用户名 密 码 登 录 忘记密码 免费注册

网站会员中心 | 设为首页 | 加入收藏

 您好，欢迎光临中国轴承行业网         退出登陆

会员中心 | 设为首页 | 加入收藏

协会

统计

国外文献 > 1.轴承 > 5. 监测与诊断 > 寿命与维护

关键词搜索：

标 题： A Hybrid Prognostic Model based on Bayesian Deep Learning Network and Uncertainty Quantification for Roller Bearings
基于贝叶斯深度学习网络与不确定性量化技术的滚动轴承混合预测模型
作 者： Zhengrong Fan
Wei Guo
关键词： Prognostics  [预后]
Bayesian neural networks  [ 贝叶斯神经网络]
Remaining useful life  [ 剩余使用寿命]
Deep learning  [ 深度学习]
Bearing  [ 轴承]
出版年： 2022
文集名： 2022 Global Reliability and Prognostics and Health Management (PHM-Yantai 2022)
2022年全球可靠性、预测性维护与健康管理（PHM-烟台2022）
会议名： 2022 Global Reliability and Prognostics and Health Management (PHM-Yantai 2022)
2022年全球可靠性、预测性维护与健康管理（PHM-烟台2022）
届 次：
摘 要： Good prognostics and health management (PHM) technology has been proven to provide safe and reliable operation for mechanical or electrical devices or equipment-critical components in industry. Using the collected vibration signals, many data-driven prediction approaches show good potential for the remaining useful life (RUL) prediction for roller bearings, but an open problem is still to develop a more accurate and practical prognosis method and further extent to the whole machinery. However, for the same bearing, the prediction results can differ due to many uncertainties, such as operation condition, model inaccuracy, noisy signal. Inspired by the Bayesian theorem and deep learning, a hybrid prediction model based on the Bayesian neural network and bidirectional long short-term memory (LSTM) is presented for bearing prognostics in this paper. The Bayesian machine learning and deep learning work together to provide accurate predictions with uncertainty quantification. In the experiment, the vibration datasets from the platform PRONOSTIA (PHM2012) are applied to the hybrid model. The experimental results and comparison with the LSTM indicate that the hybrid network provides more accurate prediction results and 95% confidence interval for roller bearings.

良好的预测与健康管理（PHM）技术已被证明能够为工业中机械或电气设备及关键部件提供安全可靠的运行保障。利用采集到的振动信号，许多基于数据的预测方法在滚子轴承剩余使用寿命（RUL）预测方面展现出良好潜力，但一个尚未解决的问题是开发出更准确、更实用的预测方法，并将其推广至整个机械设备。然而，对于同一轴承而言，由于运行条件、模型不精确以及信号噪声等多种不确定性因素，其预测结果可能存在差异。本文受贝叶斯定理和深度学习启发，提出了一种基于贝叶斯神经网络与双向长短期记忆网络（LSTM）的混合预测模型，用于轴承预测性维护。该模型融合了贝叶斯机器学习与深度学习的优势，实现高精度预测并量化不确定性。实验中，采用PRONOSTIA平台（PHM2012）提供的振动数据集对混合模型进行了验证。实验结果与LSTM的对比表明，混合网络在滚子轴承预测方面提供了更准确的结果，并具有95%的置信区间。
中文内容为网络AI翻译，专业术语未必准确，仅供参考。

VIP网员

联系我们 | 登录注册 | 会员管理 | 网员服务 | 服务信息 | 广告服务 | 高薪聘请 | 法律声明 | 关于我们

京公网安备 11010202009788    京ICP备2021015424号