原文服务方: 中国机械工程       
摘要:
在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息.为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型.该模型主要由两部分组成:前端为并行多通道卷积网络(PMCC-NN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理.在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%.
推荐文章
基于卷积神经网络与双向长短时记忆网络组合模型的短时交通流预测
智能交通
短时交通流预测
深度学习
CNN
BiLSTM
基于双向长短时记忆单元和卷积神经网络的多语种文本分类方法
多语种文本分类
长短时记忆单元
卷积神经网络
基于长短时记忆神经网络的风电机组滚动轴承故障诊断方法
风电机组
滚动轴承
故障诊断
回归神经网络
长短时记忆神经网络
小波包变换
基于长短时记忆网络的仿真系统数据故障诊断方法
故障诊断
长短时网络
神经网络
数据分析
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于并行多通道卷积长短时记忆网络的轴承寿命预测方法
来源期刊 中国机械工程 学科
关键词 多通道 并行多通道卷积神经网络 长短时记忆网络 轴承 剩余使用寿命预测
年,卷(期) 2020,(20) 所属期刊栏目 智能制造
研究方向 页码范围 2454-2462,2471
页数 10页 分类号 TH133
字数 语种 中文
DOI 10.3969/j.issn.1004-132X.2020.20.008
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (107)
共引文献  (39)
参考文献  (16)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1962(1)
  • 参考文献(0)
  • 二级参考文献(1)
1996(1)
  • 参考文献(0)
  • 二级参考文献(1)
1999(1)
  • 参考文献(0)
  • 二级参考文献(1)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2003(1)
  • 参考文献(0)
  • 二级参考文献(1)
2004(1)
  • 参考文献(0)
  • 二级参考文献(1)
2006(3)
  • 参考文献(0)
  • 二级参考文献(3)
2007(1)
  • 参考文献(0)
  • 二级参考文献(1)
2008(5)
  • 参考文献(0)
  • 二级参考文献(5)
2009(3)
  • 参考文献(0)
  • 二级参考文献(3)
2011(3)
  • 参考文献(0)
  • 二级参考文献(3)
2012(4)
  • 参考文献(0)
  • 二级参考文献(4)
2013(9)
  • 参考文献(0)
  • 二级参考文献(9)
2014(8)
  • 参考文献(0)
  • 二级参考文献(8)
2015(21)
  • 参考文献(0)
  • 二级参考文献(21)
2016(19)
  • 参考文献(0)
  • 二级参考文献(19)
2017(20)
  • 参考文献(0)
  • 二级参考文献(20)
2018(11)
  • 参考文献(6)
  • 二级参考文献(5)
2019(10)
  • 参考文献(10)
  • 二级参考文献(0)
2020(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
多通道
并行多通道卷积神经网络
长短时记忆网络
轴承
剩余使用寿命预测
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
中国机械工程
月刊
1004-132X
42-1294/TH
大16开
湖北省武汉市洪山区南李路湖北工业大学
1990-01-01
中文
出版文献量(篇)
13171
总下载数(次)
0
总被引数(次)
206238
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导