基于1DCNN-LSTM与BiLSTM并行网络的齿轮箱温度预测方法技术

本发明专利技术提供一种基于1DCNN

【技术实现步骤摘要】
基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法


[0001]本专利技术涉及温度预测
，具体涉及一种基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法。

技术介绍

[0002]随着科学技术的发展，齿轮箱已经被使用在许多自动化机械中，工业中的机械已经朝着高精度，超精密，高效率发展，齿轮箱内部的高速旋转将产生大量的热能，热量的积聚导致温度上升，高温环境将导致齿轮箱内润滑油粘度下降，造成齿轮箱内部齿轮啮合旋转摩擦加剧，在加剧齿轮磨损的同时进一步加剧热量的产生，造成恶性循环，最终将导致设备故障停机。如若不能对设备状态进行先验维护与处理，轻则造成设备停机检修，影响生产的进行，严重可能对企业造成巨大的经济损失甚至危害工作人员的安全。因此，目前迫切需要改进温度预测方法，获得准确的温度预测结果，使得我们能够及时、高效的检出机械设备中可能存在的故障隐患，防止设备故障加剧。目前，常见的温度预测方法主要分为两大类，其一是根据采集到的温度信号，通过一定的信号处理方法，并根据数学方法进行温度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法，其特征在于，包括以下步骤：采集待预测齿轮箱关键部件的温度信号；构建1DCNN
‑
LSTM模型以及BiLSTM模型；输入温度信号，分别通过1DCNN
‑
LSTM模型和BiLSTM模型提取时空特征和周期性特征的特征向量，并通过特征向量串联拼接方式进行特征后端融合，获得融合后的特征向量；将融合后的特征输入全连接层进行回归分析，获得回归分析结果，并根据回归分析结果，预测出齿轮箱的短期温度数据值。2.根据权利要求1所述的一种基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法，其特征在于，还包括：对采集的待预测齿轮箱关键部件的温度信号进行归一化处理，将数据映射到0
‑
1之间。3.根据权利要求1所述的一种基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法，其特征在于，所述1DCNN
‑
LSTM模型包括依次连接的1DCNN模型和LSTM模型；所述的1DCNN模型包括依次连接的输入层和隐藏层；所述隐藏层包括两组卷积层和池化层；通过所述1DCNN
‑
LSTM模型提取时空特征，包括以下步骤：通过输入层接收齿轮箱关键部件的温度信号；通过两组一维卷积层与池化层交替提取温度信号的非线性特征；其中，卷积层对信号数据执行卷积操作，提取数据特征，卷积操作的数学表达式如下：式中，z
l
和z
l+1
分别是第l+1层的输入与输出，b是偏差值，是权重值，是l+1层中对应节点的权重值；f，s0分别为卷积核与步长；其中，池化层执行池化操作，通过最大池化简化网络层数，表达式如下：式中，为第l层第i各特征中第t个神经元的值；W为池化区域；为l+1层神经元的输出；将卷积层与池化层处理后的输出信号作为LSTM模型的输入信号；通过LSTM模型提取特征后，通过全连接层进行特征激活和输出特征。4.根据权利要求3所述的一种基于1DCNN
‑
LSTM与BiLSTM并行网络的齿轮箱温度预测方法，其特征在于，所述LSTM模型包括输入门、输出门和遗忘门；其中，输入门一般用于更新隐藏细胞状态，输入门根据前一层的信息与当前状态的信息并结合sigmoid函数与tanh函数，决定需要保留的重要信息；遗忘门决定信息的丢弃或保留，来自前一个隐藏层的信息与当前层的信息经sigmoid函数的处理，将输出值处理至介于0～1之间，越接近0的数据将被丢弃，越接近1的数据将被保留；输出门根据前一个输入与当前输入，通过sigmoid函数与tanh函数的处理，确定当前层应当输出的...

【专利技术属性】
技术研发人员：袁仕能，石开缔，赖剑晶，吴和兵，姚国强，张光明，范亚学，姜欢，常凯，杨新功，田晓勇，
申请(专利权)人：陕西金元新能源有限公司，
类型：发明
国别省市：