剩余使用寿命预测基于多尺度卷积神经网络的滚动轴承与扩张卷积模块集成

文摘

剩余使用寿命(原则)预测是保证机器的安全运行所必需的。深度学习架构中,卷积神经网络(CNN)显示成就荷重软化的预测,因为它代表学习能力强。提取的特征从不同的接受字段不同大小的卷积核可以为预后提供完整的信息。单一尺寸卷积内核在传统CNN是困难的学习综合信息从复杂的信号。此外,学习能力同步本地和全局特性仅限于传统的CNN。因此,多尺度卷积神经网络(MS-CNN)介绍了克服这些提到的问题。卷积过滤器具有不同膨胀率综合形成扩张卷积块,它可以接受不同领域的学习功能。然后,几堆集成扩张卷积模块在不同深度连接提取局部和全局特征。验证了该方法的有效性通过轴承数据集的准备PRONOSTIA平台。的结果提出MS-CNN具有更高的预测精度比其他许多深上优于荷重软化方法。

1。介绍

预测与健康管理(榜单)机械系统是至关重要的。荷重软化预测是一个重要的任务在现代工业榜单。可以减少维护成本的剩余使用寿命机械可以提前知道。轴承是机械系统的关键部分(1,2]。轴承的失败可能会导致严重的事故。因此,轴承原则预测的研究引起了越来越多的关注榜单。

轴承原则预测方法大致可以分为两类:基于模型的方法和数据驱动方法(3]。随着现代工业技术的发展,大量的状态监测数据记录、数据驱动的方法,如深度学习有强大的数据处理能力在面对大量的数据(4]。因为DL-based方法可以从输入数据中提取特征没有太多知识之前,他们已经成为越来越流行的荷重软化预测和故障诊断(5]。一个预测框架由深autoencoders (AE)提出了文献[6]。AE是用来保留足够的信息当压缩特性。沈et al。7)提出了一个收缩autoencoder-based旋转机械故障诊断方法。健壮的特性自动收缩autoencoder可以学到的。深长期短期记忆(DLSTM)网络提出了裁判。8]。多传感器状态监测数据融合为原则准确预测得到更多有用的信息。长短期记忆(LSTM)也应用于发现潜在的模式在裁判。9]。香等。10)提出了一个新颖的LSTM框架。Attention-guided命令神经元应用这个框架实现精确的齿轮剩余使用寿命的预测。双CNN模型架构是实现裁判。11]。故障发生时间(FOT)是由第一个CNN;荷重软化预测完成第二CNN。郭et al。12)提出了一个健康指示器施工方法监测机械设备的健康状态。卷积神经网络是用来学习特性和构造特征之间的映射嗨。复发性卷积神经网络设计在裁判。13]。不同退化状态的时间依赖关系可以被反复回旋的层。

各种DL技术中,CNN获得了更多的关注,因为两个突出的特点,即。,空间共享的重量和当地的知觉。起初,CNN是广泛应用于图像识别,取得了巨大的成功。如今,它在故障诊断[也很受欢迎14因为它可以自动完成特征提取和故障分类。然而,仍然存在两个缺点在传统CNN。(1)尺度卷积的内核是CNN的性能非常重要。内核与一个更大的规模可以在一个更大的接受域提取特征,而内核与更小的尺寸较小的接受域提取特征。网络的性能直接影响尺度卷积的内核。单一的卷积核的大小会导致提取的信息不完全。(2)传统CNN的能力不足以同时提取局部和全局特征。在传统的CNN,只是之前最后一层扁平的特征图谱被视为最后特征在特征提取之前低级层省略。尽管全球高级层更不变特征提取的特征提取的低级层次,详细的局部特性提取的低水平也有助于预测和分类(15,16]。

为了克服上述问题,学习更有代表性的特征,提出了各种多尺度CNN模型和原则应用于机械故障诊断和预测17]。最后卷积层和最后池层合并构建多尺度层Ref。18]。全球从最后池层特征和地方特色的最后卷积层用于分类。结果表明,提出的多尺度层的网络可以提高识别精度。Chang et al。19)是受初始模型,提出了一种并行卷积神经网络方法来提高风力发电机故障诊断精度。此外,一些多尺度CNN原则方法也被应用于预测。一个多尺度卷积神经网络(MS-DCNN)三MS-blocks应用于裁判。20.]。为了提取接受不同领域的特点,三个不同大小的卷积核是在每一层中实现平行。内核与一个更大的规模可以在一个更大的接受域提取功能,但它也会导致更多的权重卷积核的火车。太多的重量通常很难训练网络。不同的移动步骤卷积操作用于获得特征在不同尺度21]。一个多尺度卷积神经网络合并最后卷积层和最后池层是为了提取轴承的局部和全局特征原则预测(15]。但是学习了由低层次的详细信息还迷失在这个架构。

摘要小说MS-CNN轴承荷重软化方法预测了。集成的扩张卷积块构造从复杂的信号中提取特征在接受不同领域。然后,几堆集成扩张卷积块连接构造多尺度特征提取器。提出的两个优点MS-CNN总结如下:(1)一个集成的扩张卷积块构造从复杂的信号中提取特征在接受不同领域不增加卷积核的重量。(2)多尺度特征提取器构造,以避免信息在不同层次上的损失。多尺度特征提取器可以充分利用全球功能从更高的层次和当地获得功能获得较低的层。

本文的其余部分介绍如下:在部分2介绍了相关的理论背景,包括卷积神经网络和扩张卷积。拟议中的MS-CNN轴承剩余使用寿命预测方法介绍了部分3。节4,公众对滚动轴承的数据集是用于验证该方法的优越性。收集的数据集是PRONOSTIA平台。最后,总结了结论部分5。

2。理论背景

2.1。卷积神经网络

CNN是一个前馈神经网络。传统的有线电视新闻网主要由三种层次:卷积层、汇聚层,完全连接层(22]。

卷积层,功能是可以习得的几个卷积核。一个线性卷积操作操作。为了增加两个相邻层的非线性,非线性激活函数来解决这个问题。卷积的输出层可以写成 在哪里表示卷积操作,是th的输出层 , 是来自以前的输入层,卷积的权向量的内核在吗th层,的偏见输出。是非线性激活函数。

在汇聚层,卷积的输出层可以压缩来提高计算效率14),这是一种采样下来。池操作包括许多池功能,例如l²规范池、马克斯池,平均池。池操作采用 在哪里是输入特性图层,是输出层的 , 池的大小和吗表示跨步,池()表示池功能。

经过几个卷积和池操作,上一层的特征图谱完全夷为平地,然后发送到连接层。荷重软化预测是一个回归的任务。因此,完全连接层可以被视为回归层,从特征图谱构建连接前层学习的最终结果。

2.2。扩张卷积

扩张卷积(深黑色的卷积)可以扩大接受域不增加网络参数(23]。最近,扩张卷积实现轴承故障诊断等许多领域(24)、语义图像分割(25),和良好的分类(26]。

与普通的卷积操作相比,hyperparameter称为膨胀率被添加到扩张卷积。如图1,不同的膨胀率可以被视为插入每个卷积内核参数之间的不同大小的洞。当应用于一维CNN,它可以作为计算 在哪里y_我代表的输出th元素卷积,是th元素的输入,权重的过滤器,过滤器的长度吗K。r膨胀率,r= 1在扩张卷积等于普通卷积。一个零是插入在邻卷积重量膨胀率= 2。

3所示。提出了轴承荷重软化方法

在本节中,提出多尺度卷积神经网络的框架作了详细介绍。机械振动信号被发送到网络直接作为输入数据。提出MS-CNN-based荷重软化的过程最近介绍了预测方法。四个步骤实现轴承的剩余使用寿命预测:FOT决心、数据预处理、荷重软化预测和滤波操作。拟议中的MS-CNN可以建立一个监测信号和剩余使用寿命之间的关系没有太多的先验知识。很容易在工业应用推广。

3.1。提出MS-CNN架构

多尺度卷积神经网络的框架如图2。MS-CNN包括两个模块,一个多尺度特征提取器和回归层。多尺度特性构造器来提高网络的学习能力。特性在不同接受字段由一个集成考虑扩张卷积。然后,整合扩张卷积模块在不同的水平都是连接建立提出多尺度特征提取器。回归层设计构造特征之间的映射关系和相应的真实的一生。

3.1.1。集成的扩张卷积

从传统的结构CNN,特征提取的卷积操作和池操作。卷积核的规模会影响网络的学习能力。每个卷积层的单一粒度卷积内核可能导致这一层学习的信息不完全。受初始网络,一个集成的扩张卷积块,如图所示3。

不同的卷积核不同膨胀率是连接学习接受不同领域的多尺度特性。相比之下,用不同大小的卷积核的卷积。集成的扩张卷积块可以学习不同尺度的信息不增加网络的参数。太大扩张率可能会导致损失的详细信息。太多的扩张率集成到一个街区可能导致冗余信息。考虑振动信号的特点,受初始网络,整合扩张卷积块的结构有三个类型的扩张率。

当输入数据被发送到集成扩张卷积,卷积三种操作是对输入数据执行同步。特征提取n然后过滤器连接成一个特征向量。特征向量可以记录如下: 表示特征地图学习不同的卷积核层。

3.1.2。拟议中的MS-CNN

在CNN的传统结构,最后池层的特征图谱被视为最终特性分类或回归。局部特征提取之前层通常是丢弃。虽然全球特征提取高层层更代表和健壮的比低级层提取的,地方特色包含一些详细信息和预后是很有用的。

摘要不同的整合扩张卷积模块的输出连接同步提取局部和全局特性。拟议中的MS-CNN如图2。连接功能地图不仅可以包含不变的和稳定的全球特性的详细信息。连接功能映射可以表示为 在哪里表示连接操作和表示的特征图谱一体化扩张卷积块。

保持原则预测从0到1,乙状结肠激活函数应用在过去的完全连接层。乙状结肠激活函数可以表示为 在哪里代表最终的完全连接的输入特性映射层。

MSE损失函数是用来更新整个网络的参数,表示为 在哪里N表示训练样本的数量表示输入的预测价值原则 , 是真正的标签。

3.2。拟议中的轴承荷重软化方法的框架

该方法的流程图显示在图中4。首先,收集的机械传感器信号,故障发生时间(FOT)决定根据收集到的信号。然后,FOT失败的数据分为两类:训练样本和测试样本。应用训练样本训练网络。的优越性MS-CNN确认测试样品。最后,原则是实现连续平滑操作的结果。

3.2.1之上。步骤1:FOT的决心

如图5在早期阶段,通常由传感器记录振动信号进行一个稳定的时期,这意味着监控组件在一个健康的阶段。数据在健康阶段包括原则无关的信息预测。因此,FOT的确定原则之前预测是必要的。本文应用峰度找到FOT。峰度是下列方程的公式: 在哪里是信号的平均值和标准偏差,是信号的标准差,N是信号数据的数量。

峰度振幅值很敏感。降解可以反映在峰度。因此,它通常是非常有用的用于检测早期故障(27]。

Laida标准(也称为3规则)应用于检测FOT。我们假设早期信号是在健康的阶段。的意思是和标准偏差健康的峰度计算阶段,然后,3用作FOT指标。

虽然是非常有效的作为峰度健康指数检测早期故障点,这个健康指数不够稳定,因为它是受噪声和离群值。因此,局部线性回归应用从振动信号峰度计算后,可以删除FOT误判造成的离群值。局部线性回归平滑操作之后,当平滑峰态的时间t瀑布的3间隔,它可以被视为FOT如下: 在哪里表示的峰度我数据序列。的FOT bearing1_1由应用方法如图5。振动信号的振幅保持在一个稳定的阶段之前FOT和退化FOT后开始。FOT决心的方法被证明是有效和准确的。FOT决心才决定培训的处理。在线测试处理,整个生命周期振动信号导致的缺乏FOT的决心是不可能的。

3.2.2。步骤2:数据预处理

加快训练收敛,正常化的原始数据是一种常见的和有效的操作。首先,所选的传感器数据分为时间分割,分割的长度是l .每次分割是一个示例,它可以表示为 。不等式性质实现规范化,确保数据在[0,1]以下方程: 在哪里是样品的最大价值X。最小值的样本吗X。代表的价值极大极小正常化。

标签的训练数据构造的可靠性[0,1]的范围。FOT被认为是堕落的开始。标签可以被描述为线性退化过程从FOT彻底失败,如图6。然后,样品和相应的标签被视为该MS-CNN的输入和输出。

3.2.3。步骤3:原则预测的基础上,提出MS-CNN

该方法基于MS-CNN有两个过程:离线训练和在线测试。在培训期间,训练数据集和相应的标签用于火车MS-CNN求婚。数据准备后,训练数据分割进行多尺度特征提取器。更具代表性和综合功能可以学到的多尺度特征提取器。多尺度特征提取器的输出被发送到回归层构造特征和原则之间的关系。MSE损失函数应用于网络。小训练样本会导致过度拟合。网络有坏性能的测试数据集。辍学是避免过度拟合采用完全连接层通过设置一些隐藏的神经元为零,在测试过程中关闭。亚当算法来更新网络的参数。 Different from the stochastic gradient descent algorithm, the Adam algorithm can adjust the learning rate adaptively without setting the learning rate in advance. When the online testing data at a moment are sent to the network, the prognostic RUL of that testing data can be predicted by the trained network.

为了定量评价预测结果,本文应用两个错误指标,即。,平均绝对误差(MAE)和均方误差(RMSE) [28]。 在哪里N表示样品的数量,E_我相应的原则吗提出MS-CNN th样本预测,l_我是相应的实际的原则。

3.2.4。步骤4:平滑

荷重软化结果预测的网络是离散和变动。然而,在实际工业应用中,轴承的实际原则始终是连续的。轴承的剩余使用寿命降低随着时间的流逝。因此,平滑操作应用平滑预测原则。

当时 ,这一刻的预测原则是记录为原则(n在五个时间点),荷重软化如 经历一次移动平均滤波器。平滑操作可以实现为方程(12)。回归原则的结果被认为是最终的预测结果。平滑操作可以使预测结果根据实际情况。

4所示。实验

在本节中,进行实验来验证提出的优越性MS-CNN方法。实验数据集从收购PRONOSTIA平台。介绍了数据集的部分4.1。节4.2,提出MS-CNN显示的参数。更重要的是,结果显示该方法的实验数据。不同DL-based轴承剩余使用寿命预测方法进行比较4.3。电脑与英特尔酷睿i7 - 5557 u CPU、4 gb的RAM用于所有实验的实现。所有的结果在这项研究中测试十倍减少随机误差。

4.1。数据描述

PRONOSTIA平台(如图7)进行了加速退化试验的滚动轴承。平台主要分为三个部分:旋转部分,部分降解,测量部分。退化的轴承可以加速退化的部分。为了测量轴承的振动信号,两个加速度传感器安装在垂直和水平轴。然而,垂直振动信号的振幅比水平的降低。退化趋势更好地捕捉到传感器放置在水平轴。因此,只使用水平振动信号。抽样实验25.6 kHz的频率(29日]。一个示例包含在0.1每10年代收集的数据。17 run-to-failure轴承。前两个轴承的工作条件申请培训过程,和其余的轴承是用作测试数据。所有的数据集如表所示1。

4.2。该方法在实验数据

行每个run-to-failure轴承的振动信号分为时间序列分割。每个分割是一个示例,它包含2560数据点。FOT的决心后,每个样品由不等式标准化规范化方法中描述的部分3.2.2。训练样本与相应的标签是用于训练MS-CNN。

MS-CNN的参数显示在表中2。KS代表卷积核的大小,r代表了膨胀率,n过滤器的数量,年代代表了步伐。N代表完全连接层中的神经元的数量。辍学的策略是采用以避免过度拟合系数0.2。采用均方误差作为损失函数。亚当优化算法应用于反向传播过程中更新模型的参数。

培训的损失函数曲线如图8。培训损失曲线下降迅速从开始到20时代。然后,保持一个缓慢下降的趋势在20时代和80时代,损失曲线是稳定的第80期第100期。因此,网络的时代是在80年决定的。

网络的性能与深度有关。影响综合扩张卷积块的数量在这一节中讨论。如图9时,网络的性能改进熔融膨胀卷积层数量的增加。当集成扩张卷积块的数量超过三个,结果增加了的美。太多的整合扩张卷积块可能导致过度学习问题,训练数据将有高性能,但测试数据将会有一个糟糕的性能。另一方面,随着网络的深度增加,训练时间可以更长。因此,在这项研究中,熔融层的数量决定3。

行bearing1_3如图的振动信号10。Bearing1_3显示失败行为逐渐退化的趋势。轴承的剩余使用寿命预测结果1 _3所示图11。图中的黄线是没有平滑操作行估计结果。行估计结果是不连续的,在更大的范围内波动。红线是平滑操作的评估结果。平滑估计显示了稳定的原则和连续测试数据的结果,这是符合实际的原则。行bearing1_7如图的振动信号12。Bearing1_7显示了一个突然的失败行为。荷重软化预测轴承1 _7图所示的结果13。虽然估计结果不完全符合实际的原则在早期阶段,可以有效地反映在接近退化阶段。轴承在不同的失败行为被用来MS-CNN提出方法的优越性。

4.3。比较结果

几个常用的深度学习模型是用于比较,包括深层神经网络(款),卷积神经网络(CNN),长期短期记忆(LSTM)和多尺度卷积神经网络合并最后卷积层最后的池层(15]。所有的比较方法相对调优参数最优值。

4.3.1。款

六个隐藏层中利用深层神经网络提出MS-CNN共享相同的深度。和每一层的神经元数量是300,200,200,100,100,1。辍学是应用于每一层的辍学率0.2。

4.3.2。美国有线电视新闻网

传统的CNN与拟议中的MS-CNN应用比较。美国有线电视新闻网有三个卷积层和三池层。的内核大小三个卷积层16×1 8×1和4×1。内核的数量是4、8、16。三个完全连接层保持一样的提议MS-CNN实现。

4.3.3。LSTM

LSTM变体的递归神经网络的算法。LSTM框架设计包含三个LSTM层和三个完全连接层。LSTM层的神经元数量是128年,64年和64年。三个完全连接层方法是一样的。

4.3.4。MS-CNN

卷积第三层和第三池层是连接形成熔融层提出了裁判。15]。内核大小和内核的数量是一样的CNN结构。熔融层后,三个完全连接层构造该MS-CNN一样。

不同的方法对测试数据的预后结果bearing1_3图所示14。退化可以反映该方法。预测的荷重软化bearing1_3的方法比其他方法是最接近真实的。款法显示最糟糕的结果之间的比较方法。不同的方法对测试数据的预后结果bearing1_7图所示15。bearing1-7 MS-CNN提出预测的原则是不符合实际的原则在早期阶段。这是因为早期的信号显示了一个稳定的状态。后期阶段,可以反映在该MS-CNN退化。由于接近的原则准确预测阶段更重要的是在实际产业,提出MS-CNN承诺在现实工业实现。

所有测试数据的数值比较结果如表所示3。可以看出,提出的美和RMSE MS-CNN几乎是最低的比较方法。尽管提出MS-CNN得到轴承2 _4表现不佳,该方法在许多不同的任务依然强劲。款方法比其他方法最大的错误。MS-CNN在裁判。15错误)小于CNN。这是因为最后卷积的结合层和最后池层利用局部和全局特征学习的高级层。但MS-CNN Ref。15与该方法有较大的误差。结果显示可显示详细信息提取的低级层是有用的预后。LSTM方法显示了CNN性能比方法。它是不适合从大量的原始数据中提取特征。更重要的是,LSTM方法比其他方法消耗更多的时间训练,不适合工业应用。结果证明,该方法可以提供可靠的剩余使用寿命估计在不同的失效行为。

5。结论

在这篇文章中,一个MS-CNN-based方法提出了轴承预后克服传统CNN的缺点。验证了该方法的有效性在公共数据集。一些贡献总结如下:(1)综合扩张卷积块可以从原始信号中提取特征不同的接受字段不增加网络的参数;(2)不同深度的整合扩张卷积块连接,避免的损失由底层了解详细信息。拟议的架构可以显示高精度深比其他学习方法中提到。然而,网络的结构是主观而设计的。未来的研究应该集中在自动优化网络的结构。

数据可用性

本文使用的数据是可用的,这可以从GitHub - wkzs111 /下载榜单IEEE - 2012数据-挑战数据集:数据集使用在榜单IEEE 2012数据的挑战,由FEMTO-ST研究所。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究得到了国家自然科学基金(51505277和51505277号)和苏州前瞻性研究项目(没有。SYG201802)。

引用

1. h·t·史和x t呗”,基于模型的不均匀加载状态监测缺乏完整的陶瓷球轴承的润滑,“机械系统和信号处理文章ID 106583卷,139年,2020年。视图:出版商的网站|谷歌学术搜索
2. 周,m·肖p Bartos et al .,“剩余使用寿命预测和滚动轴承的故障诊断基于短时傅里叶变换和卷积神经网络”冲击和振动ID 8857307条,卷。2020年,14页,2020。视图:出版商的网站|谷歌学术搜索
3. m·格拉索美国查特顿,p . Pennacchi和b . m . Colosimo“数据驱动的方法来提高对滚动轴承故障振动信号分解分析,“机械系统和信号处理卷,81年,第147 - 126页,2016年。视图:出版商的网站|谷歌学术搜索
4. z . g . y . Chen Peng朱et al .,”一个新颖的基于注意机制的深度学习方法轴承剩余使用寿命预测,“应用软计算文章ID 105919卷,86年,2020年。视图:出版商的网站|谷歌学术搜索
5. 江x, c .沈、j·史和z朱,“初始中心frequency-guided VMD旋转机械的故障诊断,”杂志的声音和振动卷。435年,36-55,2018页。视图:出版商的网站|谷歌学术搜索
6. l . Ren y太阳、j .崔和l .张“轴承剩余使用寿命预测基于深autoencoder和深层神经网络,”制造系统期刊48卷,第77 - 71页,2018年。视图:出版商的网站|谷歌学术搜索
7. c .沈y气,j . Wang g . Cai和z朱,“自动和健壮的特性学习方法对旋转机械故障诊断基于收缩autoencoder,”人工智能技术的工程应用卷,76年,第184 - 170页,2018年。视图:出版商的网站|谷歌学术搜索
8. k . j . Wu, y程et al .,“数据驱动的剩余使用寿命预测通过多个传感器信号和深度长期短期记忆神经网络,”ISA事务卷,97年,第250 - 241页,2019年。视图:谷歌学术搜索
9. r . j . Zhang p . Wang Yan, r . x高,“长机器剩余寿命预测,短期记忆”制造系统期刊48卷,第86 - 78页,2018年。视图:出版商的网站|谷歌学术搜索
10. 美国,y秦,c .朱y . Wang和h·陈,“LSTM网络基于注意命令神经元设备剩余寿命预测,“ISA事务卷,106年,第354 - 343页,2020年。视图:出版商的网站|谷歌学术搜索
11. 杨,r·刘,大肠f.t.“剩余使用寿命预测基于double-convolutional神经网络架构,”IEEE事务工业电子产品卷,66年,第3216 - 3208页,2019年。视图:出版商的网站|谷歌学术搜索
12. 李n, l .郭y Lei, t(音)和n .李“机械健康指示器建筑基于卷积神经网络考虑趋势毛刺,”Neurocomputing卷,292年,第150 - 142页,2018年。视图:出版商的网站|谷歌学术搜索
13. t . y . b . Wang Lei燕et al .,“反复卷积神经网络:一个新的框架机械设备的剩余使用寿命预测,“Neurocomputing卷,379年,第129 - 117页,2019年。视图:谷歌学术搜索
14. f·f·r . Wang Liu侯,w .江,侯,和l . Yu”非接触式滚动轴承故障诊断方法基于声学成像和卷积神经网络,”IEEE访问,8卷,第132774 - 132761页,2020年。视图:出版商的网站|谷歌学术搜索
15. j·朱:陈,w•彭”轴承剩余寿命估计多尺度卷积神经网络基础上,“IEEE工业电子产品,卷66,不。4、3208 - 3216年,2019页。视图:出版商的网站|谷歌学术搜索
16. p, h·王,邝,“G-MS2F: GoogLeNet基于多级特征融合场景识别的CNN,“Neurocomputing卷,225年,第197 - 188页,2017年。视图:出版商的网站|谷歌学术搜索
17. c .问:沈x Wang m .夏et al .,“多尺度深内部类转移学习轴承故障诊断,”可靠性工程和系统安全文章ID 107050卷,202年,2020年。视图:出版商的网站|谷歌学术搜索
18. x y太阳,小王和x唐,“深度学习的脸表示从10000年预测类”《IEEE计算机学会学报计算机视觉与模式识别会议哥伦布,页1891 - 1898年,哦,美国,2014年6月。视图:出版商的网站|谷歌学术搜索
19. y, j·陈,c, t·潘”智能故障诊断的风力涡轮机通过深入学习网络使用并行卷积与多尺度内核层,”可再生能源卷,153年,第213 - 205页,2020年。视图:出版商的网站|谷歌学术搜索
20. w·h . Li赵,y . Zhang et al .,“剩余使用寿命预测使用多尺度卷积神经网络,”应用软计算文章ID 106113卷,89年,p。13日,2020年。视图:出版商的网站|谷歌学术搜索
21. f . c . z . Wu z, s·j·吴et al .,“构造滚动轴承寿命的方法基于多尺度卷积神经网络健康指示器,”巴西社会的《机械科学与工程第41卷。。11日文章ID 526, p . 2019。视图:出版商的网站|谷歌学术搜索
22. n . p . y . g . b . Wang Lei李et al .,“深分离卷积网络剩余使用寿命的预测机械、”机械系统和信号处理文章ID 106330卷,134年,p。18日,2019年。视图:出版商的网站|谷歌学术搜索
23. y汉、唐,和l .邓小平,“一个增强的接受域卷积神经网络与扩大行星齿轮箱的故障诊断,”计算机在工业领域卷,107 - 58,2019页。视图:出版商的网站|谷歌学术搜索
24. 严w .太阳,r·赵r . et al .,“回旋的区别的特性为感应电动机故障诊断学习,”IEEE工业信息,13卷,不。3、1350 - 1359年,2017页。视图:出版商的网站|谷歌学术搜索
25. L.-C。陈,g .帕潘德里欧i Kokkinos et al .,“DeepLab:语义图像分割与深度卷积网,深黑色的卷积,并完全连接控,“IEEE模式分析与机器智能,40卷,不。4、834 - 848年,2016页。视图:出版商的网站|谷歌学术搜索
26. 问:郭,梁x, y . Chen j . Wang和y .钱,“环境声音分类与扩张的隆起,”应用声学卷,148年,第132 - 123页,2019年。视图:出版商的网站|谷歌学术搜索
27. 林y . n . Li Lei, j . et al .,“一种改进的指数模型预测剩余使用寿命的滚动体轴承、”IEEE工业电子产品,卷62,不。12日,第7773 - 7762页,2015年。视图:出版商的网站|谷歌学术搜索
28. a . Saxena j·赛拉b萨哈et al .,“对于离线评估预后指标性能,”预测和健康管理的国际期刊1卷,第2648 - 2153页,2010年。视图:谷歌学术搜索
29. p . Nectoux r . Gouriveau k Medjaher et al .,“PRONOSTIA:轴承加速退化试验,实验平台”《预测与健康管理会议美国丹佛市,页1 - 8,2012年6月。视图:谷歌学术搜索

版权

版权©2021王等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。