Multi-bearing remaining useful life collaborative prediction: A deep learning approach

تجزیه و تحلیل سلامتی تحمل کننده و پیش بینی عمر مفید باقی مانده تبدیل به یک منطقه تحقیقاتی فزاینده ای شده است که می تواند قابلیت اطمینان و کارایی در صنعت تولید مدرن را ارتقا دهد. اینترنت از چیزها و تکنیک های تولید سایبر، آن را مناسب جمع آوری حجم زیادی از داده های سنسور است که می تواند پشتیبانی قدرتمند برای تجزیه و تحلیل داده های کارآمد مانند آموزش عمیق. ترکیبی از مقدار گسترده ای از داده های موجود و مدل های پیشرفته یادگیری ماشین فرصت های جدیدی برای تحقق پیش بینی عمر مفید باقی مانده است. این مقاله یک رویکرد فراگیر یادگیری عمیق برای پیش بینی مشارکت باقیمانده عمر باقیمانده چند ساله را با ترکیب هر دو ویژگی زمان دامنه و ویژگی های فرکانس ارائه می دهد. این روش می تواند الگوهای تخریب با کیفیت بالا از بلبرینگ از سیگنال های ارتعاش را استخراج کند. با توجه به ویژگی های استخراج شده از سیگنال ارتعاش بلبرینگ، علاوه بر سه ویژگی های دامنه زمانی متداول، ویژگی جدید دامنه فرکانس نیز در روش پیشنهادی تصویب شده است. بر اساس ویژگی های استخراج شده، مدل شبکه عصبی عمیق برای پیش بینی عمر مفید باتری نورد معرفی شده است. ما عملکرد روش پیشنهادی را بر روی یک مجموعه داده واقعی ارزیابی می کنیم و آن را با چندین روش پیش بینی شده کم عمق مقایسه می کنیم. نتایج آزمایش های عددی نشان می دهد که اثربخشی و برتری روش پیشنهادی.