Robust-MBDL: A Robust Multi-branch Deep Learning Based Model for Remaining Useful Life Prediction and Operational Condition Identification of Rotating Machines

要約

この論文では、回転機械の残存耐用年数 (RUL) 予測と条件操作 (CO) 同定のための堅牢なマルチブランチ ディープラーニング ベースのシステムを提案します。
特に、提案されたシステムは次の主要コンポーネントで構成されます。(1) 振動データのノイズを除去する LSTM オートエンコーダ。
（２）ノイズ除去されたデータから時間領域、周波数領域、および時間周波数ベースの特徴を生成するための特徴抽出。
(3) 複数の機能を活用するための、斬新で堅牢なマルチブランチ深層学習ネットワーク アーキテクチャ。
私たちが提案したシステムのパフォーマンスが評価され、XJTU-SY と PRONOSTIA の 2 つのベンチマーク データセットで最先端のシステムと比較されました。
実験結果は、私たちが提案したシステムが最先端のシステムよりも優れており、軸受機械での実際のアプリケーションの可能性を示していることを証明しています。

要約(オリジナル)

In this paper, a Robust Multi-branch Deep learning-based system for remaining useful life (RUL) prediction and condition operations (CO) identification of rotating machines is proposed. In particular, the proposed system comprises main components: (1) an LSTM-Autoencoder to denoise the vibration data; (2) a feature extraction to generate time-domain, frequency-domain, and time-frequency based features from the denoised data; (3) a novel and robust multi-branch deep learning network architecture to exploit the multiple features. The performance of our proposed system was evaluated and compared to the state-of-the-art systems on two benchmark datasets of XJTU-SY and PRONOSTIA. The experimental results prove that our proposed system outperforms the state-of-the-art systems and presents potential for real-life applications on bearing machines.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google