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。     

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（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

基于深度学习方法的航空发动机寿命预测模型

为提高航空发动机剩余寿命（remaining useful life,简称RUL）预测能力,构建了一种注意力机制与长短期记忆网络（long short-term memory,简称LSTM）融合的深度学习模型。首先,分析多元高维的运行参数与RUL之间的协方差相关性,实现数据降维,优化模型权重;其次,利用运行参数的时序退化特性提高模型的回归预测效果。在NASA发动机数据集上实验的均方根误差（root mean square error,简称RMSE）范围为[4.83,13.66],与卷积神经网络（convolutionneuralnetworks,简称CNN）、LSTM和双向长短期记忆网络（bi-directionallongshort-term memory,简称Bi-LSTM）方法相比,极大地提高了预测的准确度,实现了超前预测。合并样本的方法提高了模型的泛化性,对不同类型的发动机RUL预测具有指导意义。     

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。     

结合多通道MTF和CNN的框架结构损伤识别方法

为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场（multi-channel Markov transition field,简称MCMTF）和卷积神经网络（convolutional neural network,简称CNN）的框架结构损伤识别方法。首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别。将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆（long short term memory,简称LSTM）神经网络和深度神经网络（deep neural network,简称DNN）3种网络模型,以及噪声对框架结构损伤识别准确率的影响。结果表明：MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层...     

基于VAE-D2GAN的涡扇发动机剩余使用寿命预测

为了提高涡扇发动机剩余使用寿命的预测精度,提出一种将变分自编码器(VAE)和双判别器对抗式生成网络(D2 GAN)相结合的预训练特征提取模型.在该模型中,VAE作为D2 GAN的生成器参与模型训练,形成双重嵌套生成结构,以提高中间特征的提取质量;利用长短时记忆网络进一步挖掘所提取特征的时序退化信息,预测发动机剩余使用寿...     

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。     

基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测

及时准确的交通流信息对于智能交通系统的实现至关重要。针对现有预测方法不能充分利用交通流的时空特征,进而不能很好地提取交通流序列内在规律的问题,提出了一种结合卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的深度学习预测模型(C-BiLSTM),在网络底层利用一维CNN来捕获观测点交通流数据的空间特征,然后输入到双向LSTM网络提取时间周期特征,最后由全连接层输出预测结果。使用美国交通研究数据实验室的实测交通数据进行验证,结果表明,所提出的C-BiLSTM组合模型具有更高的准确性,其性能相比双向LSTM网络预测模型提升了1. 6%,相比单向LSTM网络预测模型提升了6. 6%,是一种高精度的交通流预测模型。     

基于时空采样的卷积长短时记忆网络模型及其应用研究

鉴于人体动作识别在现实社会中的重大意义,为了进一步提高动作识别的能力,在研究长短时记忆神经网络及卷积神经网络的基础上,建立时空相关的卷积长短时记忆网络模型,该模型不仅具有LSTM的时序建模能力,还具有CNN刻画局部特征空间的能力,同时具备时空特性。运用该模型在KTH数据库上进行实验,并提出三种时间采样方式,最后与他人的方法进行比较,发现该模型在KTH动作识别上取得了较高的识别率。     

基于残差自注意力机制的航空发动机RUL预测

针对传统神经网络在多维数据高分辨率特征识别和高精度信号提取方面的缺陷,开展基于残差自注意力机制的剩余使用寿命(RUL)预测算法研究。比较分析卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的结构特性,揭示二者在长序列信息特征关联能力和局部特征提取能力上的局限性。研究自注意力机制,引入双层残差网络抑制误差函数反向传播中扩散性,进而构建了一种卷积记忆残差自注意力机制的深度学习方法。基于上述方法对典型航空涡扇发动机退化实验数据集进行仿真分析,结果表明:所述方法能够有效建立监测数据与发动机健康状态之间的关系,关键评价指标——剩余使用寿命预测的均方误差为225,相比传统自注意力机制均方误差降低了17.9%,验证了所述方法的可行性和有效性。     

地铁环境振动源强测试与评价标准分析

实测南昌地铁1号线隧道内约200趟列车通过邻近非减振与减振断面的振动响应。基于不同振动评价标准,从统计角度分析了不同车次列车运行对时域和频域的影响、测点位于隧道壁不同高度对振动源强值及钢弹簧浮置板减振量评价的影响。分析结果表明:钢弹簧浮置板隧道壁上的减振效果明显,但浮置板本身的振动响应大幅增加。不同车次对各测点低频段及隧道壁高测点影响较大,但对Z振级影响较小。振动在隧道壁上低频段有所放大。由隧道壁低测点测得的最大Z振级最适合评价地铁源强值,南昌地铁实测源强值为76.66 d B。不同高度测点及不同评价标准对浮置板减振量评价有较大影响,建议采用低测点最大Z振级评价浮置板减振量。     

气动准零非线性隔振器的刚度特性与参数调控

针对大载荷、低动态频率的机械装备的隔振需求，提出了气动准零刚度非线性隔振技术方案，利用气体负压为静载、波纹管结构提供动刚度，实现了隔振装置的高静态低动态刚度特性。阐述了光滑型气动准零隔振器的结构及工作原理，根据气体状态方程推导了隔振装置的非线性刚度理论模型。为了得到符合设计要求的刚度特性，分别研究了气体占比与初始压强等参数对隔振装置刚度特性的调控规律，发现了合理的气/液比例，既可以实现较低的动态刚度，同时起到大幅振动下位移限位的效果。探讨了过载加速度对隔振系统固有特性的影响，研究发现，过载的存在使得隔振静平衡位置偏离设计的平衡点，因此其线化系统固有频率会发生较明显的变化，这是工程设计根据实际情况需要考量的一点。     

基于VMD-NARX的MOSFET剩余使用寿命预测方法

金属氧化物半导体场效应晶体管(MOSFET)剩余使用寿命预测能够防止因器件长时间导通出现性能逐渐退化或失效,但传统预测模型易忽略MOSFET退化参数的非线性细节特征而导致预测精度较差。本文提出一种基于变分模态分解与带外源输入的非线性自回归神经网络的MOSFET剩余使用寿命预测方法。首先采用变分模态分解将退化参数序列分解为多组含有非线性变化信息的特征分量。然后分别利用贝叶斯正则和Levenberg-Marquardt算法对预测网络进行优化。最终集成多组预测分量值获得MOSFET剩余使用寿命预测结果。实验结果表明,本文所提方法的均方根误差小于0.003,平均绝对百分比误差小于5%,均优于对比方法,剩余使用寿命预测平均偏差小于5 min,验证了该方法的有效性.     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。     

基于LSTM-RF模型的城市道路交通流预测

交通流预测作为信号协调和出行时间预测等任务的基础,成为了交通领域的研究点。对于交通流预测问题,研究人员提出了多种方法,但这些方法大多只使用交通流数据的时域信息进行交通流预测,忽略了空间相关性对于预测目标路段流的影响,导致预测精度不理想。基于组合模型的思想提出了一种称为LSTM-RF的交通流预测模型。在交通流预测过程中,首先使用LSTM模型提取预测目标路段的时序特征,再将其预测值与采集的相邻上下游路段信息同时作为随机森林模型的输入特征,进行交通流时空相关性分析,获得最终的预测结果。并通过贵阳市车牌识别系统采集的城区132条路段的交通流数据进行实验验证。结果表明:该方法在预测精度上优于单一模型,并且预测误差相比单一模型有明显减少。     

基于神经网络的球轴承剩余寿命预测

针对球轴承的剩余寿命预测问题,基于自组织映射(Self organizing map, SOM)和反向传播 (Back propagation, BP)两种神经网络,提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点,利用三套时间域衰退指标和三套频率域衰退指标,包括一套新设计的指标,训练自组织映射神经网络。将源自于SOM的最小量化误差(Minimum quantization error, MQE)作为新的衰退指标,建立一套轴承性能数据库。针对球轴承衰退期,训练一套BP神经网络,根据权值计算失效时间技术,成功开发一套剩余寿命预测模型。结果表明,该方案远优于业界常用的L10寿命估计。     

地铁车辆电动塞拉门的剩余寿命预测

针对地铁车辆客室电动塞拉门传动装置润滑不良的问题,提出了基于自组织映射（SOM）神经网络、隐马尔可夫链（HMC）模型和蒙特卡罗（MC）仿真的剩余使用寿命预测方法。该方法首先对采集到的电机电流信号进行特征提取;然后利用SOM对提取出的多维特征数据进行融合与编码,将所得结果作为HMC的输入向量,训练得到全部寿命下劣化状态转移矩阵;最后利用MC方法实现对其劣化过程的剩余使用寿命预测。故障模拟实验结果表明,该方法可以在考虑润滑不良故障模式下,有效预测得到电动塞拉门丝杆的剩余使用寿命。     

基于马尔科夫链的车桥齿轮剩余寿命预测研究

为解决车桥齿轮剩余寿命随时间变化趋势难以预测的问题,提出一种基于马尔科夫链的齿轮剩余寿命预测模型。该方法首先从采集的原始振动信号中提取齿轮的1～3倍啮合频率边频能量作为退化指标,再求取退化指标的增量序列并用于寿命预测;然后通过聚类方法对增量序列进行状态划分,从而获得状态转移概率矩阵;从而建立基于马尔科夫链的剩余寿命预测模型。采用车桥耐久试验的全寿命数据验证模型的有效性,结果表明,提出的模型在车桥开始退化后的预测平均相对误差为9.5%,相比于传统的马尔科夫模型具有更高的预测精度。