基于长短时记忆卷积自动编码器的机器健康状况监测( Health condition monitoring of machines based on long short-term memory convolutional autoencoder - ScienceDirect )

Z Ye J Yu

机器健康评估是机器预测和健康管理的关键，它可以提高机器的可靠性，降低运行成本。然而，在实际情况下，从机器上采集到的数据是噪声和高维的，因此很难检测机器的早期缺陷。此外，从多传感器信号中获取连续信息用于机器健康评估仍然是一个具有挑战性的问题。本文提出了一种新的自动编码器(AE)，称为长短时记忆卷积自动编码器(LSTMCAE)，它将LSTM和卷积单元嵌入到这个特定的网络中，用于基于无监督学习的传感器信号特征学习。LSTMCAE中的长短时记忆(LSTM)单元用于从多传感器时间序列数据中捕获序列信息。在LSTM单元之后进一步嵌入卷积和反卷积单元，用于滤除噪声并提取与机器健康状态相对应的特征。利用残差学习降低了训练难度，提高了LSTMCAE的特征学习性能。基于LSTMCAE的重构误差，采用多元高斯分布(MGD)生成健康指数(HI)，量化机器的健康状态。提出了一种基于贡献分析的特征选择方法，为机械健康评估选择有效的特征。在涡扇发动机上的试验结果验证了LSTMCAE在发动机健康评估中的有效性。与其他无监督学习方法相比，LSTMCAE生成的HIs表现出更好的趋势。LSTMCAE比LSTM-AE能更早地发现轻度降解。此外，贡献分析结果表明，可以选择敏感变量进行机器健康监测。残差学习显著提高了LSTMCAE的特征学习性能。因此，LSTMCAE可以很好地量化机器的退化趋势。在发动机上的试验结果表明，该方法将是一种有效的机器健康评估工具。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate