化控制系统重点实验室,沈阳110016;中国科学院机器人与智能制造创新研究院,沈阳110169;中国科学院大学,北京100049;中国科学院沈阳自动化研究所,沈阳110016;中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016;中国科学院网络化控制系统重点实验室,沈阳110016;中国科学院机器人与智能制造创新研究院,沈阳110169;中国科学院沈阳自动化研究所,沈阳110016;国家电网辽宁省电力有限公司检修分公司,沈阳110016;国家电网江苏省电力有限公司营销服务中心(计量中心),南京210000 |
| |
基金项目: | 国家重点研发计划;国家自然科学基金;国家自然科学基金;兴辽英才项目;国家电网有限公司总部科技项目 |
| |
摘 要: | 目前长短期记忆网络(long short-term memory, LSTM)是滚动轴承剩余使用寿命(remaining useful life, RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM, Bi-LSTM)与多层感知机(multilayer perceptron, MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder, SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.
|
关 键 词: | 滚动轴承 剩余寿命预测 堆叠去噪自编码器 Bi-LSTM 多层感知机 |
本文献已被 CNKI 万方数据 等数据库收录! |
|