在深度学习下,基于1D-CNN-LSTM混合神经网络的高性能滚动轴承的磨损预测
Lai Hu1,2, Jian Wang3, Heow Pueh Lee2
1State Key Laboratory of Tribology in Advanced Equipment, Tsinghua University, Beijing, 100084, PR China.
Heliyon
|September 16, 2024
概括
使用深度学习预测滚动轴承的寿命,大大减少了时间和成本. 具有所有参数的1D-CNN-LSTM模型为轴承磨损预测提供了最佳的准确性.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 预测性维护是指预测性维护.
背景情况:
- 传统的滚动轴承寿命测试是耗时和昂贵的.
- 准确预测轴承磨损对于运营效率和安全至关重要.
- 有大量的滚动轴承性能数据集可供分析.
研究的目的:
- 开发一种更快,更具成本效益的方法来预测滚动轴承的寿命.
- 利用深度学习模型进行准确的轴承磨损预测.
- 为了确定最佳的参数和算法可靠的寿命预测.
主要方法:
- 利用了791,152个滚动轴承数据点的大数据集.
- 实现并比较了1D-卷积神经网络 (1D-CNN) 和1D-CNN-长期短期记忆 (1D-CNN-LSTM) 混合神经网络.
- 采用Python进行数据分析和预测建模,专注于轴承磨损作为目标变量.
主要成果:
- 使用所有可用的参数的1D-CNN-LSTM算法展示了最好的预测性能.
- "XYZ方向移位"和"所有参数"显示出对预测磨损的最佳合适效果,平均绝对百分比误差 (MAPE) 较低.
- 与其他方法相比,1D-CNN-LSTM模型与所有参数显著减少了预测时间.
结论:
- 1D-CNN-LSTM模型为预测滚动轴承磨损寿命提供了有效和高效的解决方案.
- 这种深度学习方法为传统的生活测试提供了有价值的替代方案,节省了时间和资源.
- 该研究为轴承企业提供了一种实际的磨损预测方法,并为未来研究奠定了基础.
