【《基于LSTM对轴承剩余使用寿命的预测案例分析》1900字】

基于LSTM对轴承剩余使用寿命的预测案例分析目录TOC\o"1-3"\h\u6472基于LSTM对轴承剩余使用寿命的预测案例分析 1299561.1LSTM的原理 1239101.2轴承剩余使用寿命预测的流程 270881.3实验与分析 3317261.3.1模型训练 3178111.3.2实验结果 3139431.4利用双指数函数拟合的结果 51.1LSTM的原理LSTM在RNN的基础上进行了改进，他比RNN多了一种新的隐藏细胞状态，并且有了各种门结构，可以对输入数据进行针对性的控制。这样的好处在于使自循环的权重可以自由的移动在数据传递中。现在最寻常的LSTM网络结构最早是由国外的Graves等人[13]提出。LSTM网络结构关系图[14]如图4-1所示。图4-1LSTM结构图从图中可以看出h（t-1）和x（t）指向遗忘门，因为遗忘门的作用是读取该两者在0-1的之间的一个数f（t），这个数的值会决定C（t-1）的保留程度，f（t）的计算公式为：（4-1）输入门作用是筛选h（t-1）和x（t）的数据然后决定将哪些新的信息传输给细胞状态，数据处理具体分为以下两部分，第一部分确定更新哪些值，通过用sigmod激活函数，第二部分是将a（t）增加到细胞状态中通过用tanh函数，计算公式为：（4-2）（4-3）在这之后便可以得到更新细胞的状态：（4-4）如图1所示，输出门的构成有以下2部分，h（t-1）、x（t）、激活函数sigmod构成了第一部分，C（t）和激活函数tanh构成了第二部分。（4-5）（4-6）式中的ơ就是sigmod激活函数。1.2轴承剩余使用寿命预测的流程LSTM网络有着数据处理的优势，可以自己挖掘数据的深层特征[15]。这样的好处是可以减少人为提取特征的步骤，使流程更加的方便。并且使得轴承的预测寿命得到的数据精准和智能。因此本文采用LSTM提取振动信号进行深度挖掘，提取特征。之后计算寿命百分比，将当前寿命时刻除以全部寿命时刻，接着就可以通过全连接映射层与寿命比构建联系，构建健康指标Hi。最后通过Hi预测剩余寿命RUL。具体步骤如下：（1）选取轴承的振动信号的部分数据作为训练集，并对振动信号进行FFT变换，可以得到频域幅值信号。（2）将得到的信号做归一化处理，之后通过由百分比寿命做成的输出训练模型，将处理后特征输入在里面。形如Dtra={xt，yt}Tt=1，其中xt∈RN*1（3）设定LSTM所需的一系列参数，将1中得到的频域幅值作为输入，接着凭借LSTM所用的权值共享处理数据，就可以得到有用信息，得到深层特征。（4）接着就可以将这深层特征代入到全连接层中，将得到的深层特征代入到当前轴承运行的状态中去，构成趋势性量化Hi，并且建立模型。（5）然后对测试集的振动信号做FFT转换，重复1的步骤，在经过3,4。在通过移动平移法对改值进行平滑，以此来提高RUL的精度。（6）利于多项式曲线拟合轴承剩余的退化趋势，来预测轴承的RUL。模型建立趋势性量化健康指标全连接神经网络训练集振动信号FFT频域幅值信号长模型建立趋势性量化健康指标全连接神经网络训练集振动信号FFT频域幅值信号长短时记忆神经网络获得趋势性量化健康指标获得趋势性量化健康指标RUL预测移动平均法滤波训练阶段所得模型FFT频域幅值信号测试振动信号RUL预测移动平均法滤波训练阶段所得模型FFT频域幅值信号测试振动信号 图4-2轴承预测寿命流程度1.3实验与分析1.3.1模型训练将训练集数据作为LSTM的输入数据，对训练集进行训练，训练进度曲线如图4-3所示。图4-3训练进度曲线从上图可以看出，均方根误差和损失会随着训练次数的增加而降低并且会迅速收敛，在训练不到200次的时候二者趋于稳定，并且损失几乎为0。1.3.2实验结果通过利用LSTM网络对6个训练集进行训练，得到LSTM-HI模型，得到的退化曲线如下图3.4所示。图3.4训练集轴承退化曲线利用训练好的LSTM-HI模型，对测试集上的数据进行寿命的预测，以轴承1_3为列，通过模型构建的轴承退化曲线如1.5所示。由该曲线图可以看出，随着轴承的持续退化，它的退化值大体是呈上升趋势，说明曲线可以大体上表示出轴承的退化过程。图1.5轴承退化曲线由于曲线中有很多不同程度的波动，会影响到后续对轴承剩余使用寿命的预测。所以，本文对曲线进行平滑通过使用简单滑动平均法，并且为设置大小为20的滑动窗口，下图1.6为轴承的退化曲线，其中绿线为平滑后的曲线。图1.6经过平滑后的轴承退化曲线由图1.6可以看出，经过平滑后的轴承退化曲线，随着时间的增加，它的退化值也持续增加，说明了轴承会随着时间的推移而不断退化。因此用LSTM构建健康指标（HI）能表示轴承的退化过程。1.4利用双指数函数拟合的结果本文以轴承1_3为例，用双指数函数模型对LSTM方法建立的退化曲线进行拟合。双指数函数模型现在已经被证明是有效的曲线拟合和预测的模型。描述位：Y=ae其中，Y表示为退化值，a、b、c、d为模型参数，k为采样序号。在通过LSTM构建的模型后，利用双曲线模型对其进行拟合，如1.1所示。图1.1利用双指数函数对轴承退化曲线拟合的结果其中，红色实线为双指数函数拟