精华内容
下载资源
问答
  • 数据预测是大数据最核心的应用,是它将传统意义的预测拓展到“现测”。大数据预测的优势体现在,它把一个非常困难的预测问题,转化为一个相对简单的描述问题,而这是传统小数据集根本无法企及的。从预测的角度看,...
  • python轴承寿命预测(附带GUI界面)源码
  • 美国西储大学轴承寿命预测
  • 轴承寿命预测,数据预处理时,需要特征提取进行时域变换,比如均方根、峭度、幅值等等。
  • python调用tensorflow.keras搭建长短记忆型网络(LSTM)——以预测股票收盘价为例 - 爆米LiuChen - 博客园 (cnblogs.com) 数据集:我采用的是2012PHM数据集 代码实现: 1.数据预处理 手动提取了振动信号的二十三维...

    这里我参考的博主代码

    python调用tensorflow.keras搭建长短记忆型网络(LSTM)——以预测股票收盘价为例 - 爆米LiuChen - 博客园 (cnblogs.com)

    数据集:我采用的是2012PHM数据集

    代码实现:

    1.数据预处理

    手动提取了振动信号的二十三维时域与频域特征后,根据相关性分析,选取其中七维数据作为输入。这部分也可以用tsfresh工具箱实现。

    对输入进行标准化;

    #标准化数据集
    outputCol = ['RUL']#输出列
    inputCol = ['a','b','c','d','e','f','g','RUL']#输入列
    X = data[inputCol]
    Y = data[outputCol]
    xScaler = StandardScaler()
    yScaler = StandardScaler()
    X = xScaler.fit_transform(X)
    Y = yScaler.fit_transform(Y)
    X.shape

    将输入格式转换为带有时间维度的输入,LSTM的输入格式中包含时间步长:

    #按时间步组成输入输出集
    timeStep = 5
    outStep = 1
    xAll = list()
    yAll = list()
    #按时间步整理数据 输入数据尺寸是(timeStep,5) 输出尺寸是(outSize)
    for row in range(data.shape[0]-timeStep-outStep+1):
        x = X[row:row+timeStep]
        y = Y[row+timeStep:row+timeStep+outStep]
        xAll.append(x)
        yAll.append(y)
    xAll = np.array(xAll).reshape(-1,timeStep,len(inputCol))
    yAll = np.array(yAll).reshape(-1,outStep)
    print('输入集尺寸',xAll.shape)
    print('输出集尺寸',yAll.shape)

    划分测试集,标准集:

    #分成测试集,训练集
     

    #分成测试集,训练集
    testRate = 0.2#测试比例
    splitIndex = int(xAll.shape[0]*(1-testRate))
    xTrain = xAll[:splitIndex]
    xTest = xAll[splitIndex:]
    yTrain = yAll[:splitIndex]
    yTest = yAll[splitIndex:]
    

    2.建立LSTM模型

    def buildLSTM(timeStep,inputColNum,outStep,learnRate=1e-4):
        '''
        搭建LSTM网络,激活函数为tanh
        timeStep:输入时间步
        inputColNum:输入列数
        outStep:输出时间步
        learnRate:学习率    
        '''
        #输入层
        inputLayer = Input(shape=(timeStep,inputColNum))
    
        #中间层
        middle = LSTM(100,activation='tanh')(inputLayer)
        middle = Dense(100,activation='tanh')(middle)
    
        #输出层 全连接
        outputLayer = Dense(outStep)(middle)
        
        #建模
        model = Model(inputs=inputLayer,outputs=outputLayer)
        optimizer = Adam(lr=learnRate)
        model.compile(optimizer=optimizer,loss='mse') 
        model.summary()
        return model
    
    #搭建LSTM
    lstm = buildLSTM(timeStep=timeStep,inputColNum=len(inputCol),outStep=outStep,learnRate=1e-4)

    最终预测效果:

    这是我初步用LSTM实现寿命预测问题,问题很多。用上一个时间步进行训练很容易造成滑移问题,且无实际价值。应当提取特征后建立健康指标,划分失效状态后处理。就相当于在这里记录下学习进展。

    展开全文
  • 轴承剩余寿命预测项目(projectRUL) 使用PHM2012大赛的轴承数据库,研究如何使用深度学习算法对滚珠轴承进行剩余寿命预测的试错项目 to prediction the remain useful life of bearing based on 2012 PHM data 2021-...
  • 输油臂中间回转轴承寿命预测.pdf
  • 基于BP神经网络的轴承寿命预测程序设计.pdf
  • 轴承寿命计算

    2018-09-18 15:43:16
    可以计算出轴承的使用寿命,年限,时间
  • 轴承剩余寿命预测

    千次阅读 2020-09-04 15:15:12
    轴承剩余寿命预测 yaguo lei老师团队做的轴承寿命图,清晰直观,放在这里随时看

    轴承剩余寿命预测

    yaguo lei老师团队做的轴承寿命图,清晰直观,放在这里随时看

    在这里插入图片描述
    在这里插入图片描述

    展开全文
  • 针对复杂机械设备剩余使用寿命难以预测的问题,提出了基于相似性的机械设备剩余使用寿命预测方法。基于相关性分析设计了特征量选取方案,通过计算预测数据与样本数据对应特征量的相似程度确定参考剩余使用寿命与权重,...
  • 针对球轴承的剩余寿命预测问题,基于自组织映射(Self organizing map,SOM)和反向传播(Back propagation, BP)两种神经网络,提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点...
  • 美国宇航局(NASA)网站轴承寿命周期数据时频域分析的matlab程序,挺好用的,祝大伙科研顺利!
  • 1.主要思想借鉴《Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery》一文 ... 2.1.下载下来如图所示:本次所用是第一个未被压缩文件(XJTU-SY_Bearing_...

    1.主要思想借鉴《Recurrent convolutional neural network: A new framework for remaining useful life prediction of machinery》一文

    2.这次使用的是西安交大转子数据集(百度网盘:Baidu Netdisk: https://pan.baidu.com/s/1OaY82azTXHBwjiCjA_jRcw)

      2.1.下载下来如图所示:本次所用是第一个未被压缩文件(XJTU-SY_Bearing_Datasets)

     2.2..所用文件夹:XJTU-SY_Bearing_Datasets的内部文件

    3.程序(把数据集位置换成自己的数据集位置,程序即可运行)

    # -*- coding: utf-8 -*-
    """
    Created on Wed Aug 25 19:15:50 2021
    
    @author: pony
    """
    import os
    import pandas as pd
    import numpy as np
    import tensorflow as tf
    def normal_sig
    展开全文
  • A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测 目录A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度...

    A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测

    前言

    A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings .Cheng, Cheng,Ma, Guijun,Zhang, Yong .IEEE/ASME Transactions on Mechatronics.2020.影响因子 5.673

    DEI-Degradation energy indicator.
    HHT Hilbert-huang transform.

    研究问题

    轴承的寿命预测

    摘要

    1、首先使用希尔伯特-黄变换来处理以构造可用作训练标签的新型非线性退化能量指标
    2、使用CNN来识别提取的退化能量指标训练轴承的原始振动之间的隐藏模式
    这使得自动估计测试轴承的退化程度成为可能。
    3、最后,利用ε-support向量回归模型预测了试验轴承的磨损量。

    本文贡献

    1)根据轴承部件的固有频率,提出的方法成功地提取了一个新的非线性退化能量指标(见图1,与线性时间退化指标相比)来描述训练轴承的退化趋势;
    2)所提出的CNN体系结构对于相似的运行条件是通用的和鲁棒的,它可以在不改变CNN超参数和层数的情况下,转移到另一个处于不同运行状态的轴承上,获得良好的预测结果;
    3)提出的振动指标是关于不同轴承之间的最大振动水平的综合指标,它其考虑了滚动元件轴承上所有可能的检测。这是一个更现实的指标,因为在实际的工业应用中,局部缺陷并不是一开始就存在的,这意味着必须考虑所有类型的缺陷
    4)CNN将训练方位和测试轴承的所有指标尺度化为一致的潜在空间。因此,训练和测试可以共享相同的故障阈值failure threshold (FT)
    在这里插入图片描述
    图1线性时间退化指示器(蓝色)与非线性DEI(黑色),作为网络训练的标签。非线性DEI在接近轴承寿命结束时经历了长时间的平坦曲线,然后出现急剧的退化趋势,这反映了大多数机械系统的真实退化过程。随着不同轴承部件的损伤在接近使用寿命结束时的累积,简单的时间退化指标对于RUL估计不如DEI有效。

    本文方法介绍

    本文利用神经网络技术估计轴承的RUL,作为一个预测问题,根据原始振动数据和提取的标签来了解非线性退化行为。**本文建立的神经网络模型不是利用神经网络技术进行时间序列预测,而是充分利用神经网络在自动特征提取方面的优势,揭示振动数据与训练轴承的退化指标之间的隐含依赖关系。
    **
    本文方法步骤
    1、从传感器采集的原始振动信号使用HHT方法进行处理,构造了一个新的时间序列退化指标
    2、训练从输入的原始振动特征到训练轴承上的DEI标签的CNN模型,并用于预测测试轴承的DEI
    3、使用ε-SVR预测轴承失效前的退化过程

    退化指标训练和RUL预测算法

    RUL预测的总体框架可分为三个部分。整体框架示意图如图2所示。
    这项工作的主要挑战包括:获得代表退化行为的DEI;
    I建立一个CNN模型,将原始振动信号映射到DEI;
    构建一个ε-SVR来预测RUL。
    因此,在以下小节中,将在第II-A节、第II-B节和第II-C节中导出退化特征提取、CNN模型和ε-SVR预测模型的显式表达式
    在这里插入图片描述
    图2 数据驱动的RUL预测框架。
    该框架包括三个阶段:
    (1)特征提取阶段,旨在提取退化指标。利用经验模态分解、高阶统计量和边际希尔伯特谱来提取微分方程。DEI值也与不同轴承部件的固有频率有关;
    2)模型训练阶段,基于训练数据训练CNN模型,发现DEI 和原始振动数据之间的隐藏模式;
    (3)预测阶段根据训练好的CNN模型和ε-SVR预测模型预测RUL。

    退化指标提取

    经验模态分解是一种自适应方法,通常用于分析非平稳和非线性信号。
    它将原始振动数据分解成n个IMF,说明从快到低振动的自然振动模式。

    DEI模式学习

    在这项工作中,具有重复组件的层堆叠在CNN架构中,包括卷积层、池层、完全连接层和回归层

    RUL预测-- ε-SVR

    在这里插入图片描述
    l是采样窗口大小,s是滑动大小,xgs是每个采样窗口的平均值和方差

    展开全文
  • 聊一聊深度学习做寿命预测

    千次阅读 热门讨论 2021-08-27 20:32:00
    PytorchRUL预测------涡扇发动机轴承寿命预测直接上图XJTU 西安交大轴承全寿命数据集 本博客的码字背景 最近马上就研三了,回顾一路从小白开始入门深度学习做机械核心零部件寿命预测的历程吧。 1.本科期间未接触过...
  • 轴承寿命预测,之前有“DC-轴承故障检测训练赛”,但这题太过简单,稍微跑一跑就几乎满分了。同时轴承寿命预测也是业界研究比较多的课题,那么就利用开始前的这段时间提前研究一下。 整体思路: 采用时域、...
  • 为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据样本条件下轴承剩余寿命难以估算的问题,提出了一种基于主元特征融合和支持向量机(SVM)的轴承剩余寿命预测方法。该方法采集振动加速度信号构建数据样本,...
  • 1、西安交大轴承加速寿命实验数据 文章来源于:http://www.52phm.cn/blog/detail/55 获取方式 链接:http://www.52phm.cn/blog/detail/55 2、参考资料 官网:...
  • 基于深度迁移学习的滚动轴承剩余使用寿命预测.pdf
  • 基于BP神经网络的滚动轴承性能退化预测
  • 把ABAQUS中生成的子文件应用到NCODE中进行疲劳寿命预测,通过对轴承进行加载,得到相应的寿命云图和损伤云图。最后利用寿命计算公式和数据计算轴承的寿命。结合轴承理论寿命结果,为轴承的再制造提供了一种可靠的方法。
  • 参考研究论文:ANN泵寿命预测.pdf 有关数据,请联系: 可交付成果: •显示RMS和峰度的图形•Weibull危险率和参数估计(形状和比例参数) 培训和验证集的结果 •测试仪的输出性能 •建议模型的训练和验证错误...
  • 本帖最后由 zwlbeyond 于 2020-5-19 14:30 编辑数据集使用了PHM08挑战数据集,是涡轮风扇发动机退化模拟数据集。...PHM-2008数据是NASA在2008年公开的飞机发动机全寿命性能仿真数据,仿真平台为大型...
  • XJTU-SY滚动轴承加速寿命试验数据集

    千次阅读 热门讨论 2021-06-14 17:46:50
    西安交通大学机械工程学院雷亚国教授团队与浙江长兴昇阳科技有限公司(以下简称“昇阳科技”)成立了“机械装备健康监测联合实验室”(以下简称“联合实验室”),协同开展了历时两年的滚动轴承加速寿命试验,并将获取的...
  • 本篇是寿命预测系列的第二个案例,在看这篇之前可以先看一下这里。 使用退化模型进行机电产品剩余寿命预测在工程应用中比较常见,退化模型法又有着几种不同的具体形式,博主见到比较多的包括基于随机过程的退化模型...
  • 应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量...
  • 航空发动机主轴承寿命的实际可靠预测对于发动机的安全运行至关重要。使用状态寿命(即状态良好、初始损伤、故障发展和即将失效4个寿命阶段)描述航空发动机主轴承的使用寿命,并提出了一种基于支持向量机和模糊逻辑推理...
  • 动车组牵引电机轴承剩余寿命预测方法研究.pdf

空空如也

空空如也

1 2 3 4 5 ... 19
收藏数 372
精华内容 148
关键字:

轴承寿命预测

友情链接: redp3821.rar