典型文献
基于级联长短期记忆神经网络的轴承复合故障预测
文献摘要：
当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题.针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测.文中采用西安交通大学的轴承数据集进行实验对比,结果表明,相比共振解调法,采用本方法在单一故障数据的健康度评估中,健康度曲线的单调性、鲁棒性和趋势性综合评价指标分别提升了12％、24.8％和5％;在复合故障数据的健康度评估中,综合评价指标提升了15.1％;并根据健康度评估曲线实现了剩余使用寿命预测,证明了该方法在健康度评估和剩余寿命预测方面的有效性.
文献关键词：
神经网络;长短期记忆;复合故障;剩余使用寿命;预测性维护
中图分类号：
作者姓名：
江旭耀;林群煦;侯至丞;张弓;张金越;杨根
作者机构：
五邑大学 轨道交通学院,广东 江门 529020;广州先进技术研究所,广东 广州 511458;中国科学院大学,北京 100086;广东技术师范大学,广东 广州 510665
文献出处：
引用格式：
[1]江旭耀;林群煦;侯至丞;张弓;张金越;杨根-.基于级联长短期记忆神经网络的轴承复合故障预测)[J].控制与信息技术,2022(01):71-78
A类：
B类：
长短期记忆神经网络,复合故障,故障预测,行健,健康度评估,剩余寿命预测,共振解调,包络分析,靠模,两级,西安交通大学,轴承数据,实验对比,单一故障,故障数据,度曲,单调性,趋势性,综合评价指标,指标提升,剩余使用寿命预测,预测性维护
AB值：
0.212728
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。
