强化学习长短时记忆神经网络用于状态预测

提出基于强化学习三态组合长短时记忆神经网络(reinforcement learning 3-states combined long and short time memory neural network, 简称RL-3S-LSTMNN)的旋转机械状态退化趋势预测新方法。笔者提出的RL-3S-LSTMNN中，采用最小二乘线性回归方法构造单调趋势识别器，将旋转机械整体的状态退化趋势分为平稳、下降、上升３种单调的趋势单元，并通过强化学习为每一种单调趋势单元选择一种隐层层数和隐层节点数与之相适应的长短时记忆神经网络，提高了RL-3S-LSTMNN的泛化性能和非线性逼近能力，使所提出的状态退化趋势预测方法具有较高的预测精度。用不同隐层数、隐层节点数和３种单调趋势单元分别表示Q表的动作和状态，并将长短时记忆神经网络(long and short time memory neural network, 简称LSTMNN)输出误差与Q表的更新相关联，避免了决策函数的盲目搜索。结果表明：提高了RL-3S-LSTMNN的收敛速率，使所提出的预测方法具有较高的计算效率；滚动轴承状态退化趋势预测实例验证了该方法的有效性。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法。首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴承正常期的退化指标为基础,采用长短期记忆神经网络预测滚动轴承退化趋势。试验表明,该方法不仅能及时发现轴承运行的衰退时间点,且相比于BP和RBF神经网络具有更高的寿命预测精度。     

航空发动机振动趋势预测的过程神经网络法

提出一种基于过程神经网络思想的航空发动机振动趋势预测方法.利用过程神经网络具有输出函数对输入函数在时间上的聚合效应和非线性映射能力,预测方法的网络结构选择为9个输入节点,第2层和第3层各有9个隐层节点,1个输出节点,参数外推预测,将选取的振动历史数据分为学习样本和检测样本两组,学习样本用于网络训练,检测样本用于检验预测模型的精度.在相同条件下,与传统人工神经网络进行趋势预测比较,提高了网络训练速度,降低了预测误差.将所提出的预测方法应用到某型航空发动机的振动趋势预测中,预测结果与实际值的误差符合要求.     

基于双隐层量子线路循环单元神经网络的状态退化趋势预测

针对现有人工智能预测方法在旋转机械状态退化趋势预测中存在预测精度较差、计算效率较低等缺点,提出基于双隐层量子线路循环单元神经网络(Double hidden layer quantum circuit recurrent unit neural network,DHL-QCRUNN)的旋转机械状态退化趋势预测方法。首先采用量纲一化排列熵误差构建状态退化特征集,然后将该特征集输入DHL-QCRUNN以完成旋转机械状态退化趋势预测。在所提出的DHL-QCRUNN中,设计双隐层结构以提高网络的非线性映射能力;并引入量子相移门和多位受控非门以实现信息的传递;通过双隐层的量子反馈机制获得输入序列的整体记忆;最后采用输出层激发态的概率幅表示输出,通过以上方法改善了网络的非线性逼近能力和泛化性能,使所提出的旋转机械状态退化趋势预测方法具有较高的预测精度。此外,通过量子Levenberg-Marqudt(LM)算法更新DHL-QCRUNN的网络参数,提高该网络的收敛速度,使所提出的状态退化趋势预测方法具有较高计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。提出了基于DHL-QCRUNN的旋转机械状态退化趋势预测新方法,该方法具有较高的预测精度和较高的计算效率。     

基于量子加权长短时记忆神经网络的状态退化趋势预测

提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。     

基于强化学习算法的水下滑翔机路径跟踪研究

针对洋流影响下水下滑翔机实际路径与预定路径偏差较大的问题，在传统的长短期记忆网络模型的基础上引入注意力机制，建立了具有长短期记忆与注意力机制的神经网络洋流预测模型；利用深度神经网络生成水下滑翔机运动的动态Q表，并通过强化学习算法选择最优运动姿态，同时考虑洋流的影响，构造了基于深度强化学习的水下滑翔机路径跟踪算法。结果表明，基于注意力机制的长短期记忆网络相较于传统的整合移动平均自回归模型与长短期记忆网络，其洋流预测具有更小的均方误差与均方根误差，具有良好的预测能力；相较于传统的PID控制，深度强化学习模型可使水下滑翔机轨迹均方根误差降低50.9%,显著提高了路径跟踪精度。     

BP算法在电力系统短期负荷预测中的应用

针对电力负荷短期预测问题,提出了一种基于相似日的神经网络预测方法,在建立具体模型时,对于24点负荷预测,采用24个单输出的神经网络来分别预测每天的整点负荷值,具有网络结构较小,训练时间短的优点,考虑了不同小时类型的负荷差异,具有较高的预测精度.分析了如何采用BP多层感知器的隐层数及隐层单元数.最后对四川省电力公司某区一条线路的供电负荷进行短期负荷预测仿真,仿真结果表明其具有较好的预测精度.     

最优隐层BP神经网络的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,设计了一种最优隐层BP神经网络,借助经验公式确定隐层单元数的取值范围,进行计算平均迭代次数和均方误差来寻找最优隐层单元数。通过MATLAB仿真,结果表明该BP神经网络具有较高的诊断效率和准确度。     

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。     

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。     

基于双向堆叠简单循环单元的滚动轴承寿命预测

为解决传统滚动轴承寿命预测方法精度差,效率低的问题.提出一种基于双向堆叠简单循环单元(Bidirectional Stack Simple Recurrent Unit,Bi-SRU)的预测方法.从原始信号中提取多种时、频域特征构建多维数据集,增强信息表征,避免了单一特征对轴承退化能力反映不足的缺点.依靠循环神经网络(Recurrent Neural Network,RNN)处理时序数据的能力,构建SRU模型,重构传统RNN串行运算结构,提升训练效率.并在单层SRU的基础上反向堆叠,使模型能够获取学习时间维度上的双向信息,提升预测准确性.实验结果表明,所提方法在预测精度和训练效率上均有提升.     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于PCA与BP神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断效果,提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练,将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真,结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%,测试误差精度相对提升了29.86%。     

基于神经网络模型的传感器非线性校正

讨论了BP神经网络模型在传感器非线性补偿中的应用.给出了相应的补偿方法,即采用两个相同的传感器对同一被测量进行不同的测量,其测量结果作为神经网络模型的输入,经过补偿后的传感器具有线性的输入输出关系.采用递推预报误差算法(PRE)训练神经网络,具有收敛速度快、收敛精度高的特点.以距离传感器为例,将基于BP神经网络的校正方法应用于减少距离传感器的非线性输出误差.实验结果表明,将训练后的神经网络接入距离传感器可以得到线性的输入-输出关系,增加神经网络隐层节点的数目可以提高校正精度.当隐层节点数取为40时,用于距离传感器非线性校正的神经网络模型在训练100步后的误差指数(EI)为9.6×10-6.结果表明:本文提出的基于神经网络模型的传感器非线性校正方法是行之有效的.     

基于萤火虫神经网络的轴承性能退化程度评估

准确评估轴承的性能退化程度是旋转机械预知维护的基础与关键,也是当前研究的新方向。提出了一种萤火虫神经网络方法,并首次应用于轴承性能退化程度的评估。利用萤火虫优化算法得到BP神经网络的最佳初始权值和阈值,提取功率谱熵、小波熵、盒维数、关联维数、峭度和偏度作为故障特征。算例结果表明,萤火虫优化算法提高了网络的预测精度,所提方法可准确评估滚动轴承的性能退化程度,验证了其在工程应用中的有效性与准确性。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于神经网络的旋转机械故障诊断研究

一般对特定的基于多层感知的故障诊断问题,很难确定神经网络的结构,在分析了多层感知器对故障的识别和诊断能力后,采用由小到大和由大一小的方法确定神经网络隐层数与隐层单元数。     

基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。     

小样本条件下元学习门控神经网络的齿轮退化趋势预测研究

针对齿轮小样本条件下深度神经网络训练容易过拟合导致齿轮退化趋势预测不精准的难题,提出了元学习门控神经网络网络齿轮退化趋势预测模型(Meta-learning gated recurrent neural networks, MLGRU)。将齿轮原始振动信号经过征提取、特征筛选以及特征融合后的指标作为门控神经网络的输入;在元学习网络框架下搭建门控神经网络,在防止齿轮预测模型过拟合的同时通过多任务的训练方式优化元学习门控神经网络,使其在小样本条件下快速收敛;通过门控神经单元深度学习齿轮演化规律并进行退化趋势预测。试验结果表明所提元学习门控神经网络能够充分学习齿轮演化机理,实现齿轮退化趋势预测。     

滚动轴承的状态监测与性能退化评估

提出一种基于规范变量分析的滚动轴承性能退化评估方法,用于解决轴承的健康监测与故障预防问题.首先,从健康状态的轴承振动数据中提取有效特征指标,建立参考模型,确定安全阈值;其次,对未知变量的特征指标进行规范变量分析,得到状态空间和残差空间;然后,采用T2和Q统计来分别度量两种空间中信息的变化量,用于反映滚动轴承的退化特性;最后,通过轴承加速寿命测试试验验证了该方法的有效性.与现有方法相比,该方法对滚动轴承的退化趋势更加敏感.