江苏科技大学学报(自然科学版)2021，Vol.35Issue(3) ：56-63.DOI:10.11917/j.issn.1673-4807.2021.03.009

一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

A rolling bearing RUL prediction method based on a novel fusion model of Bi-LSTM and multilayer perceptron

刘硕 武婷婷 宋纯贺 于诗矛 杨雪滨 邹云峰
江苏科技大学学报(自然科学版)2021，Vol.35Issue(3) ：56-63.DOI:10.11917/j.issn.1673-4807.2021.03.009
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

A rolling bearing RUL prediction method based on a novel fusion model of Bi-LSTM and multilayer perceptron

刘硕 1武婷婷 1宋纯贺 2于诗矛 2杨雪滨 3邹云峰4
扫码查看

作者信息

  • 1. 中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016;中国科学院网络化控制系统重点实验室,沈阳110016;中国科学院机器人与智能制造创新研究院,沈阳110169;中国科学院大学,北京100049;中国科学院沈阳自动化研究所,沈阳110016
  • 2. 中国科学院沈阳自动化研究所机器人学国家重点实验室,沈阳110016;中国科学院网络化控制系统重点实验室,沈阳110016;中国科学院机器人与智能制造创新研究院,沈阳110169;中国科学院沈阳自动化研究所,沈阳110016
  • 3. 国家电网辽宁省电力有限公司检修分公司,沈阳110016
  • 4. 国家电网江苏省电力有限公司营销服务中心(计量中心),南京210000
  • 折叠

摘要

目前长短期记忆网络(long short-term memory,LSTM)是滚动轴承剩余使用寿命(remaining useful life,RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM,Bi-LSTM)与多层感知机(multilayer perceptron,MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder,SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.

关键词

滚动轴承/剩余寿命预测/堆叠去噪自编码器/Bi-LSTM/多层感知机

引用本文复制引用

基金项目

国家重点研发计划(2018YFB1700200)

国家自然科学基金资助项目(U1908212)

国家自然科学基金资助项目(61773368)

兴辽英才项目(XLYC1907057)

国家电网有限公司总部科技项目(5210EF18001x)

出版年

2021
江苏科技大学学报(自然科学版)
江苏科技大学

江苏科技大学学报(自然科学版)

北大核心
影响因子：0.373
ISSN：1673-4807
被引量2
参考文献量9
段落导航相关论文