典型文献
基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法
文献摘要：
现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足.为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法.对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度.对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08％,预测准确度平均提高了 9.95％,模型训练时间平均减少了 44.14％,获得了较满意的寿命预测精度和鲁棒性.
文献关键词：
滚动轴承;剩余寿命预测;卷积长短时记忆网络;小波包分解;动态加权
中图分类号：
作者姓名：
蒋全胜;许伟洋;朱俊俊;沈晔湖;徐丰羽
作者机构：
苏州科技大学 机械工程学院,苏州 215009;南京邮电大学 自动化学院,南京 210003
文献出处：
引用格式：
[1]蒋全胜;许伟洋;朱俊俊;沈晔湖;徐丰羽-.基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法)[J].振动与冲击,2022(17):282-291
A类：
B类：
动态加权,卷积长短时记忆网络,滚动轴承剩余寿命,剩余寿命预测,寿命预测方法,数据驱动方法,剩余使用寿命预测,有效提取,轴承退化,特征信息,DW,滚动轴承振动信号,小波包分解,系数矩阵,层进,强轴,振动特征,特征学习能力,深层特征,征集,助长,时间信息,信息序列,高维,退化特征,XJTU,SY,轴承数据,IMS,误差指标,预测准确度,模型训练,训练时间,时间平均
AB值：
0.235616
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。
