科研之友
微信
新浪微博
Facebook
分享链接
摘要
剩余使用寿命(remaining useful life, RUL)预测是保障机械装备可靠性、可用性和安全性的重要技术.本文提出一种基于嵌套长短期记忆(nested long short-term memory, NLSTM)网络的机械装备RUL预测方法,它通过融合多传感器监测信号,实现对机械装备RUL的精确预测.区别于普通LSTM网络, NLSTM将存储单元进一步加深,将一个LSTM神经元结构嵌套在原有LSTM的存储空间中,实现对多传感器时间序列信号中长期依赖性的深度捕捉.本文使用涡扇发动机和加工刀具两个实验案例来验证NLSTM的预测性能;从涡扇发动机案例验证可知,相比于LSTM, NLSTM的预测性能在两个指标上分别整体提升了4.66%和15.18%,且NLSTM的预测结果也优于文献中的其他先进方法;从加工刀具案例验证可知, NLSTM的预测结果在六个刀具上的预测结果均优于LSTM.
- 单位
