基于深度学习的滚动轴承剩余使用寿命预测

滚动轴承是机械传动设备的“关节点”,对其进行剩余使用寿命预测对机械设备安全生产和维护有重要意义,本文提出一种基于粒子群优化算法配合深度学习的滚动轴承剩余使用寿命预测模型。首先,对滚动轴承振动信号进行时域、频域和时频域特征提取,利用单调性和鲁棒性筛选出能够反映轴承退化过程的敏感特征;其次,基于高斯混合模型提取健康因子,解决单一特征指标无法有效反映退化趋势的问题;最后,将粒子群优化后的网络结构参数输入模型中进行轴承的剩余使用寿命预测,通过两组数据集的预测结果比较发现,粒子群优化后双向长短时记忆神经网络模型预测精度比双向长短时记忆神经网络的模型提高约10.6%和24.7%。

基于Bi-LSTM的航空发动机寿命预测

针对哪种类型神经网络对航空发动机剩余寿命预测结果更为准确的问题,采用对不同神经网络预测结果比较的方法,通过搭建双向长短时记忆网络预测模型的实验,对网络结构进行过拟合优化和对数据进行预处理后代入模型进行计算,再对长短时记忆网络的结果进行比对。结果表明,双向长短时记忆网络预测效果要比长短时记忆网络有更好的预测能力。