飞机在多种工况条件下运行时,发动机退化特征复杂性不断增加,导致发动机剩余寿命预测精度低。针对此问题,提出一种基于聚类分析的端到端剩余寿命(RUL)预测方法。采用K-Means聚类方法对发动机的多种工况和运行条件进行分组;再利用卷积神经网络(CNN)提取反映剩余寿命复杂动态变化的高维特征,将结果输入到双向门控循环单元(BiGRU)中学习特征之间的变化规律,设计并引入了新的混合注意力机制(HAM),充分考虑变量之间的关系,对重要特征信息赋予更大的权重,同时抑制冗余信息的影响;然后进行非线性变换,获得RUL预测结果;最后使用粒子群优化算法对神经网络的超参数进行调优。采用美国航天局NASA研究中心提供的涡轮发动机模拟数据集验证所提网络模型的有效性。结果表明对于多工况运行条件,所提方法的均方根误差相比于CNN、LSTM、BiLSTM、CNN-LSTM分别降低...

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。