基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统

这是一篇关于采煤机摇臂,剩余寿命预测,深度学习,DCNN,AE bi-GRU,交互系统的论文, 主要内容为煤矿是我国的重要能源之一,采煤机作为煤炭能源开采至关重要的设备,承担着割煤、装煤等任务,但恶劣的工况和高强度、高负荷的工作状态以及滞后的维护措施等因素导致其故障频发,降低设备的工作效率,危害企业、社会乃至国家的生产利益,威胁相关人员的生命安全,故对采煤机进行高效可靠的健康管理势在必行。采煤机摇臂是采煤机的关键执行机构,它的剩余寿命情况与采煤机整机的健康状态息息相关,因此,对采煤机摇臂关键零部件进行剩余寿命预测极其重要。目前,基于深度学习理论进行剩余寿命分析预测的研究如火如荼,但针对采煤机设备的相关研究仍不够全面,且大多数研究主要基于专家经验或软件、数学模型的静态仿真,缺乏实时性和动态性,将理论分析转化为实际应用的实践探索也较为缺乏。随着机器学习、神经网络、大数据、互联网+等新理论和新技术的出现与成熟,构建智能化、经济适用、高效准确的设备剩余寿命预测平台是大势所趋。本文采用深度学习理论与系统开发技术相结合的方法,以采煤机摇臂关键零部件为主要监测和研究对象,以对关键零部件的剩余寿命动态预测为主要目的,构建基于深度学习的剩余寿命预测神经网络模型,开发基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统。实现了深度学习理论分析向应用实际的转化,丰富了采煤机的预测性维护等健康管理手段,满足用户所需,顺应社会的进步趋势和新“四化”的发展要求。分析采煤机摇臂关键零部件的失效现象及原因,明确剩余寿命预测系统所针对的零部件对象,确定采煤机摇臂关键零部件的数据类型,针对拥有全生命周期数据的零部件,构建深度卷积神经网络模型(deep convolutional neural network,DCNN)进行剩余寿命分析预测,对于拥有非全生命周期数据的零部件,构建自编码器(auto-encoder,AE)与双向门循环单元(bidirectional gated recurrent unit,bi-GRU)结合的深度神经网络模型进行剩余寿命分析预测,充分发挥各个模型的预测特性和预测能力,提高对零部件分析的差异性和针对性,提升预测结果的有效性和准确性。探索深度神经网络模型嵌入系统环境的手段,封装涵盖数据提取、数据预处理、特征提取、剩余寿命分析预测等过程的各类深度神经网络模型,利用C#语言中process类调用进程的方法解决Python语言环境下的剩余寿命预测模型与C#语言环境下的Web系统的兼容问题。基于成熟的ASP.NET系统开发框架和B/S系统架构,利用Microsoft Visual Studio 2010系统开发平台和Microsoft SQL Server 2008 R2数据库软件作为系统开发手段,结合使用Echarts图像生成工具、Python编程语言等协同技术,设计和开发基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,对每个关键零部件均实现部件简介、监测动态、寿命预测及历史记录的功能。经测试,所构建的系统界面友好,功能丰富且适用性强,兼容性好,安全性和稳定性较高。

基于卷积神经网络的轴承故障诊断及寿命预测研究

这是一篇关于卷积神经网络,轴承,故障诊断,剩余寿命预测,时间卷积网络的论文, 主要内容为随着机械设备在现代工业中广泛使用,其功能和复杂性也在不断增加,轴承作为机械设备中应用最广泛的零部件之一,其健康状态直接关系到机械设备能否长期安全可靠地运行,由于经常在高温、高速、重载等恶劣条件下运行,轴承容易发生各种故障,一旦发生故障可能会带来重大经济损失,甚至引发安全事故。因此,对轴承进行故障诊断及寿命预测具有重要意义。卷积神经网络(Convolutional Neural Network,CNN)可以自动从轴承振动信号中挖掘不同层次特征,已成为解决轴承故障诊断及寿命预测问题的重要技术之一。本文针对轴承故障诊断及寿命预测中特征提取困难、模型泛化性较差等问题,基于卷积神经网络开展轴承故障诊断及寿命预测研究,本文的主要研究内容包括:(1)基于改进Le Net-5时频分析的轴承故障诊断研究。针对轴承故障诊断中特征提取困难、诊断精度低等问题,提出了一种基于改进Le Net-5时频分析的轴承故障诊断方法。首先将轴承振动信号经短时傅里叶变换转化为时频图,引入可变形卷积改进Le Net-5模型,可变形卷积通过学习可偏移向量,以适应不同故障类型的时频图,根据时频信息分布自适应调整感受野,丰富网络的特征表达能力;采用Se LU激活函数代替Le Net-5模型中的Sigmoid激活函数,既能避免训练过程中出现梯度消失和梯度爆炸问题,又能避免使用Re LU激活函数带来的神经元死亡问题。在江南大学轴承数据集上进行实验,验证了所提方法的有效性和泛化性。(2)基于改进深度残差收缩网络的轴承故障诊断研究。针对轴承故障诊断中复杂故障识别困难、模型鲁棒性差等问题,提出了一种基于改进深度残差收缩网络的轴承故障诊断方法。引入ECA注意力模块改进深度残差收缩网络,通过ECA注意力模块赋予故障信息不同的权重,减少有效信息丢失。改进的深度残差收缩网络通过残差连接提高模型稳定性,并重点关注具有区分度的细节特征,提升软阈值效果,能够充分挖掘时序信号间的潜在特征和有效信息并进行故障识别。在PU轴承数据集和货车轮对轴承数据集上进行实验,验证了所提方法的有效性和鲁棒性,实现了端到端的智能故障诊断。(3)基于CNN-TCN模型的轴承剩余寿命预测研究。为有效刻画轴承随时间变化的演变规律,结合卷积神经网络和时间卷积网络(Temporal Convolutional Network,TCN)各自的优势,提出了一种基于CNN-TCN模型的轴承剩余寿命预测方法。该方法直接将获取的原始轴承振动信号作为模型输入,通过CNN自动提取不同层次特征信息,结合TCN对时序信号的处理能力,充分挖掘轴承振动信号间的时序关联性,构建健康指标,并确定失效阈值,采用五点三次平滑法对获取的健康指标进行平滑,过滤冗余信息,最后,利用一次线性函数拟合退化趋势,实现轴承剩余寿命预测。在PHM 2012滚动轴承加速寿命试验数据集上进行实验,验证了所提模型的优越性,此外,所提模型在参数量和运行时间上相较于其它时序模型也具有一定优势。

基于残差网络和改进长短时记忆网络的滚动轴承剩余寿命预测研究

这是一篇关于滚动轴承,剩余寿命预测,卷积神经网络,长短时记忆网络,自注意力机制的论文, 主要内容为滚动轴承作为旋转机械的关键部件,被广泛应用于现代工业设备。在轴承运行过程中,由于受到磨损、负载、温度等内外部因素的综合作用,轴承性能会不可避免地发生退化,当退化达到一定程度时将会引起轴承失效,轴承一旦失效将会对设备及人员安全造成巨大威胁,进而造成严重的经济损失和资源浪费。因此,在轴承失效前开展剩余使用寿命预测研究,可以消除轴承故障带来的安全隐患,对保障设备安全运行具有重要意义。本文以滚动轴承为研究对象,利用深度学习算法强大的特征提取能力与非线性拟合能力,对滚动轴承开展剩余寿命预测研究。本文主要工作内容如下:(1)针对传统数据驱动的方法过度依赖先验知识、需要人工提取特征且特征提取能力不足,从而导致预测精度不高等问题,提出一种卷积神经网络(CNN)与长短时记忆网络(LSTM)结合的剩余寿命(RUL)预测方法(CNN-LSTM)。首先,利用CNN直接对原始信号进行特征提取,由于CNN具有强大的空间特征提取能力,从而省去了人工提取特征的环节。其次,将CNN提取到的特征输入至LSTM,由于轴承振动信号为时序信息,而LSTM具有优秀的时序特征提取能力,从而弥补了CNN提取特征的不足。因此,CNN-LSTM模型可以分别从空间和时间两个维度上深度提取滚动轴承退化特征。最后,采用IEEE PHM2012滚动轴承退化数据集对所提方法进行了验证,并将其结果与RNN、CNN、LSTM等方法的预测结果进行了对比分析。研究结果表明:CNN-LSTM方法的两项误差值(RMSE、MAE)均取得了最小值,证明了所提方法对轴承RUL预测的可行性和准确性。(2)针对CNN层数过深时出现的网络退化问题以及LSTM提取特征不全面问题,提出了残差网络(Res Net)、双向长短时记忆网络(Bi LSTM)以及自注意力机制(SelfAttention)结合的剩余寿命预测方法(ResNet-ABiLSTM)。其中:Res Net通过在CNN上引入残差模块,在深度提取特征的同时有效避免了信息丢失;Bi LSTM可以提取序列前向和后向的特征信息,因此提取的特征更加丰富全面;Self-Attention可以自动判别不同特征之间的关系,并根据重要程度分配相应的权重,在网络中引入Self-Attention可以提高模型准确率和鲁棒性。采用IEEE PHM2012滚动轴承退化数据集对所提方法进行了验证,并将其结果与CNN-LSTM、Res Net-LSTM、Res Net-Bi LSTM等方法的预测结果进行了对比分析。研究结果表明:ResNet-ABiLSTM方法的两项误差值(RMSE、MAE)均取得了最小值,证明了所提方法对轴承RUL预测的精确性和优越性。(3)为了测试ResNet-ABiLSTM模型的稳定性和鲁棒性,采用XJTU-SY滚动轴承退化数据集对该模型进行了实验验证。实验结果证明了该模型优秀的泛化性能。

基于数据驱动的旋转机械故障检测及性能退化预测技术研究

这是一篇关于数据驱动,无监督学习,深度学习,故障诊断,剩余寿命预测的论文, 主要内容为轴承以及齿轮等作为旋转机械中的关键基础零件,被广泛应用在船舶、石化、电力、冶金等关键领域,其性能、寿命和可靠性对整个旋转机械系统的安全稳定运转起着决定性的作用。随着信号检测与处理技术、计算机技术的快速发展,现代设备的状态监测趋向于多测点、高频采样,往往采集到海量的,同时具备多模态、涌现性等特性的原始数据。基于机器学习的故障诊断及退化预测模型对高质量标签数据具有高度依赖性,使用低质量的数据训练模型往往会出现欠拟合、过拟合等问题,导致故障诊断及性能退化预测精度大幅降低。因此,开展旋转机械早期状态监测信号预处理、高鲁棒性的故障诊断模型、非理想数据下的性能退化预测模型研究具有重要意义。本文以轴承、涡扇发动机等旋转机械关键部件为研究对象,基于无监督学习、深度学习开展数据驱动的信号预处理、故障识别和性能退化预测研究,最后在实验数据以及公开数据集上验证了提出的算法。本文的主要研究内容如下:(1)提出了旋转机械早期状态监测数据预处理方法为克服基于机器学习的诊断及退化预测模型对大量高质量标签样本数据的依赖。首先,设计了基于VALENIAN-PT500振动试验平台的轴承、齿轮故障振动信号采集实验方案;其次,提出了基于移动网格密度的聚类算法(MGBDCN),实现对故障数据的预分类;然后,基于生成对抗网络(GAN)与迁移学习网络实现对小样本故障数据集的扩充;最后,在试验台的故障信号上验证算法的有效性。(2)提出了基于嵌入式融合的收缩堆栈降噪自编码器的故障诊断方法由于故障信号包含强噪声和伴随振动信息,因此,提出了一种在噪声环境下特征识别准确性更高的嵌入式融合的收缩堆栈降噪自编码器(EF-CSDAE)。首先介绍了滚动轴承常见故障形式;其次,在常见的降噪自编码器的损失函数上加入雅各比惩罚矩阵,使获得的收缩堆栈降噪自编码器(CSDAE)具有更高的鲁棒性;最后,将原始信号嵌入深层自编码器网络,构建了EF-CSDAE故障识别模型,在JUST试验台采集的滚动轴承故障数据集以及凯斯西储大学(CWRU)数据集上对模型进行了验证。(3)提出了基于滑动窗口-长短期生成对抗网络的性能退化预测方法为了实现在非理想数据条件下的旋转机械剩余使用寿命(RUL)预测。首先,基于核主成分分析(KPCA)以及局部保持投影(LPP)算法实现性能退化指标的特征约简;其次,通过提出的滑动窗口-长短期生成对抗网络(SW-LSGAN)算法,实现了对非理想信号的RUL预测,并在C-MAPSS涡轮引擎退化数据集上进行验证。(4)开发了基于数据驱动的旋转机械健康管理系统为应对旋转机械实时运转过程中可能出现的故障,且实时掌握设备健康状况,研发了基于数据驱动的旋转机械健康管理系统。首先,介绍本文所开发系统的整体架构;其次,详细阐述了系统主要功能模块的实现及开发流程;最后,在振动试验平台验证了开发系统的实用性。

铁路货车轴承故障预测与健康管理系统的设计与实现

这是一篇关于铁路货车,故障诊断,剩余寿命预测的论文, 主要内容为一直以来,铁路运输与轨道交通是我国国民经济的大动脉,并在国民经济中占有极其重要的地位。随着交通的不断发展,铁路货车运输管理的综合化、复杂化、一体化、智能化程度也不断提高,其运行安全、故障诊断及检修的高效与快速等问题变得越来越重要。为了保障安全,避免不必要的经济损失,需要对铁路货车进行管理与维护。利用智能故障诊断技术,可以有效进行货车关键部件的按需维护,动态预测货车关键部件使用寿命;还可以快速诊断已发生故障的货车关键部件故障类型,迅速修复故障,提高生产效率。并且能够在保证安全的情况下,有效降低企业成本。另外,如果在早期给出货车关键部件的运行状态,就能实现故障的预测,降低故障发生率,从而可以大大提高铁路货车的运行质量。因此,本文提出了铁路货车轴承故障预测与健康管理系统,通过深度学习技术,实现对车辆轴承的故障诊断与剩余使用寿命预测,并完成对铁路货车的状态监测以及对车辆基础信息与运行数据信息的系统化管理。本文从需求分析、概要设计、详细设计实现到系统测试对铁路货车轴承故障预测与健康管理系统进行了完整开发。首先进行需求分析,调研用户实际需求确定系统功能,同时分析了系统非功能性需求。系统分为登录鉴权模块、状态监控模块、故障诊断模块、故障预警模块、操作管理模块以及用户管理模块。然后是概要设计,本文基于MVC框架进行系统设计,研发采取前后端分离的形式,前后端分别采用Vue框架以及Spring Boot框架。登录鉴权功能由Spring Security实现。使用My SQL数据库对系统中的车辆、设备、配置等基础信息以及用户操作记录、故障与预警记录等运行数据信息进行存储,使用Redis(Remote Dictionary Server,远程字典服务)对特定数据信息进行缓存。接着是详细设计与实现,基于概要设计对系统功能模块进行开发。在故障诊断模块中,本文基于1D-CNN(One-dimensional Convolutional Neural Networks,一维卷积神经网络)建立了故障诊断模型,实现了对于轴承的故障诊断;在1D-CNN的基础上,引入了LSTM(Long Short-Term Memory,长短期记忆网络)网络以解决轴承振动信号的时序性问题,采用CNNLSTM模型来预估轴承的剩余使用寿命。最后对系统进行测试,为系统所有功能模块编写测试用例并对非功能性测试进行说明。本系统目前已在实际中投入使用,系统运行状况良好,为未来铁路货车故障诊断预测算法的深入研究与后续维修管理、决策支持等功能模块的持续开发提供了平台基础。

基于卷积神经网络的轴承故障诊断及寿命预测研究

这是一篇关于卷积神经网络,轴承,故障诊断,剩余寿命预测,时间卷积网络的论文, 主要内容为随着机械设备在现代工业中广泛使用,其功能和复杂性也在不断增加,轴承作为机械设备中应用最广泛的零部件之一,其健康状态直接关系到机械设备能否长期安全可靠地运行,由于经常在高温、高速、重载等恶劣条件下运行,轴承容易发生各种故障,一旦发生故障可能会带来重大经济损失,甚至引发安全事故。因此,对轴承进行故障诊断及寿命预测具有重要意义。卷积神经网络(Convolutional Neural Network,CNN)可以自动从轴承振动信号中挖掘不同层次特征,已成为解决轴承故障诊断及寿命预测问题的重要技术之一。本文针对轴承故障诊断及寿命预测中特征提取困难、模型泛化性较差等问题,基于卷积神经网络开展轴承故障诊断及寿命预测研究,本文的主要研究内容包括:(1)基于改进Le Net-5时频分析的轴承故障诊断研究。针对轴承故障诊断中特征提取困难、诊断精度低等问题,提出了一种基于改进Le Net-5时频分析的轴承故障诊断方法。首先将轴承振动信号经短时傅里叶变换转化为时频图,引入可变形卷积改进Le Net-5模型,可变形卷积通过学习可偏移向量,以适应不同故障类型的时频图,根据时频信息分布自适应调整感受野,丰富网络的特征表达能力;采用Se LU激活函数代替Le Net-5模型中的Sigmoid激活函数,既能避免训练过程中出现梯度消失和梯度爆炸问题,又能避免使用Re LU激活函数带来的神经元死亡问题。在江南大学轴承数据集上进行实验,验证了所提方法的有效性和泛化性。(2)基于改进深度残差收缩网络的轴承故障诊断研究。针对轴承故障诊断中复杂故障识别困难、模型鲁棒性差等问题,提出了一种基于改进深度残差收缩网络的轴承故障诊断方法。引入ECA注意力模块改进深度残差收缩网络,通过ECA注意力模块赋予故障信息不同的权重,减少有效信息丢失。改进的深度残差收缩网络通过残差连接提高模型稳定性,并重点关注具有区分度的细节特征,提升软阈值效果,能够充分挖掘时序信号间的潜在特征和有效信息并进行故障识别。在PU轴承数据集和货车轮对轴承数据集上进行实验,验证了所提方法的有效性和鲁棒性,实现了端到端的智能故障诊断。(3)基于CNN-TCN模型的轴承剩余寿命预测研究。为有效刻画轴承随时间变化的演变规律,结合卷积神经网络和时间卷积网络(Temporal Convolutional Network,TCN)各自的优势,提出了一种基于CNN-TCN模型的轴承剩余寿命预测方法。该方法直接将获取的原始轴承振动信号作为模型输入,通过CNN自动提取不同层次特征信息,结合TCN对时序信号的处理能力,充分挖掘轴承振动信号间的时序关联性,构建健康指标,并确定失效阈值,采用五点三次平滑法对获取的健康指标进行平滑,过滤冗余信息,最后,利用一次线性函数拟合退化趋势,实现轴承剩余寿命预测。在PHM 2012滚动轴承加速寿命试验数据集上进行实验,验证了所提模型的优越性,此外,所提模型在参数量和运行时间上相较于其它时序模型也具有一定优势。

铁路货车轴承故障预测与健康管理系统的设计与实现

这是一篇关于铁路货车,故障诊断,剩余寿命预测的论文, 主要内容为一直以来,铁路运输与轨道交通是我国国民经济的大动脉,并在国民经济中占有极其重要的地位。随着交通的不断发展,铁路货车运输管理的综合化、复杂化、一体化、智能化程度也不断提高,其运行安全、故障诊断及检修的高效与快速等问题变得越来越重要。为了保障安全,避免不必要的经济损失,需要对铁路货车进行管理与维护。利用智能故障诊断技术,可以有效进行货车关键部件的按需维护,动态预测货车关键部件使用寿命;还可以快速诊断已发生故障的货车关键部件故障类型,迅速修复故障,提高生产效率。并且能够在保证安全的情况下,有效降低企业成本。另外,如果在早期给出货车关键部件的运行状态,就能实现故障的预测,降低故障发生率,从而可以大大提高铁路货车的运行质量。因此,本文提出了铁路货车轴承故障预测与健康管理系统,通过深度学习技术,实现对车辆轴承的故障诊断与剩余使用寿命预测,并完成对铁路货车的状态监测以及对车辆基础信息与运行数据信息的系统化管理。本文从需求分析、概要设计、详细设计实现到系统测试对铁路货车轴承故障预测与健康管理系统进行了完整开发。首先进行需求分析,调研用户实际需求确定系统功能,同时分析了系统非功能性需求。系统分为登录鉴权模块、状态监控模块、故障诊断模块、故障预警模块、操作管理模块以及用户管理模块。然后是概要设计,本文基于MVC框架进行系统设计,研发采取前后端分离的形式,前后端分别采用Vue框架以及Spring Boot框架。登录鉴权功能由Spring Security实现。使用My SQL数据库对系统中的车辆、设备、配置等基础信息以及用户操作记录、故障与预警记录等运行数据信息进行存储,使用Redis(Remote Dictionary Server,远程字典服务)对特定数据信息进行缓存。接着是详细设计与实现,基于概要设计对系统功能模块进行开发。在故障诊断模块中,本文基于1D-CNN(One-dimensional Convolutional Neural Networks,一维卷积神经网络)建立了故障诊断模型,实现了对于轴承的故障诊断;在1D-CNN的基础上,引入了LSTM(Long Short-Term Memory,长短期记忆网络)网络以解决轴承振动信号的时序性问题,采用CNNLSTM模型来预估轴承的剩余使用寿命。最后对系统进行测试,为系统所有功能模块编写测试用例并对非功能性测试进行说明。本系统目前已在实际中投入使用,系统运行状况良好,为未来铁路货车故障诊断预测算法的深入研究与后续维修管理、决策支持等功能模块的持续开发提供了平台基础。

基于多域退化特征的智能装备部件寿命预测研究

这是一篇关于复杂装备,核心部件,剩余寿命预测,SVR,LSSVR,Bagging,运维服务系统的论文, 主要内容为复杂装备的核心部件作为装备关键基础件,对装备运行的安全性和可靠性有着非常重要的影响。有效预测复杂装备核心部件的剩余使用寿命(Remain Useful Life,RUL),并根据预测结果对核心部件进行提前维护和更换,能够降低复杂装备故障发生的几率,实现降本增效。近年来,基于数据驱动的装备RUL预测方法引起了研究学者的广泛关注,提取能够反映装备性能退化状态的特征是RUL预测的关键。因此,本文基于原始运行工况数据,考虑核心部件机理,提取了多域退化特征来反映核心部件的性能退化状态,在此基础上,研究了复杂装备核心部件的RUL预测方法,并应用于液压成形装备的智能运维服务系统中,从而保障装备的长时间高可靠运行。本文的主要研究工作和成果如下:首先,提取了能够反映复杂装备核心部件性能状态的多域退化特征。在对原始运行工况数据的进行预处理基础上,考虑部件机理,提取了包含多时域特征指标和混频域特征指标的多域退化特征。为了消除特征间冗余信息的干扰,进行了唯一值特征、共线特征、零重要度特征和低重要度特征选择。为了获得能够反映核心部件性能退化状态的特征,本文采用核主成分分析(KPCA)进行了特征融合。其次,研究了复杂装备核心部件的RUL预测方法。首先运用支持向量回归(SVR)与最小二乘支持向量回归(LSSVR)模型进行部件RUL预测。研究发现,LSSVR模型整体预测性能优于SVR模型。为了提高部件的RUL预测精度,本文提出了基于Bagging模型融合的装备核心部件RUL预测方法,以SVR模型和LSSVR模型作为个体学习器。通过与单一模型对比分析,发现基于Bagging模型融合的RUL预测方法的预测误差更小,能更有效地反映实际情况。最后,基于本文研究的算法,在Spring Cloud架构基础上,设计和开发了一套面向液压成形装备的运维服务系统,包括运维管控平台、装备用户移动端和维修人员移动端。本系统支持装备状态监测、健康分析、寿命预测与事故风险预警等,实现了运维服务全流程的智能化与数字化。

基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统

这是一篇关于采煤机摇臂,剩余寿命预测,深度学习,DCNN,AE bi-GRU,交互系统的论文, 主要内容为煤矿是我国的重要能源之一,采煤机作为煤炭能源开采至关重要的设备,承担着割煤、装煤等任务,但恶劣的工况和高强度、高负荷的工作状态以及滞后的维护措施等因素导致其故障频发,降低设备的工作效率,危害企业、社会乃至国家的生产利益,威胁相关人员的生命安全,故对采煤机进行高效可靠的健康管理势在必行。采煤机摇臂是采煤机的关键执行机构,它的剩余寿命情况与采煤机整机的健康状态息息相关,因此,对采煤机摇臂关键零部件进行剩余寿命预测极其重要。目前,基于深度学习理论进行剩余寿命分析预测的研究如火如荼,但针对采煤机设备的相关研究仍不够全面,且大多数研究主要基于专家经验或软件、数学模型的静态仿真,缺乏实时性和动态性,将理论分析转化为实际应用的实践探索也较为缺乏。随着机器学习、神经网络、大数据、互联网+等新理论和新技术的出现与成熟,构建智能化、经济适用、高效准确的设备剩余寿命预测平台是大势所趋。本文采用深度学习理论与系统开发技术相结合的方法,以采煤机摇臂关键零部件为主要监测和研究对象,以对关键零部件的剩余寿命动态预测为主要目的,构建基于深度学习的剩余寿命预测神经网络模型,开发基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统。实现了深度学习理论分析向应用实际的转化,丰富了采煤机的预测性维护等健康管理手段,满足用户所需,顺应社会的进步趋势和新“四化”的发展要求。分析采煤机摇臂关键零部件的失效现象及原因,明确剩余寿命预测系统所针对的零部件对象,确定采煤机摇臂关键零部件的数据类型,针对拥有全生命周期数据的零部件,构建深度卷积神经网络模型(deep convolutional neural network,DCNN)进行剩余寿命分析预测,对于拥有非全生命周期数据的零部件,构建自编码器(auto-encoder,AE)与双向门循环单元(bidirectional gated recurrent unit,bi-GRU)结合的深度神经网络模型进行剩余寿命分析预测,充分发挥各个模型的预测特性和预测能力,提高对零部件分析的差异性和针对性,提升预测结果的有效性和准确性。探索深度神经网络模型嵌入系统环境的手段,封装涵盖数据提取、数据预处理、特征提取、剩余寿命分析预测等过程的各类深度神经网络模型,利用C#语言中process类调用进程的方法解决Python语言环境下的剩余寿命预测模型与C#语言环境下的Web系统的兼容问题。基于成熟的ASP.NET系统开发框架和B/S系统架构,利用Microsoft Visual Studio 2010系统开发平台和Microsoft SQL Server 2008 R2数据库软件作为系统开发手段,结合使用Echarts图像生成工具、Python编程语言等协同技术,设计和开发基于深度学习的采煤机摇臂关键零部件剩余寿命预测系统,对每个关键零部件均实现部件简介、监测动态、寿命预测及历史记录的功能。经测试,所构建的系统界面友好,功能丰富且适用性强,兼容性好,安全性和稳定性较高。