CN113987834B 一种基于can-lstm的铁路列车轴承剩余寿命预测方法 （华东交通大学）

一种基于CAN-LSTM的铁路列车轴承剩余寿本发明提出了一种基于CAN-LSTM的铁路列动信号预测出铁路列车轴承剩余使用寿命(RUL)。针对传统的铁路列车轴承寿命预测方法输入。利用CAN学习通道和时间维度中的深层故结果进行处理，实现轴承RUL预测。实验结果表2预测结果评价：为降低震荡对预测值的影响，采用五2.根据权利要求1所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特步骤构建故障特征参数集的步骤中，提取铁路3.根据权利要求1所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特4.根据权利要求1所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特5.根据权利要求4所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特注意力机制的构建过程为：注意力机制包括通道3t6.根据权利要求1所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特7.根据权利要求6所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特对LSTM网络超参数进行调整；如果过拟合，则适当减少学习率、8.根据权利要求7所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特9.根据权利要求4所述的一种基于CAN-LSTM的铁路列车轴承剩余寿命预测方法，其特4损失和影响，因此对铁路列车轴承在运行中的健康状态进行实时监测和剩余使用寿命机器学习算法是当前设备寿命预测研究算法多种网络模型结构，基于卷积神经网络(CNNs)的相关算法有较好的处理时间序列的能力。[0004]长短期记忆网络(Longshort-termmemory,LSTM)是对循环神经网络的一种改5标准振幅相比，轴承振幅显著增加的时刻，这一时刻定义为轴承退化点并开始预测轴承映射与特征映射相乘最终得到轴承数据第二6t7便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、[0050]本发明所提模型由特征学习网络CAN和预测网络LSTM组成。CAN-LSTM结构示意图t8[0058]LSTM在实际训练过程中可以有效减轻梯度消失或爆炸的问题并获取数据间的时nh(e,)(8)Whfcif[0069]2)定义故障时间标签：以轴承退化点到完全失效的时间作为轴承的RUL，将关于和空间维度深层故障特征。使用CAN模型对第一特征序列进行特征提取，得到第二特征序9[0078]每个工况各有5个轴承，分别命名为Bearing1_1-Bearing1_5,Bearing2_1-Bearing2_5,Bearing3_1-Bearing3_5,本文模型选用每种工况中的其中一组轴承数据为测i作为标签，为当前时刻和失效时刻之间的时间差值与故障起始时刻和失效时预测值。为了验证剩余寿命预测方法的准确性，采用均方根误差(RMSE)和平均绝对误差[0091]为了更全面的验证本发明所提模型的准确性和适应性，采用留一法进行预测验[0094]从表1中可以看出，CAN-LSTM模型的预测值相对于其它三种模型有较好的预测精LSTM的综合均方根误差和综合平方绝对误差比CNN模型低54.12％和59.05比LSTM模型