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 piecewise method for bearing remaining useful life estimation using temporal convolutional networks
基于时间卷积网络的分段法用于轴承剩余使用寿命估计
作 者： Haobo Qiu
Yingchun Niu
Jie Shang
Liang Gao
Danyang Xu
关键词： Bearing  [轴承]
Remaining useful life  [ 剩余使用寿命]
Deep learning  [ 深度学习]
Degradation state division  [ 降解状态分级]
Temporal convolution network  [ 时域卷积网络]
出版年： 2023
期刊名： Journal of Manufacturing Systems
制造系统杂志
年卷期： 2023, vol.68
摘 要： Most existing research on the prediction of bearing remaining useful life (RUL) focus on building a whole-lifecycle degradation model, which may affect prediction performance due to different states during the bearing degradation process. In addition, traditional network models such as CNN and RNN have limitations in directly dealing with time series problems. This paper proposes an adaptive degradation stage division strategy and a temporal convolutional network (TCN)-based RUL piecewise estimation method, called ADSD-TCNPE. This method mainly includes three steps. (1) Extract features from different domains and select the features that are highly correlated with bearing degradation. (2) Adaptively divide the whole lifecycle of bearing into different degradation stages. (3) Establish a TCN-based piecewise degradation model for different degradation stages to accurately predict bearing RUL. Finally, experimental verification and result analysis demonstrate the effectiveness and superiority of the proposed method.

目前大多数关于轴承剩余使用寿命（RUL）预测的研究聚焦于构建全生命周期的劣化模型，但由于轴承劣化过程中不同状态的存在，可能影响预测性能。此外，传统的CNN和RNN等网络模型在直接处理时间序列问题方面存在局限性。本文提出一种自适应劣化阶段划分策略，并结合时序卷积网络（TCN）构建RUL分段估计方法，称为ADSD-TCNPE。该方法主要包括三个步骤：（1）从不同域中提取特征，并选择与轴承劣化高度相关的特征； （2）自适应地将轴承整个生命周期划分为不同的劣化阶段； （3）针对不同劣化阶段建立基于TCN的分段劣化模型，以准确预测轴承的剩余使用寿命。最后，实验验证与结果分析表明了所提方法的有效性和优越性。
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