首页|基于深度学习与增量更新的滚动轴承故障预测方法研究

基于深度学习与增量更新的滚动轴承故障预测方法研究

Research on fault prediction method of rolling bearing based on DLSTM and incremental learning

扫码查看
原文链接
  • NETL
  • NSTL
  • 维普
  • 万方数据
为解决滚动轴承故障预测方法中存在的专家知识依赖性强、计算时间过长、局限于特定静态故障类型等问题,提出了一种基于深度学习与增量更新的滚动轴承故障预测方法.设计滚动轴承故障预测模型的总体框架,在堆叠了自编码器与时间编码器的基础上,搭建了全连接层和线性回归层以及故障诊断器,从原始滚动轴承数据集中训练出故障预测深度学习模型(DLSTM-CNN);进而,提出了基于增量学习的预测模型参数动态更新机制,使得模型具备参数自学习与自更新能力;最后,基于凯斯西储大学的轴承故障公共数据集进行对比实验,验证了所提预测方法的有效性.研究结果表明:所提方法的均方根误差值为0.165,具备较好的滚动轴承故障预测结果.

王文波、彭伟、顾寄南、程睿驰

展开 >

江苏大学机械工程学院,镇江212013

故障预测 滚动轴承 关键特征 深度学习 增量学习

国家自然科学基金

52105516

2022

10.11917/j.issn.1673-4807.2022.05.009

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
年,卷(期)：2022.36(5)
  • 6