基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf

基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf

ID:34561421

大小:3.61 MB

页数:86页

时间:2019-03-07

基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf_第1页
基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf_第2页
基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf_第3页
基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf_第4页
基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf_第5页
资源描述:

《基于深度学习的机械设备退化状态建模及剩余寿命预测研究.pdf》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库

1、工学硕士学位论文基于深度学习的机械设备退化状态建模及剩余寿命预测研究RESEARCHONMECHANICALEQUIPMENTDEGRADATIONSTATEMODELINGANDREMAININGUSEFULLIFEPREDICTIONBASEDONDEEPLEARNING刘小勇哈尔滨工业大学2018年6月国内图书分类号:TH17学校代码:10213国际图书分类号:681密级:公开工学硕士学位论文基于深度学习的机械设备退化状态建模及剩余寿命预测研究硕士研究生:刘小勇导师:赵光权副教授申请学位级别:工学硕士学科、专业:仪器科学与技术所在单位:自动化测试与控制系答辩日期:2018

2、年6月授予学位单位:哈尔滨工业大学哈尔滨工业大学工学硕士学位论文ClassifiedIndex:TH17U.D.C:681ThesisfortheMasterDegreeinEngineeringRESEARCHONMECHANICALEQUIPMENTDEGRADATIONSTATEMODELINGANDREMAININGUSEFULLIFEPREDICTIONBASEDONDEEPLEARNINGCandidate:LiuXiaoyongSupervisor:AssociateProf.ZhaoGuangquanAcademicDegreeAppliedfor:Master

3、ofEngineeringSpecialty:InstrumentScienceandTechnologyAffiliation:SchoolofElectricEngineeringDateofDefence:June,2018University:HarbinInstituteofTechnology哈尔滨工业大学工学硕士学位论文摘要随着科学技术的发展,分析机械设备产生的海量数据进而为设备的自主健康管理、自主保障等提供有益的决策信息成为工业界的重要任务之一,其中对机械设备进行退化状态建模及剩余寿命(RemainingUsefulLife,RUL)预测是核心内容。传统方法因过

4、度依赖信号处理技术及专家经验,处理复杂时间序列预测精度待提高等问题,逐渐无法满足准确、高效的设备健康管理要求,因此寻找更优的机械设备退化状态建模及剩余寿命预测方法成为愈加重要的研究课题。深度学习作为近年来的新兴算法,以强大的高层特征提取能力及非线性函数映射能力在诸多领域取得了优异成果,但在机械设备的健康管理领域的研究仍待发掘。本文以解决传统方法中的问题为出发点,深入研究了基于深度学习的设备退化状态建模方法,并在获得退化曲线后进行剩余寿命预测方法的研究。本文从机械设备的一维和多维监测数据两种情况出发,分别以轴承和涡轮发动机为例,开展了数据驱动方式下的机械设备退化状态建模和剩余寿命

5、预测研究。首先,以典型的轴承振动监测数据为研究对象,在对比现有深度学习模型优缺点的基础上,提出了基于堆叠去噪自编码器(Stackeddenoisingautoencoders,SDAE)和自组织映射(Self-organizingmapping,SOM)的轴承退化状态建模方法,并在PHM2012数据集上进行算法的性能验证。其次,本文以涡轮发动机多传感器监测数据为研究对象,提出了基于SDAE的涡轮发动机退化状态建模方法,并利用CMAPSS数据进行实验验证。最后,本文对比了已有的剩余寿命预测模型,最终选择了基于长短时记忆网络(LongShort-TermMemory,LSTM)的机

6、械设备剩余寿命预测方法,并在已获得的轴承和涡轮发动机退化曲线的基础上进行实验验证。研究结果表明,与传统的机械设备退化状态建模方法相比,本文提出的基于深度学习的退化状态建模方法在一维和多维监测数据下均可以构建出更加平滑且噪声更小的性能退化曲线,具备更好的时间关联性和单调性。并且该方法较少地依赖人工参与,整个过程以无监督方式进行,通用性较好。在构建出退化曲线的基础上,LSTM预测模型将设备健康值直接映射到RUL值的方式在轴承和涡轮发动机上两种典型机械设备上取得了优异的RUL预测结果,进一步验证了退化状态建模的必要性和LSTM预测模型的有效性。关键词:退化状态建模;剩余寿命预测;深度

7、学习;轴承;涡轮发动机-I-哈尔滨工业大学工学硕士学位论文AbstractWiththedevelopmentofscienceandtechnology,analyzingthehugeamountsofdataproducedbymechanicalequipmenttoprovidesomeusefuldecision-makinginformationfortheindependenthealthmanagementandmaintenancehasbecomeoneoftheimp

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。