典型文献
基于DRN-BiGRU模型的滚动轴承剩余寿命预测
文献摘要：
深度神经网络在剩余寿命预测(RUL)领域已获得了广泛应用,为进一步优化预测模型,充分提取数据间的时序信息,提高寿命预测的准确率,提出了一种结合深度残差网络(DRN)和双向门控循环单元(BiGRU)的剩余寿命预测(RUL)模型.首先,采用滑窗法对原始数据进行了重采样,对数据集进行了扩充;然后,设计了一种DRN-BiGRU网络模型,其中,利用DRN对输入数据进行空间特征提取,利用BiGRU捕获时域数据中包含的过去和未来两方向的相关特征,充分获取输入数据的时序退化信息,进一步改善了模型的特征提取效果;最后,采用公开发表的PHM2012数据集对模型进行了验证,并将得到的预测结果与采用DRN、DRN-GRU和全卷积神经网络(FCNN)模型获得的结果进行了对比.研究结果表明:在滚动轴承剩余寿命预测应用中,采用基于DRN-BiGRU模型的方法获得的3项误差值(MAE、MSE、RMSE)最低,预测Score值最高,分值为0.985;该结果验证了基于DRN-BiGRU模型在轴承剩余寿命预测应用方面的准确性和有效性.
文献关键词：
预测与健康管理;数据驱动预测方法;剩余寿命预测模型;深度残差网络;双向门控循环单元;轴承加速退化数据集
中图分类号：
作者姓名：
陈倩倩;林天然
作者机构：
青岛理工大学机械与汽车工程学院,山东青岛266520
文献出处：
引用格式：
[1]陈倩倩;林天然-.基于DRN-BiGRU模型的滚动轴承剩余寿命预测)[J].机电工程,2022(11):1575-1581
A类：
数据驱动预测方法,轴承加速退化数据集
B类：
DRN,BiGRU,滚动轴承剩余寿命,深度神经网络,RUL,分提,提取数据,时序信息,高寿,深度残差网络,双向门控循环单元,滑窗法,原始数据,重采样,输入数据,行空,空间特征提取,分获,提取效果,PHM2012,全卷积神经网络,FCNN,预测应用,误差值,MAE,RMSE,Score,预测与健康管理,剩余寿命预测模型
AB值：
0.244135
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
