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 > 7. 智能方法与计算 > 机器学习

关键词搜索：

标 题： A Deep Learning Approach for Failure Prognostics of Rolling Element Bearings
滚动轴承故障预测的深度学习方法
作 者： Mohammadkazem Sadoughi
Hao Lu
Chao Hu
关键词： Deep learning  [深度学习]
Rolling element bearing  [ 滚动轴承]
Prognostics and health management  [ 预测与健康管理]
Condition-based maintenance  [ 基于状态的维护]
Remaining useful life prediction  [ 剩余使用寿命预测]
出版年： 2019
会议名： 2019 IEEE International Conference on Prognostics and Health Management (ICPHM 2019)
2019年IEEE国际预测与健康管理会议（ICPHM 2019）
届 次：
摘 要： Remaining useful life (RUL) prediction of rotating machine components is essential to enabling predictive maintenance of industrial and agricultural machinery. This paper presents a novel deep learning approach for failure prognostics of rolling element bearings. The proposed approach has three unique features: (1) it employs a new data augmentation technique to improve the accuracy and robustness of RUL prediction in cases where a deep learning model only has access to a small amount of training data; (2) it incorporates a robust feature learning strategy that integrates a physics-based feature extraction process with a data-driven process; and (3) it implements a new similarity-based approach for effectively capturing the true degradation trend of each individual bearing unit. A practical case study involving run-to-failure experiments of rolling element bearings on the PRONOSTIA platform is provided to assess the performance of the proposed approach. Results from the case study show the proposed deep learning approach produced higher accuracy in RUL prediction than an existing machine learning approach.

旋转机械部件的剩余使用寿命（RUL）预测对于实现工业和农业机械的预测性维护至关重要。本文提出了一种用于滚动轴承故障预测的新型深度学习方法。该方法具有三个独特优势：（1）采用一种新的数据增强技术，以提高在深度学习模型仅能获得少量训练数据的情况下，RUL预测的准确性和鲁棒性； (2)) 它采用了一种强大的特征学习策略，将基于物理的特征提取过程与数据驱动的过程相结合； 并且（3）它采用了一种基于相似性的新方法，能够有效捕捉每个轴承单元的真实劣化趋势。本文通过在PRONOSTIA平台上对滚动轴承进行从运行到失效的实验，提供了一个实际案例研究，以评估所提方法的性能。案例研究结果表明，所提出的深度学习方法在剩余使用寿命（RUL）预测方面比现有机器学习方法具有更高的准确率。
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