文献类型：期刊文章

作　　者：康守强[1] 周月[1] 王玉静[1] 谢金宝[1] MIKULOVICH Vladimir Ivanovich[2]

KANG Shou-Qiang;ZHOU Yue;WANG Yu-Jing;XIE Jin-Bao;MIKULOVICH Vladimir Ivanovich(College of Electrical and Electronic Engineering,Harbin University of Science and Technology,Harbin 150000,China;Belarusian State University,Minsk 220030,Belarus)

机构地区：[1]哈尔滨理工大学电气与电子工程学院,中国哈尔滨150000 [2]白俄罗斯国立大学,白俄罗斯明斯克220030

出　　处：《自动化学报》

基　　金：国家自然科学基金(51805120);黑龙江省自然科学基金(LH-2019E058);黑龙江省本科高校青年创新人才培养计划(UNPYSCT-2017091);黑龙江省普通高校基本科研业务专项资金资助项目(LGYC2018JC022)资助。

年　　份：2022

卷　　号：48

期　　号：9

起止页码：2327-2336

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、PUBMED、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：针对稀疏自动编码器(Sparse auto encoder,SAE)采用sigmoid激活函数容易造成梯度消失的问题,用一种新的Tan函数替代原有的sigmoid函数;针对SAE采用Kullback-Leibler(KL)散度进行稀疏性约束在回归预测方面的局限性,以dropout机制替代KL散度实现网络的稀疏性.利用改进SAE对滚动轴承振动信号进行无监督深层特征自适应提取,无需人工设计标签进行有监督微调.同时,考虑到滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法一般仅考虑过去信息而忽略未来信息,引入双向长短时记忆网络(Bi-directional long short-term memory,Bi-LSTM)构建滚动轴承RUL的预测模型.在2个轴承数据集上的实验结果均表明,所提基于改进SAE和Bi-LSTM的滚动轴承RUL预测方法不仅可以提高模型的收敛速度而且具有较低的预测误差.

关 键 词：滚动轴承 稀疏自动编码器  无监督特征提取  双向长短时记忆网络  剩余使用寿命预测  

分 类 号：TP183] TH133.33]