典型文献
基于改进SAE和双向LSTM的滚动轴承RUL预测方法
文献摘要：
针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.
文献关键词：
滚动轴承;稀疏自动编码器;无监督特征提取;双向长短时记忆网络;剩余使用寿命预测
中图分类号：
作者姓名：
康守强;周月;王玉静;谢金宝;MIKULOVICH Vladimir Ivanovich
作者机构：
哈尔滨理工大学电气与电子工程学院 哈尔滨 150000 中国;白俄罗斯国立大学 明斯克 220030 白俄罗斯
文献出处：
引用格式：
[1]康守强;周月;王玉静;谢金宝;MIKULOVICH Vladimir Ivanovich-.基于改进SAE和双向LSTM的滚动轴承RUL预测方法)[J].自动化学报,2022(09):2327-2336
A类：
无监督特征提取
B类：
SAE,RUL,稀疏自动编码器,Sparse,auto,encoder,sigmoid,激活函数,梯度消失,Tan,Kullback,Leibler,KL,散度,稀疏性约束,回归预测,dropout,滚动轴承振动信号,深层特征,特征自适应,自适应提取,有监督,微调,Remaining,useful,life,未来信息,双向长短时记忆网络,Bi,directional,long,short,term,memory,轴承数据,收敛速度,预测误差,剩余使用寿命预测
AB值：
0.336246
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。
