上海交通大学学报 ›› 2021, Vol. 55 ›› Issue (11): 1408-1416.doi: 10.16183/j.cnki.jsjtu.2020.175
所属专题: 《上海交通大学学报》2021年12期专题汇总专辑; 《上海交通大学学报》2021年“自动化技术、计算机技术”专题
收稿日期:
2020-06-09
出版日期:
2021-11-28
发布日期:
2021-12-03
通讯作者:
殷跃红
E-mail:yhyin@sjtu.edu.cn
作者简介:
姜宇迪(1995-),男,江苏省苏州市人,硕士生,主要从事机器人和智能制造方面的研究.
基金资助:
JIANG Yudi, HU Hui, YIN Yuehong()
Received:
2020-06-09
Online:
2021-11-28
Published:
2021-12-03
Contact:
YIN Yuehong
E-mail:yhyin@sjtu.edu.cn
摘要:
为了改善电梯制动器在真实工作环境下的寿命预测效果,提出一种基于长短期记忆网络自编码器(LSTM-ED)的无监督深度迁移学习方法,利用仿真数据实现制动器在工作时的健康状态分析.利用源领域数据初步训练LSTM-ED和全连接网络;以LSTM-ED为特征提取器,将仿真和实际数据映射到特征空间并利用最大平均差异实现数据对齐;利用全连接网络回归特征空间中的目标领域数据,从而实现对制动器在真实工作环境下的剩余生命周期预测.在训练阶段中,采用分步训练法替代传统的联合训练法,以保证单个模块的准确性.对比试验仿真数据与电梯塔中的实际工作数据,以验证方法的有效性.结果表明:通过引入迁移学习和分步训练法,所提方法可以将剩余生命周期预测的均方误差降低至 0.0016,能够实现电梯制动器在真实工作环境下的剩余生命周期精准预测.
中图分类号:
姜宇迪, 胡晖, 殷跃红. 基于无监督迁移学习的电梯制动器剩余寿命预测[J]. 上海交通大学学报, 2021, 55(11): 1408-1416.
JIANG Yudi, HU Hui, YIN Yuehong. Unsupervised Transfer Learning for Remaining Useful Life Prediction of Elevator Brake[J]. Journal of Shanghai Jiao Tong University, 2021, 55(11): 1408-1416.
[1] |
WOLSZCZAK P, LONKWIC P, CUNHA A, et al. Robust optimization and uncertainty quantification in the nonlinear mechanics of an elevator brake system[J]. Meccanica, 2019, 54(7):1057-1069.
doi: 10.1007/s11012-019-00992-7 URL |
[2] | 樊朝锺. 电梯曳引机电磁制动系统故障检测及系统测试[J]. 中国设备工程, 2018(23):104-106. |
FAN Chaozhong. Fault detection and system test of electromagnetic braking system of elevator traction machine[J]. China Plant Engineering, 2018(23):104-106. | |
[3] | 赵海文, 吴云龙, 贺鹏, 等. 电梯曳引机制动器故障检测方法研究[J]. 机床与液压, 2018, 46(1):185-188. |
ZHAO Haiwen, WU Yunlong, HE Peng, et al. Research for detection method of elevator tractor brake fault[J]. Machine Tool & Hydraulics, 2018, 46(1):185-188. | |
[4] | 周前飞, 丁树庆, 冯月贵, 等. 基于支持向量机的电梯制动器智能监测预警系统[J]. 中国特种设备安全, 2018, 34(5):22-27. |
ZHOU Qianfei, DING Shuqing, FENG Yuegui, et al. The elevator brake intelligent monitoring and fault early warning system based on SVM[J]. China Special Equipment Safety, 2018, 34(5):22-27. | |
[5] | 贺无名, 王培良, 沈万昌. 基于LS-SVM的电梯制动器故障诊断[J]. 工矿自动化, 2010, 36(2):44-48. |
HE Wuming, WANG Peiliang, SHEN Wanchang. Fault diagnosis of elevator brake based on LS-SVM[J]. Industry and Mine Automation, 2010, 36(2):44-48. | |
[6] | RAMASSO E. Investigating computational geometry for failure prognostics[J]. International Journal of Prognostics and Health Management, 2014, 5(1):1-18. |
[7] |
SI X S, WANG W B, HU C H, et al. Remaining useful life estimation—A review on the statistical data driven approaches[J]. European Journal of Operational Research, 2011, 213(1):1-14.
doi: 10.1016/j.ejor.2010.11.018 URL |
[8] | TAN C Q, SUN F C, KONG T, et al. A survey on deep transfer learning[M]// Artificial Neural Networks and Machine Learning-ICANN 2018. Cham: Springer International Publishing, 2018: 270-279. |
[9] | ZHAO Z B, ZHANG Q Y, YU X L, et al. Unsupervised deep transfer learning for intelligent fault diagnosis: An open source and comparative study[EB/OL]. (2019-12-28)[2020-06-09]. https://arxiv.org/abs/1912.12528. |
[10] |
YANG B, LEI Y G, JIA F, et al. An intelligent fault diagnosis approach based on transfer learning from laboratory bearings to locomotive bearings[J]. Mechanical Systems and Signal Processing, 2019, 122:692-706.
doi: 10.1016/j.ymssp.2018.12.051 URL |
[11] | AHN E, KUMAR A, FENG D G, et al. Unsupervised deep transfer feature learning for medical image classification[C]// 2019 IEEE 16th International Symposium on Biomedical Imaging. Venice, Italy: IEEE, 2019: 1915-1918. |
[12] |
TAHMORESNEZHAD J, HASHEMI S. Visual domain adaptation via transfer feature learning[J]. Knowledge and Information Systems, 2017, 50(2):585-605.
doi: 10.1007/s10115-016-0944-x URL |
[13] | 宋鹏, 郑文明, 赵力. 基于特征迁移学习方法的跨库语音情感识别[J]. 清华大学学报(自然科学版), 2016, 56(11):1179-1183. |
SONG Peng, ZHENG Wenming, ZHAO Li. Cross-corpus speech emotion recognition based on a feature transfer learning method[J]. Journal of Tsinghua University (Science and Technology), 2016, 56(11):1179-1183. | |
[14] |
SUN C, MA M, ZHAO Z B, et al. Deep transfer learning based on sparse autoencoder for remaining useful life prediction of tool in manufacturing[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4):2416-2425.
doi: 10.1109/TII.9424 URL |
[15] |
JIA F, LEI Y G, GUO L, et al. A neural network constructed by deep learning technique and its application to intelligent fault diagnosis of machines[J]. Neurocomputing, 2018, 272:619-628.
doi: 10.1016/j.neucom.2017.07.032 URL |
[16] | ZHANG B, LI W, TONG Z, et al. Bearing fault diagnosis under varying working condition based on domain adaptation[EB/OL]. (2017-07-31)[2020-06-09]. https://arxiv.org/abs/1707.09890. |
[1] | 韩超, 陈敏, 黄宇昊, 赵明辉, 杜乾坤, 梁庆华. 基于全局特征描述子的激光SLAM回环检测方法[J]. 上海交通大学学报, 2022, 56(10): 1379-1387. |
[2] | 王宇轩, 刘朝雨, 王江北, 费燕琼. 具有多地形运动能力的双模块软体机器人[J]. 上海交通大学学报, 2022, 56(10): 1388-1396. |
[3] | 黄宇昊, 韩超, 赵明辉, 杜乾坤, 王石刚. 考虑安全飞行通道约束的无人机飞行轨迹多目标优化策略[J]. 上海交通大学学报, 2022, 56(8): 1024-1033. |
[4] | 齐东润, 陈刚. 无人驾驶机器人多目标模糊操纵策略[J]. 上海交通大学学报, 2021, 55(10): 1310-1319. |
[5] | 薛蓉蓉, 王志武, 颜国正, 庄浩宇. 肠道机器人获取的肠道图像降噪处理方法[J]. 上海交通大学学报, 2021, 55(10): 1303-1309. |
[6] | 任书锋, 杨丹, 余海东, 王皓. 空间两刚体滚动约束系统在线运动规划[J]. 上海交通大学学报, 2021, 55(8): 1009-1017. |
[7] | 滕亚军, 陈务军, 杨天洋, 敬忠良, 刘物己. SMA弹簧驱动的柔性操控臂动力学分析[J]. 上海交通大学学报, 2021, 55(8): 1018-1026. |
[8] | 胡益恺, 庄瀚洋, 王春香, 杨明. 基于主从博弈的智能车汇流场景决策方法[J]. 上海交通大学学报, 2021, 55(8): 1027-1034. |
[9] | 胡益恺, 王春香, 杨明. 智能车辆决策方法研究综述[J]. 上海交通大学学报, 2021, 55(8): 1035-1048. |
[10] | 李鹏, 阮晓钢, 朱晓庆, 柴洁, 任顶奇, 刘鹏飞. 基于深度强化学习的区域化视觉导航方法[J]. 上海交通大学学报, 2021, 55(5): 575-585. |
[11] | 雷静桃, 张悦文, 戴臻豪, 徐子力. 仿生气动肌纤维静态特性建模与实验研究[J]. 上海交通大学学报, 2021, 55(5): 566-574. |
[12] | 张力文, 徐齐平, 刘锦阳. 软体尺蠖爬行机器人建模与仿真分析[J]. 上海交通大学学报, 2021, 55(2): 149-160. |
[13] | 刘佳鹏, 王江北, 丁烨, 费燕琼. 晶格型模块化软体机器人自重构序列[J]. 上海交通大学学报, 2021, 55(2): 111-116. |
[14] | 刘忠, 曹其新, 朱笑笑, 王雯珊. 基于VRML节点树的双臂移动 机器人碰撞检测及优化[J]. 上海交通大学学报(自然版), 2011, 45(07): 985-989. |
[15] | 费燕琼a, b, 朱越梁a, b, 宋立博a, b. 多模块式移动机器人系统的自组织协作行为[J]. 上海交通大学学报(自然版), 2011, 45(07): 990-994. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||