近年来，深度学习技术在处理非线性和时变性方面表现出强大的优势。其中，卷积神经网络（CNN）和长短期记忆网络（LSTM）的结合，即CNNLSTM模型，为滚动轴承的性能退化趋势分析提供了新的解决方案。三、CNNLSTM模型在滚动轴承性能退化趋势预测中的应用 1、数据收集与处理 首先，需要收集滚动轴承在各种工况下的振动、噪声和...
lstm滚动轴承寿命剩余预测方法 结合CNN和LSTM的滚动轴承剩余使用寿命预测方法 引言 滚动轴承作为机械设备中的关键部件,其正常运行直接影响到整个设 备的性能。然而,滚动轴承在服役过程中常常会因疲劳、磨损等原因 导致失效,严重时甚至会引起设备损坏和生产事故。因此,对滚动轴 承的剩余使用寿命进行准确预测,对于预防性维护...
大学电气与电子工程学院 哈尔滨,150080)(2.白俄罗斯国立大学 明斯克,220030)摘要 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(longshort term memory,简称 LSTM)神经...
1.一种基于CNN和LSTM的滚动轴承剩余使用寿命预测方法,其特征在于:所述方法的实现过程: 1)选取滚动轴承振动信号不同工况下的部分数据作为训练集,并对训练集的原始振动信号作FFT变换,得到频域幅值信号; 2)将频域幅值信号进行归一化处理后作为特征输入,寿命百分比作为输出训练模型,形如 其中x t ∈R N×1 表示某一工...
摘 要：为了建立能够精准描述风机轴承退化过程的退化特征趋势性量化指标，提高风机轴承剩余使用寿命（ＲＵＬ）的预测精度，提出了一种结合卷积神经网络（ＣＮＮ）和长短期记忆（ＬＳＴＭ）的神经网络模型（ＣＮＮ ＬＳＴＭ），用于风机轴承剩余寿命（ＲＵＬ）的预测。首先，利用卷积神经网络进行深层特征挖掘，获取...
【摘要】在使用卷积层神经网络(Convolutional Neural Networks, CNN)和长短期记忆神经网络(Long Short-Term Memory, LSTM)模型对滚动轴承剩余寿命预测时,预测结果的准确性会受到实验参数的影响.为此,提出了一种使用鲸鱼优化算法对模型参数进行干预,降低参数调试复杂性的方法.首先,选用相关性、单调性、鲁棒性3种特征评价...
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其剩余使用寿命(RUL)预测困难的问题,该方法首先对滚动轴承原始振动信号作FFT变换,然后将预处理所得到的频域幅值信号进行归一化处理后,并将其作为CNN的输入。利用CNN自动提取数据局部抽象信息以挖掘深层特征,避免传统特征提取方法过于依赖专家经验的问题。之后再将深层...
轴承寿命预测全家桶更新! | 新增西交XJTU-SY数据集+模型合集! 本期我们继续更新轴承寿命预测合集:新增XJTU-SY滚动轴承加速寿命试验数据集相关预测模型,提供LSTM、CNN、GRU、TCN、Transformer、CNN-LSTM、CNN-Transformer、Transformer-BiLSTM等系列预测模型全家桶. ...
基于PSO优化CNN-LSTM的滚动轴承剩余寿命预测研究系统是由兰州理工大学著作的软件著作,该软件著作登记号为:2024SR0325611,属于分类,想要查询更多关于基于PSO优化CNN-LSTM的滚动轴承剩余寿命预测研究系统著作的著作权信息就到天眼查官网!
1.本发明涉及一种基于cnn-at-lstm的轴承剩余使用寿命预测方法,属于数据挖掘领域。 背景技术: 2.故障预测和健康管理(prognostic and health management,phm)是指利用大量状态监测数据和信息,借助统计算法或模型来评估和管理装备的健康状态的技术。phm可以提前对潜在故障进行预测,并结合各种装备信息提供维护决策,实现视情维...