Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán tuổi thọ còn lại của vòng bi sử dụng IMMFE và BiLSTM-GRU-LR
Journal of the Brazilian Society of Mechanical Sciences and Engineering - Tập 43 - Trang 1-18 - 2021
Tóm tắt
Sự can thiệp của tiếng ồn trong các tín hiệu thu được dẫn đến các tín hiệu không phi tuyến và không tĩnh trong quá trình vận hành của máy móc quay. Do đó, tỷ lệ nhận diện của việc trích xuất đặc trưng và dự đoán tuổi thọ vòng bi lăn cực kỳ thấp. Mạng nơ-ron hồi tiếp có khả năng xử lý hiệu quả dữ liệu chuỗi thời gian đa chiều. Dự đoán tuổi thọ còn lại của vòng bi lăn dựa trên học sâu đã trở thành một công cụ đầy hứa hẹn. Các công cụ học sâu không phụ thuộc vào đặc điểm của vòng bi lăn hoặc dữ liệu chuỗi đa góc nhìn. Bài báo này trình bày một phương pháp dự đoán tuổi thọ còn lại của vòng bi lăn bằng cách sử dụng mạng nơ-ron tuần hoàn cải tiến. Đầu tiên, một hàm entropy mờ nhiều quy mô trung bình cải tiến (IMMFE) tích hợp với phân tách kinh nghiệm tập hợp bổ sung với tiếng ồn thích ứng được đề xuất để trích xuất các giá trị đặc trưng cổ điển của vòng bi lăn như một chỉ số đánh giá sự suy giảm hiệu suất mới nhằm cải thiện mối tương quan của đặc trưng tuổi thọ còn lại. Thứ hai, một hồi quy lasso và mạng nơ-ron đơn vị hồi tiếp hai hướng dài-ngắn hạn-gated (BiLSTM-GRU-LR) được thiết lập để dự đoán tuổi thọ còn lại của vòng bi lăn. Thuật toán đã được xác thực thực nghiệm bằng cách sử dụng dữ liệu tuổi thọ vòng bi của Trung tâm Bảo trì Thông minh Mỹ (IMS). Kết quả thực nghiệm cho thấy phương pháp BiLSTM-GRU-LR được đề xuất, sử dụng các tập đặc trưng IMMFE, có độ robust tốt và độ chính xác nhận diện cao khi dự đoán tuổi thọ còn lại của vòng bi lăn trong các điều kiện lỗi.
Từ khóa
#Tuổi thọ còn lại #Vòng bi lăn #Học sâu #Mạng nơ-ron hồi tiếp #Entropy mờ nhiều quy môTài liệu tham khảo
Cheng Li, Xia Xintao, Liang YE (2019) Nonlinear characteristics of rolling bearing vibration and reliability analysis of performance maintenance. Mech Transmission 43:104–112 +117.
Yang Da-chun, Hilbert Y (2019) Spectrum analysis method of rolling bearing vibration signals based on set empirical mode decomposition. Mech Manu 57:29–32 +79.
Lv Kaibo, LIU Hunju, LVKai-bo et al (2008) Research on the prediction method of mechanical fatigue life based on finite element method. Mech Eng Autom 6:113–114.
Jianguo Y, Jiansong H, Yuebing L et al (2018) Quality grade method for fatigue assessment of welded structures with surface cracks. J Mech Eng 54:82–89
Haodong Li, Ying Xu, Dong An, Lixiu Zhang, Songhua Li (2020) Application of a flat variational modal decomposition algorithm in fault diagnosis of rolling bearings. J Low Freq Noise V A 39 (2):335–351.
Yiqun M., Xiaoping W, lun A (2012) Fatigue life prediction of ductile iron based on DE-SVM algorithm. Phys Proc 33:1309–1315
Heng Wang, Jinhai Chen, Jiangming Qu, Guangxian Ni, Muhammad I (2020) Bearing remaining useful life prediction using support vector machine and hybrid degradation tracking model. ISA Trans 33:471–482.
Shaojiang Dong, Tianhong Luo (2013) Bearing degradation process prediction based on the PCA and optimized LS-SVM model. Measurement 46:3143–3152.
Meng G (2017) Application Research of Sparse Expression of Signals in Rolling Bearing Fault Feature Extraction and Intelligent Diagnosis. China University of Science and Technology, Taiwan
Xiaomei Q, Wentao S, Feng W, Hongbo Z, Yajun J (2019) Prediction of bearing residual life based on correlation coefficient and BP neural network. Modular Mach Tool Autom Machining Tech 4:63–65
Shike LI (2019) Fatigue life prediction and application of top beam of hydraulic support based on LM-BP neural network. China Mining Ind 28:92–96
Jidong Z, Yisheng Z, Jialin D, Xiaolu Z (2019) Prediction of residual life of bearings based on full convolution layer neural network. China Mech Eng 30:2231–2235
Shaopeng LI (2019) Research on prediction method of rolling bearing residual service life combining CNN and LSTM. Harbin University of Science and Technology, China
Gao Yulin G (2018) Multimodal fault diagnosis and residual life prediction based on deep learning. Henan University, China, Phd
Ji-biao L, Jun-sheng C, Yan-fei L (2016) Life prediction method of rolling bearing based on LCD and GMM. Mod Manuf Eng 07:120–124
Guo Li et al (2017) A recurrent neural network based health indicator for remaining useful life prediction of bearings. Neurocomputing 240:98–109.
Han L, Jianzhong Z, Yang Z, Wei J, Yuncheng Z (2018) Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders. ISA Trans 77:168–178
Saisai Wang, Jie Chen, Hua Wang, Dianzhen Zhang (2019) Degradation evaluation of slewing bearing using HMM and improved GRU. Measurement,146.
Hua J, Hong O, Hongwang F et al (2020) Time-resolved reconstruction of flow field around a circular cylinder by recurrent neural networks based on non-time-resolved particle image velocimetry measurements. Exp Fluids 61:4
Hao Zhifeng, Huang Hao, Cai Ruichu (2018) Fine-grained opinion analysis based on multi-feature fusion and bidirectional RNN. Comput Eng 07:199–204 +211.
Zangcuomao G (2019) Application of bidirectional cyclic neural network in speech recognition. Comput Modern 10:1–6
Shujing Z, Kaichao M, Yali Z (2019) Implementation of meteorological early warning information quality control system based on Bi-LSTM-CRF algorithm. Comput Modern 6:111–115
Tago K, Takagi K, Jin Q (2019) Polarity classification of tweets considering the Poster’s Emotional change by a combination of Naive Bayes and LSTM. In: Misra S et al, (eds) Lecture Notes in Computer Science, Proceedings of computational science and its applications—ICCSA 2019, Saint Petersburg, Russia. Springer, Cham.
Hongmei Z, Jinhui Z (2019) Weak fault feature extraction of rolling bearing combined adaptive MCKD with CEEMDAN. J Electron Meas Instrum 4:79–86
Yang Lei, Huang Yuansheng, Zhang Xiangrong et al. (2020) Research on short-term Wind speed Combined variable Weight Prediction Model based on set empirical Mode decomposition and Lasso algorithm. Power System Protection and Control 048(010):81–90.