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

来源：振动工程学报, 2021, 34(02): 411-420.

DOI：10.16385/j.cnki.issn.1004-4523.2021.02.022

• 故障诊断
• 滚动轴承
• Bi-LSTM网络
• 多传感器样本
• 变长度输入

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。

• 单位
  长安大学