基于深度学习的缓变故障早期诊断及寿命预测

被引：20

作者：

周福娜 ^{[1
]}

高育林 ^{[1
]}

王佳瑜 ^{[1
]}

文成林 ^{[2
]}

机构：

[1] 河南大学计算机与信息工程学院

[2] 杭州电子科技大学自动化学院

来源：

山东大学学报(工学版) | 2017年 / 47卷 / 05期

关键词：

缓变故障; 早期诊断; 深度学习; 非线性拟合; 寿命预测;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; TP277 [监视、报警、故障诊断系统];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ; 0804 ; 080401 ; 080402 ;

摘要：

为了克服传统的早期微小故障诊断方法不能区分多个不同时刻发生故障的不足,提出一种将深度学习和PCA相结合的方法实现微小缓变故障早期诊断及寿命预测。对采集的数据进行深度学习实现逐层特征抽取,学习早期微小故障特征,建立微小缓变故障早期诊断模型,结合PCA方法将深度学习所抽取的高维故障特征向量集成为一个故障特征变量,根据历史故障数据特征变量演化规律定义数据驱动的故障演变标尺,并通过指数型非线性拟合方法建立寿命预测模型。选取TE平台数据进行算法有效性检验,并与其他算法对比,从而验证了所提出算法的有效性。

引用

页码：30 / 37

页数：8

共 16 条

[1]

Deep neural networks: A promising tool for fault characteristic mining and intelligent diagnosis of rotating machinery with massive data.[J].Feng Jia;Yaguo Lei;Jing Lin;Xin Zhou;Na Lu.Mechanical Systems and Signal Processing.2016,

[2]

Fault diagnosis based on dependent feature vector and probability neural network for rolling element bearings.[J].Xiaoyue Chen;Jianzhong Zhou;Jian Xiao;Xinxin Zhang;Han Xiao;Wenlong Zhu;Wenlong Fu.Applied Mathematics and Computation.2014,

[3] Data-driven soft sensor development based on deep learning technique [J].

Shang, Chao ;

Yang, Fan ;

Huang, Dexian ;

Lyu, Wenxiang .

JOURNAL OF PROCESS CONTROL, 2014, 24 (03) :223-233

[4]

Prognostic modelling options for remaining useful life estimation by industry.[J].J.Z. Sikorska;M. Hodkiewicz;L. Ma.Mechanical Systems and Signal Processing.2010, 5

[5] 基于数据驱动的微小故障诊断方法综述 [J].