基于C-DRGAN和AD的行星轮轴承寿命预测方法.pdf
Ro****44
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
基于C-DRGAN和AD的行星轮轴承寿命预测方法.pdf
本发明公开了一种基于C‑DRGAN和AD的行星轮轴承寿命预测方法。所述方法包括如下步骤,步骤一:将门控循环单元神经网络与条件生成对抗网络相结合,构建C‑DRGAN,从复杂非静态信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;步骤二:将行星轮轴承剩余寿命预测的训练样本看作C‑DRGAN的输入数据,采用基于AD的训练算法训练C‑DRGAN,提高收敛速度,降低训练时间;步骤三:根据训练后的C‑DRGAN,利用NNBC预测测试样本中行星轮轴承的剩余寿命。实施例的结果表明本发明具有较强的复杂非静态
基于InfoLSGAN和AC算法的轴承寿命预测方法.pdf
本发明公开了一种基于InfoLSGAN和AC算法的轴承寿命预测方法。所述方法包括如下步骤,步骤一:将SDAE、InfoGAN和LSGAN相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;步骤二:采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;步骤三:根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中风电齿轮箱轴承的剩余寿命。实施例的结果表明本发明具有较强的噪声适应能力,并能在小样本情况下准确地预测风电齿轮箱轴承的剩余寿命
基于PC-TCN和迁移学习的轴承寿命预测方法.pdf
本发明涉及轴承状态识别及寿命预测技术领域,具体为基于PC?TCN和迁移学习的轴承寿命预测方法。包括以下步骤,S1~获取某种工况下的全寿命周期的轴承振动信号;将轴承的原始X轴振动信号和Y轴振动信号进行融合,融合归一化处理;S2~将源域全寿命周期的振动信号,以剩余寿命百分比的形式,标记0到1之内的健康状态标签,然后将源域训练数据输入模型;S3~输入源域训练数据经过CNN提取振动信号特征后;S4~设置PSO算法的参数,对CNN和TCN的参数进行寻优,得到最优参数;S5~将目标域无标签振动信号输入到训练好的PC?
基于单源领域泛化的跨域轴承寿命预测方法和系统.pdf
本发明涉及轴承寿命预测领域,尤其涉及一种基于单源领域泛化的跨域轴承寿命预测方法和系统。为了解决现有技术中轴承寿命预测精度低的缺陷,本发明中采用的预测器由数据预处理模块和寿命预测模块组成,数据预处理模块用于构建由振动数据样本的时域特征峰峰值时间序列以及该时间序列归一化值构成的数据对序列作为寿命预测模块的输入,以预测轴承在振动数据样本采集时间上的剩余寿命。本发明有利于避免不同轴承的数据分布差异性,保证了通过学习源轴承获得的预测器用于预测目标轴承的精确性。如此,在通过源轴承数据增加数据分布的多样性的同时,也避免
一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法.pdf
本发明公开了一种基于LSTM和TDNN的滚动轴承剩余寿命预测方法,包括步骤:(1)提取训练轴承原始振动信号的时域特征,构成时域特征集,并针对每个特征做最小?最大规范化处理;(2)利用至少两种非线性函数构造健康因子,然后依次利用LSTM、TDNN构建训练特征与健康因子以及健康因子与剩余寿命百分比之间的映射关系,搭建LSTM?TDNN剩余寿命预测模型;(3)输入测试轴承振动数据,经特征提取、归一化处理后,根据LSTM?TDNN预测模型获得剩余寿命估计值,并给出预测准确率的综合评价。本发明的滚动轴承剩余寿命预测