防尘网

基于混合学习的设备健康监控与寿命预测综述

  (图片来源网络)

  1.基于CNN与GRU的航空发动机剩余寿命预测

  本文首先利用CNN提取传感器数据的局部抽象特征,然后采用具有长短期记忆能力的GRU作为回归器来记忆序列的前后关系并预测寿命,最后在预测值输出之前再使用CNN进行滤波,提高预测值的稳定性和准确度。

  图1基于CNN与GRU的神经网络结构图

  2.基于深度学习的缓变故障早期诊断及寿命预测

  本文针对早期缓变故障幅值小、故障特征不明显等特点,利用深度学习对微小故障进行逐层特征提取,通过PCA对抽取到的多维深层特征做集成融合得到故障特征量指标据此建立非线性拟合函数进行RUL预测。

  图2缓变故障早期诊断及寿命预测流程图

  3.基于PCA与DBN的航天发动机气路系统故障诊断

  针对航天发动机气路系统故障诊断问题,本文提出一种PCA与DBN相结合的方法,该方法首先利用主元分析对发动机检测数据进行降维处理,然后采用深度信念网络对获取的最优特征参数数据创建故障诊断模型,实验结果表明,加入PCA能有效地提高模型的预测能力。

  图3基于PCA与DBN的航天发动机气路系统诊断流程

  4.基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

  本文针对轴承故障诊断问题,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆(LSTM)的诊断方法,首先构造小波卷积自编码器(WCAE),以最大相关熵作为损失函数并加入收缩项防止过拟合,然后利用堆叠的WCAE(DWCAE)提取深层特征,最后连接到LSTM建立故障诊断模型。

  图4基于小波卷积自编码器和LSTM的神经网络结构图

  5.AHybridMethodforLifePredictionofRailwayRelaysBasedonMulti-LayersDecompositionandRBFNN

  本文提出了一种基于多层分解和径向基函数神经网络(RBFNN)的铁路继电器寿命预测新方法,为了提高预测精度,首先提出了一种混合完全集成经验模态分解(CEEMD)和改进的变分模态分解(IVMD)数据预处理的多层分解方法,然后将RBFNN应用于各构件进行预测,将各组分的预测结果重构为预测退化序列,实验结果表明,该方法有效的同时具有很好的鲁棒性。

  6.AmultimodalandhybriddeepneuralnetworkmodelforRemainingUsefulLifeestimation

  本文针对剩余寿命预测提出了HDNN框架,包括两个并行路径(一个LSTM和一个CNN),紧随其后的是一个全连接层将这两条路径的输出相结合,形成目标原则。HDNN利用LSTM路径提取时间特征,同时利用CNN提取空间特征。实验结果表明,随着运行条件和故障模式的增加,所提出的HDNN框架的性能明显优于其他同类方法。

  图5HDNN框架图

  7.Anoveladversariallearningframeworkindeepconvolutionalneuralnetworkforintelligentdiagnosisofmechanicalfault

  在机械设备的智能检测及故障诊断领域,考虑到诊断模型可能不适用于训练期间未观察到的条件,因此,本文将对抗性学习作为正则化方法引入到卷积神经网络中,并在此基础上提出了一种新的深度对抗性卷积神经网络。通过增加一个额外的判别分类器,可以开发一个对抗性学习框架,用分裂数据子集训练卷积块,有助于增强特征表示的鲁棒性,提高训练模型的泛化能力,避免小样本标记样本的过拟合。

  8.Heterogeneousdata-drivenhybridmachinelearningfortoolconditionprognosis

  本文针对刀具状态预测问题提出了一个混合机器学习方法,首先将表面和磨损图像输入到CNN中来别表面粗糙度和磨损严重程度,然后将结果送入RNN中来寻找toolconditiondegration和powerprofiles之间的关系,所开发的RNN包含两个部分:用于预测刀具磨损过程的双向RNN结构和用于预测表面粗糙度的双层感知器。本文通过对H13钢和Inconel718的铣削实验,验证了该方法的准确性。

  图6基于功率曲线和过程参数的混合神经网络用于刀具磨损过程和零件表面粗糙度的预测结构图

  9.Hybridforecastingmodelbasedonlong-shorttermmemorynetworkanddeeplearningneuralnetworkforwindsignal

  针对风力机迎风相应预测,本文提出一种混合模型,即MTL-convLSTM,该方法综合了CNN、LSTM、SVM等模型,首先将LSTM内部的矩阵乘法替换为卷积运算,然后利用堆叠的convLSTM进行特征提取,最后在训练好的convLSTMs后面连接SVM进行分类预测。

  图7卷积LSTM结构

  图8模型结构图

  10.Remainingusefullifeestimationusingabidirectionalrecurrentneuralnetworkbasedautoencoderscheme

  本文提出一种新的基于传感器的数据驱动剩余寿命预测方法,该方法分为两步,第一步利用基于双向递归神经网络的autoencoder(BiRNN-ED)将多传感信号(多维数据)转化为低维embeddings,用来构建反应健康退化模式的一维healthindex(HI)曲线。第二步,利用基于相似性的曲线匹配技术将testHI与offline阶段获得的退化模式进行比较,以此来估计剩余寿命。

  图9方法流程图

  图10双向RNN解-编码器

  11.RemainingUsefulLifePredictionforLithium-lonBatteriesBasedonaHybridModelCombiningtheLong-ShortTermMemoryandElmanNeuralNetwork

  针对电池剩余寿命预测为题,本文提出一种新的混合模型,首先利用EMD将电池容量数据分解为不同的sub-layers,然后建立Elman神经网络预测high-frequencysublayer,建立LSTM预测low-frequencysublayer,最后综合起来作为最终的预测结果。

  图11基于混合学习的锂电池剩余寿命预测流程结构图

  12.Remainingusefullifepredictionoflithium-lonbatteriesBasedonfalsenearestneighborsandahybridneuralnetwork

  考虑到数据驱动方法预测剩余寿命通常根据经验定义不可靠的滑动窗口大小,其预测精度需要提高,因此,本文提出了一种基于伪近邻的混合神经网络。首先,利用falsenearestneighbors(FNN)方法计算预测所需的滑动窗口大小。其次,将卷积神经网络的优点与长短时记忆的优点相结合,设计混合神经网络(CNN-LSTM)进行模型训练和预测,该方法具有广泛的通用性和较低的误差。

  图12基于伪近邻混合神经网络锂电池剩余寿命预测结构图

  (图侵删)

  文章作者/苗梦奇余建波编辑/兰欢

  扫描二维码

  关注我们

  人工智能与先进智能制造

未经允许不得转载:防尘网_防尘网生产厂家_防尘网厂家_防尘网价格-富士防尘网 > 基于混合学习的设备健康监控与寿命预测综述

评论

留言与评论(共有 0 条评论)
   
验证码: