原创力文档- 1、本文档共7页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
２０２４年６月Ｊｕｎ２０２４
第５２卷第１２期Ｖｏｌ５２Ｎｏ１２
－
ＤＯＩ：１０．３９６９／ｊｉｓｓｎ１００１３８８１２０２４１２０３２
文献引用：姜广君，段政伟，穆东明，等．基于时间卷积网络的机床齿轮箱轴承剩余寿命预测［Ｊ］．机床与液压，２０２４，５２（１２）：
－
２２４２３０．
Ｃｉｔｅａｓ：ＪＩＡＮＧＧｕａｎｇｊｕｎ，ＤＵＡＮＺｈｅｎｇｗｅｉ，ＭＵＤｏｎｇｍｉｎｇ，ｅｔａｌ．Ｒｅｍａｉｎｉｎｇｕｓｅｆｕｌｌｉｆｅｐｒｅｄｉｃｔｉｏｎｏｆｍａｃｈｉｎｅｔｏｏｌｇｅａｒｂｏｘｂｅａｒｉｎｇｓ
－
ｂａｓｅｄｏｎｔｅｍｐｏｒａｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＭａｃｈｉｎｅＴｏｏｌ＆Ｈｙｄｒａｕｌｉｃｓ，２０２４，５２（１２）：２２４２３０
基于时间卷积网络的机床齿轮箱轴承剩余寿命预测
１，２１，２１，２１，２
姜广君，段政伟，穆东明，杨金森
（１内蒙古工业大学机械工程学院，内蒙古呼和浩特０１００５１；
２内蒙古自治区先进制造技术重点实验室，内蒙古呼和浩特０１００５１）
摘要：基于深度神经网络的ＲＵＬ预测模型结构比较复杂，不能很好地满足中长期预测任务的要求。为了更好地利用时
间信息，设计一种基于时间卷积网络（ＴＣＮ）的轴承ＲＵＬ预测模型。以振动信号的频谱特征作为输入，利用因果膨胀卷积
结构提取频域特征并捕获长期依赖，从而实现对轴承准确的ＲＵＬ预测。为了进一步说明所提方法的优越性，将所提方法与
卷积神经网络（ＣＮＮ）、门控循环单元（ＧＲＵ）进行了对比。结果表明：所提出的ＴＣＮ模型的ＲＵＬ预测精度优于其他现有
方法，具有较高的精度。
关键词：机床齿轮箱轴承；时间卷积网络；时间序列；剩余寿命预测
中图分类号：ＴＨ１３３３
ＲｅｍａｉｎｉｎｇＵｓｅｆｕｌＬｉｆｅＰｒｅｄｉｃｔｉｏｎｏｆＭａｃｈｉｎｅＴｏｏｌＧｅａｒｂｏｘＢｅａｒｉｎｇｓＢａｓｅｄｏｎ
ＴｅｍｐｏｒａｌＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓ
１，２１，２１，２１，２
ＪＩＡＮＧＧｕａｎｇｊｕｎ，ＤＵＡＮＺｈｅｎｇｗｅｉ，ＭＵＤｏｎｇｍｉｎｇ，ＹＡＮＧＪｉｎｓｅｎ
（１ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＩｎｎｅｒＭｏｎｇｏｌｉａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＨｏｈｈｏｔＩｎｎｅｒＭｏｎｇｏｌｉａ
０１００５１，Ｃｈｉｎａ；２ＩｎｎｅｒＭｏｎｇｏｌｉａＫｅｙＬａｂｏｒａｔｏｒｙｏｆＡｄｖａｎｃｅｄＭａｎｕｆａｃｔｕｒｉｎｇＴｅｃｈｎｏｌｏｇｙ，
ＨｏｈｈｏｔＩｎｎｅｒＭｏｎｇｏｌｉａ０１００５１，Ｃｈｉｎａ）
－
Ａｂｓｔｒａｃｔ：Ｔｈｅｃｕｒｒｅｎｔｌｙａｖａｉｌａｂｌｅｄｅｅ
文档评论（0）