Bi‑LSTM神经网络用于轴承剩余使用寿命预测研究

作     者：申彦斌 张小丽 夏勇 杨吉 陈双达 SHEN Yan-bin;ZHANG Xiao-li;XIA Yong;YANG Ji;CHEN Shuang-da

作者机构：长安大学工程机械学院道路施工技术与装备教育部重点实验室陕西西安710064 

出 版 物：《振动工程学报》 (Journal of Vibration Engineering)

年 卷 期：2021年第34卷第2期

页      面：411-420页

核心收录：

学科分类：080202[工学-机械电子工程] 08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：陕西省自然科学基础研究计划项目(2021M-169) 中央高校基本科研业务费(300102259203) 装备预研教育部联合基金资助项目(6141A02033111) 

主　　题：故障诊断 滚动轴承 Bi‑LSTM网络 多传感器样本 变长度输入 

摘      要：为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络(Bi‑directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测。此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi‑LSTM网络进行训练,使得模型接收连续数据而不是分段的数据。最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE‑Bi‑LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。