CN110555273A 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 （苏州大学）_第1页
CN110555273A 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 （苏州大学）_第2页
CN110555273A 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 （苏州大学）_第3页
CN110555273A 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 （苏州大学）_第4页
CN110555273A 基于隐马尔科夫模型和迁移学习的轴承寿命预测方法 （苏州大学）_第5页
已阅读5页，还剩22页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

基于隐马尔科夫模型和迁移学习的轴承寿本发明公开一种基于隐马尔科夫模型和迁时频域和三角函数特征的特征集合；(2)将特征发生时刻；(3)将来自所有源域和部分目标域的特征集合组成训练集输入构建的多层感知机模经网络寿命预测模型；(4)将剩余的目标域特征2(4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测：根据迁移学习(5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型，根据输出值预测2.如权利要求1所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征3.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征4.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征5.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征6.如权利要求1所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征7.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征3h2＝f(W2h1+b2)；h1＝f(W1x+b1)；是Sigmoid激活函数；W3是隐层HL2和输出层的8.如权利要求3所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征9.如权利要求2所述的基于隐马尔科夫模型和迁移学习的轴承寿命预测方法，其特征4[0004]但是目前的寿命预测方法通常存在两点缺陷：1)故障发生时刻(FOT)被忽视或者通过经验决定。然而准确确定FOT很重要因为故障无关的信息诸如噪声被抑制同时重要的[0010](4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测：根据迁移[0011](5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型，根据输出值5[0031]Wd是隐层HL3和域判别输出层的权重系数；bd是隐层HL3和域判别输出层3为隐层HL3的输出。67[0055]其中，两组传感器分别位于X轴方向和Y轴方向采集轴承运行[0063](4)取滚动轴承运行在故障发生时刻以后的特征集合用于其寿命预测：根据迁移[0064](5)将剩余的目标域特征集组成测试集输入神经网络寿命预测模型，根据输出值8[0080]Wd是隐层HL3和域判别输出层的权重系数；bd是隐层HL3和域判别输出层3为隐层HL3的输出。MMD)；9)；)；试集(剩余无标签的目标域样本)就可以实现滚动轴承的寿命预测，表6为测试样本在不同//1用隐马尔科夫模型和迁移学习方法实现对不同工况下滚动

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论