通过基于CNN-Bi-LSTM的域适应模型预测轴承的剩余使用寿命
Feifan Li1, Zhuoheng Dai1, Lei Jiang1
1School of Information Engineering, College of Science & Technology, Ningbo University, Ningbo 315000, China.
Sensors (Basel, Switzerland)
|November 9, 2024
概括
本研究引入了一种新的方法,用于预测机械轴承的剩余使用寿命 (RUL),使用神经网络进行特征工程. 该方法在不同操作条件下增强了模型的概括性,提高了预测准确性.
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:
- 精确的机械轴承剩余使用寿命 (RUL) 预测对于工业维护和降低成本至关重要.
- 传统的RUL模型由于不同的操作条件和依赖于手动功能工程而难以通用.
- 开发强大的RUL预测模型,适应不同的操作环境是一个重大挑战.
研究的目的:
- 开发一种基于神经网络的功能工程方法,用于RUL预测.
- 为了提高RUL预测模型在不同操作条件中的通用性.
- 简化轴承健康评估模型的开发和维护.
主要方法:
- 利用卷积神经网络 (CNN) 来自动化从传感器数据的特征工程.
- 采用双向长短期记忆 (Bi-LSTM) 网络来捕获时间序列降解模式.
- 综合域调整技术,以减轻因不同操作条件造成的特征分布差异.
主要成果:
- 拟议的CNN-Bi-LSTM模型有效地预测了机械轴承的RUL.
- 域调整在不同的操作条件下显著提高了模型的通用性.
- 消除了手动功能选择和事先域名知识的需求.
结论:
- 基于神经网络的特征工程为RUL预测提供了强大的解决方案.
- 集成的域调整在现实工业环境中提高了模型性能和可靠性.
- 这种方法简化了预测性维护流程,从而降低了成本并提高了运营效率.
