-
题名基于DRN-BiGRU模型的滚动轴承剩余寿命预测
被引量：9
- 1
-
-
作者
陈倩倩
林天然
-
机构
青岛理工大学机械与汽车工程学院
-
出处
《机电工程》
CAS
北大核心
2022年第11期1575-1581,共7页
-
基金
国家科技部高等学校学科创新引智计划项目(D21017)
青岛市创新领军人才项目(181219ZHC)。
-
文摘
深度神经网络在剩余寿命预测(RUL)领域已获得了广泛应用,为进一步优化预测模型,充分提取数据间的时序信息,提高寿命预测的准确率,提出了一种结合深度残差网络(DRN)和双向门控循环单元(BiGRU)的剩余寿命预测(RUL)模型。首先,采用滑窗法对原始数据进行了重采样,对数据集进行了扩充;然后,设计了一种DRN-BiGRU网络模型,其中,利用DRN对输入数据进行空间特征提取,利用BiGRU捕获时域数据中包含的过去和未来两方向的相关特征,充分获取输入数据的时序退化信息,进一步改善了模型的特征提取效果;最后,采用公开发表的PHM2012数据集对模型进行了验证,并将得到的预测结果与采用DRN、DRN-GRU和全卷积神经网络(FCNN)模型获得的结果进行了对比。研究结果表明:在滚动轴承剩余寿命预测应用中,采用基于DRN-BiGRU模型的方法获得的3项误差值(MAE、MSE、RMSE)最低,预测Score值最高,分值为0.985;该结果验证了基于DRN-BiGRU模型在轴承剩余寿命预测应用方面的准确性和有效性。
-
关键词
预测与健康管理
数据驱动预测方法
剩余寿命预测模型
深度残差网络
双向门控循环单元
轴承加速退化数据集
-
Keywords
prognostic and health management(PHM)
data driven forecasting method
remaining useful life(RUL)prediction model
deep residual network(DRN)
bidirectional gated recurrent unit(BiGRU)
bearing accelerated degradation dataset
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
-
-
题名数据驱动型时间序列预测方法综述(英文)
被引量：3
- 2
-
-
作者
张伟
张锋
-
机构
第二炮兵工程学院
陕西科技大学造纸工程学院
-
出处
《陕西科技大学学报（自然科学版）》
2010年第3期22-27,共6页
-
基金
国家自然科学基金重点课题(No.60736026)
教育部新世纪优秀人才资助计划项目
-
文摘
阐述了时间序列、时间序列预测及其方法,研究了时间序列预测定量分析的主要内容——数据驱动型时间序列预测方法,分析了其预测原理、特点、关键技术和研究热点,在此基础上讨论了数据驱动型时间序列预测方法的适用性及发展趋势.
-
关键词
数据驱动时间序列预测方法
预测原理
预测特点
预测适用性
-
Keywords
data-driven time series forecasting methods
forecasting principles
forecasting characteristics
forecasting suitability
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
