基于集成神经网络的剩余寿命预测

• 作者: 张永峰 陆志强
• 来源期刊: 工程科学学报
• 学科: 工学
• 关键词: 卡尔曼滤波 剩余寿命预测 神经网络 深度学习 集成学习
• 年，卷（期）: 2020,（10）
• 页码范围: 1372-1380
• 页数: 9页
• 分类号: TP399
• 语种: 中文

摘要

针对机器或设备的剩余寿命(Remaining useful life,RUL)预测精度低的问题,提出基于一维卷积神经网络(Convolutional neural network,CNN)和双向长短期记忆(Bidirectional long short-term memory,BD-LSTM)的集成神经网络模型.为了更好地抽取时间序列上的特征,以及产生更多的训练样本,采用滑动窗口对数据进行处理,同时采用卡尔曼滤波对数据进行降噪处理,将数据标准化以及设置RUL标签.与人工提取特征不同,利用一维CNN对数据进行特征提取,并舍弃了CNN中的池化层.然后将提取到的高维特征输入到BD-LSTM进行回归预测,并采用Bagging的方式对此神经网络进行集成来预测RUL.最后通过在NASA的数据集上验证该模型的有效性,以及相比于其他机器学习或者深度学习模型的优越性,实验表明所提模型在RUL预测方面更加准确.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陆志强		72	356	10.0	15.0
2	张永峰		1	0	0.0	0.0