原创力文档- 1、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。。
- 2、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。
- 3、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)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
测控技术
试验与测试２０２１４０５·２１·
年第卷第期
基于改进ＣＮＮＬＳＴＭ的剩余使用寿命预测方法
１１１２３
郭旭东，宋浏阳，王华庆，徐福健，董作一
（１．北京化工大学机电工程学院，北京１０００２９；２．中国航发湖南动力机械研究所，湖南株洲４１２０００；
中化化肥有限公司，北京）
３．１０００３１
摘要机电设备的寿命预测是状态维修中的一项重要任务剩余使用寿命预测不仅可以有效地
：。（ＲＵＬ）
防止机械装备发生突发性故障，而且可以最大限度地利用装备的工作能力、减少维修成本。为了更好地
预测多工况条件下的设备提出一种基于卷积神经网络联合长短时记忆网络的寿
ＲＵＬ，（ＣＮＮ）（ＬＳＴＭ）
。，
命预测模型通过变窗口取样获得不同长度的时间序列基于深度学习方法来发现传感器时序信号与
ＲＵＬ之间的隐藏关系在训练过程中引入带有热重启的随机梯度下降ＳＧＤＲ学习率设定策略通过感
，（），
官融合层将子网络的输出特征融合并导入到逻辑回归分类器获得ＲＵＬ。最后，基于发动机退化仿真数
据集进行了有效性验证表明所提方法在预测精度方面具有明显优势
，。
关键词：剩余使用寿命（）预测；长短时记忆（）网络；航空发动机；深度学习
ＲＵＬＬＳＴＭ
中图分类号：ＴＰ３９９；ＴＢ１２３文献标识码：Ａ文章编号：１０００－８８２９（２０２１）０５－００２１－０６
ｄｏｉ：１０．１９７０８／ｊ．ｃｋｊｓ．２０２１．０５．００４
ＲｅｍａｉｎｉｎｇＵｓｅｆｕｌＬｉｆｅＰｒｅｄｉｃｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＣＮＮＬＳＴＭ
１１１２３
ＧＵＯＸｕｄｏｎｇ牞ＳＯＮＧＬｉｕｙａｎｇ牞ＷＡＮＧＨｕａｑｉｎｇ牞ＸＵＦｕｊｉａｎ牞ＤＯＮＧＺｕｏｙｉ
牗１．ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ牞ＢｅｉｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＣｈｅｍｉｃａｌＴｅｃｈｎｏｌｏｇｙ牞Ｂｅｉｊｉｎｇ１０００２９牞Ｃｈｉｎａ牷
２．ＡＥＣＣＨｕｎａｎＡｒｉａｔｉｏｎＰｏｗｅｒｐｌａｎｔＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ牞Ｚｈｕｚｈｏｕ４１２０００牞Ｃｈｉｎａ牷
３ＳｉｎｏｃｈｅｍＣｈｅｍｉｃａｌＦｅｒｔｉｌｉｚｅｒＣｏ．牞Ｌｔｄ．牞Ｂｅｉｊｉｎｇ１０００３１牞Ｃｈｉｎａ牘
Ａｂｓｔｒａｃｔ牶Ｔｈｅｌｉｆｅｐｒｅｄｉｃｔｉｏｎｏｆｅｌｅｃｔｒｏｍｅｃｈａｎｉｃａ
您可能关注的文档
最近下载
我的文档主要集中的行业是石油化工和安全生产，从事石油化工行业并且取得了中级注册安全工程资格。精通炼油工艺方面的工艺、安全、设备。希望通过平台共享自己的知识和经验。
文档评论（0）