滾動(dòng)軸承信號(hào)處理與預(yù)測(cè)研究的文獻(xiàn)綜述目錄TOC\o"1-3"\h\u9649滾動(dòng)軸承信號(hào)處理與預(yù)測(cè)研究的文獻(xiàn)綜述 141571.1研究背景及意義 160521.2國(guó)內(nèi)外研究現(xiàn)狀 2249571.2.1滾動(dòng)軸承振動(dòng)信號(hào)的處理現(xiàn)狀 310801.2.2壽命預(yù)測(cè)方法研究現(xiàn)狀 3312001.3深度學(xué)習(xí)模型 490391.3.1卷積神經(jīng)網(wǎng)絡(luò)模型 5235471.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)模型 622137參考文獻(xiàn) 71.1研究背景及意義隨著工業(yè)的快速發(fā)展，如何對(duì)機(jī)械設(shè)備進(jìn)行有效方便的監(jiān)控管理成了重中之重。如何從監(jiān)測(cè)的大量的數(shù)據(jù)中對(duì)設(shè)備進(jìn)行管理維修，使設(shè)備得到保障成了具有挑戰(zhàn)的難題。其中對(duì)設(shè)備進(jìn)行壽命預(yù)測(cè)有著重大的意義和重要價(jià)值，若如在生產(chǎn)中設(shè)備發(fā)生故障，將會(huì)使得生產(chǎn)鏈停運(yùn)，無(wú)法正常運(yùn)轉(zhuǎn)；甚至整個(gè)公司的生產(chǎn)系統(tǒng)癱瘓，會(huì)給企業(yè)帶來(lái)巨大損失。因此建立壽命預(yù)測(cè)模型可以指導(dǎo)企業(yè)的設(shè)備更換和維護(hù)，大大降低了成本[1]。軸承是現(xiàn)當(dāng)代機(jī)械中最重要的零件之一。被稱作為“機(jī)械行業(yè)的食量”，運(yùn)用于各種機(jī)器中，軸承的可靠性直接關(guān)系到機(jī)械的可靠性[2]。因此對(duì)軸承的壽命預(yù)測(cè)是很重要的，本文采取了基于振動(dòng)信號(hào)對(duì)軸承剩余使用壽命進(jìn)行了預(yù)測(cè)。隨著科學(xué)技術(shù)的迅速發(fā)展，軸承的壽命預(yù)測(cè)和監(jiān)測(cè)理論技術(shù)也得到巨大的進(jìn)步，軸承壽命預(yù)測(cè)的結(jié)果也變得越來(lái)越精確。最近幾年軸承的壽命預(yù)測(cè)方法呈現(xiàn)出“百家爭(zhēng)鳴”的形勢(shì)，籠統(tǒng)來(lái)說(shuō)有統(tǒng)計(jì)壽命評(píng)估方法、智能壽命評(píng)估方法、信息壽命融合評(píng)估方法。本文著重講述基于長(zhǎng)短時(shí)神經(jīng)網(wǎng)絡(luò)（LSTM）對(duì)軸承的剩余使用壽命的預(yù)測(cè)，LSTM作為循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的改進(jìn)版，加強(qiáng)了模型的長(zhǎng)期記憶能力[3]。在最近的研究中發(fā)現(xiàn)，有著可以同時(shí)反映系統(tǒng)整體健康狀況和排除其他干擾信號(hào)的時(shí)域特征可以用公式把它的物理含義表示出來(lái)，這種更容易被人接受并且時(shí)域特征被運(yùn)用的地方已經(jīng)很廣泛了。在時(shí)域特征中在均方根值（RMS）被廣泛應(yīng)用在評(píng)估振動(dòng)信號(hào)中，他能有效的反應(yīng)軸承的退化，可以作為壽命階段劃分的依據(jù)。為了使信號(hào)更好的描述，文中實(shí)驗(yàn)使用了方根值，峰度等特征值。因?yàn)樵趯?shí)驗(yàn)中樣本之間有著關(guān)聯(lián)，因此選用了循環(huán)神經(jīng)的改進(jìn)版的長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)。1.2國(guó)內(nèi)外研究現(xiàn)狀隨著工業(yè)4.0的到來(lái)，人工智能+被提出，傳統(tǒng)的工業(yè)制造向著智能化發(fā)展。在該領(lǐng)域，PHM（PrognosticsandHealthManagement）的研究熱度空前高漲。PHM可以對(duì)機(jī)械故障進(jìn)行預(yù)警，估計(jì)機(jī)械設(shè)備的剩余使用壽命，實(shí)現(xiàn)最小化成本等。其中RUL預(yù)測(cè)是最有挑戰(zhàn)性的技術(shù)之一在PHM中。機(jī)械設(shè)備中的RUL是隨機(jī)的而且難以預(yù)料，因此需要通過(guò)有限的信息中對(duì)RUL進(jìn)行預(yù)測(cè)。在機(jī)械運(yùn)動(dòng)過(guò)程中，這種有效的信息往往無(wú)法通過(guò)觀察直接獲得，因此需要通過(guò)各種儀器進(jìn)行測(cè)量。但是這種測(cè)量可以通過(guò)各種傳感器間接測(cè)量，使用傳感器在機(jī)械設(shè)備關(guān)鍵部分進(jìn)行狀態(tài)監(jiān)測(cè)，然后進(jìn)行數(shù)據(jù)的采集，比較常見(jiàn)的傳感器有振動(dòng)、壓力、溫度傳感器，然后對(duì)傳感器信號(hào)進(jìn)行分析，便可以對(duì)設(shè)備的狀態(tài)進(jìn)行估計(jì)。最后通過(guò)數(shù)據(jù)驅(qū)動(dòng)的RUL預(yù)測(cè)構(gòu)建相關(guān)模型，以此來(lái)預(yù)測(cè)未來(lái)的健康狀態(tài)。軸承的RUL公式如下（1-1）所示：TRUL(T)={TF(t)-t|其中t是軸承使用時(shí)間，TF（t）是軸承的失效的時(shí)間，Z(t)是t時(shí)刻之前的全部信息。在機(jī)械工程中，由于軸承的工作狀態(tài)不同，機(jī)械設(shè)備裝備故障等原因，會(huì)導(dǎo)致軸承的實(shí)際壽命和理論壽命不同。即使是同一批軸承，在使用的過(guò)程中，它們的壽命差異也會(huì)有很大不同，因此對(duì)設(shè)備維護(hù)帶來(lái)了困難和挑戰(zhàn)。所以對(duì)軸承進(jìn)行RUL預(yù)測(cè)有著很重要的意義。在信息技術(shù)和現(xiàn)代工業(yè)技術(shù)飛速發(fā)展的當(dāng)下，現(xiàn)代化的裝備向著更加精密、大型、智能化的方向發(fā)展，并且如今的裝備還需要適應(yīng)復(fù)雜多變的工作環(huán)境，在多數(shù)時(shí)候現(xiàn)代設(shè)備需要在極度惡劣的環(huán)境下進(jìn)行工作，因此現(xiàn)代設(shè)備的穩(wěn)定性和可靠性等多方面面臨著巨大挑戰(zhàn)。在這個(gè)背景下，系統(tǒng)的監(jiān)控和維護(hù)受到越來(lái)越到的學(xué)者的關(guān)注。近年來(lái)，隨著科學(xué)技術(shù)的退進(jìn)，可以通過(guò)利用有效的工業(yè)大數(shù)據(jù)對(duì)RUL進(jìn)行準(zhǔn)確的預(yù)測(cè)，使得通過(guò)大數(shù)據(jù)驅(qū)動(dòng)的RUL預(yù)測(cè)方法變成了這個(gè)領(lǐng)域的主流預(yù)測(cè)方法。所以，基于數(shù)據(jù)驅(qū)動(dòng)RUL預(yù)測(cè)成為了現(xiàn)今的一個(gè)熱點(diǎn)問(wèn)題，被越來(lái)越多的人所關(guān)注。1.2.1滾動(dòng)軸承振動(dòng)信號(hào)的處理現(xiàn)狀因?yàn)闈L動(dòng)軸承的運(yùn)行的時(shí)候，情況比較復(fù)雜，所以采集和傳輸設(shè)備會(huì)對(duì)測(cè)得的信號(hào)產(chǎn)生影響。原始的振動(dòng)信號(hào)存在著大量的噪聲，如果直接對(duì)原始信號(hào)進(jìn)行分析會(huì)導(dǎo)致特征提取產(chǎn)生較大的誤差，從而影響滾動(dòng)軸承剩余使用壽命的預(yù)測(cè)。現(xiàn)在常用的方法有以下兩種。（1）濾波器法濾波器法是對(duì)原始信號(hào)進(jìn)行頻譜分析，然后獲得原始信號(hào)的高低頻分量，然后對(duì)其進(jìn)行人工截?cái)?，最后完成?duì)原始信號(hào)的降噪。趙俊龍構(gòu)造了梳妝濾波器在對(duì)齒輪嚙合頻率進(jìn)行濾波的時(shí)候，然后提取了軸承的故障特征，并且進(jìn)行了驗(yàn)證在對(duì)實(shí)際工程信號(hào)降噪的時(shí)候。郝洪江等設(shè)計(jì)了一種可以濾除信號(hào)中噪聲和無(wú)用的諧波的多尺度混合型態(tài)的濾波器。然后進(jìn)行仿真數(shù)據(jù)和實(shí)驗(yàn)信號(hào)的分析，得出了適當(dāng)?shù)臑V波器可以抑制背景噪聲而且還可以提取故障的特征信息。張寶等[6]使用高通濾波器對(duì)振動(dòng)信號(hào)的低頻部分進(jìn)行濾除，然后在一定的時(shí)間提取應(yīng)力波和高頻信號(hào)的峰值，然后分析提取到的峰值信號(hào)，最后完成軸承的診斷。由于滾動(dòng)軸承的振動(dòng)信號(hào)存在著連續(xù)、似噪聲等特點(diǎn)，因此用簡(jiǎn)單的頓頻帶很難分辨出噪聲和有效信號(hào)。所以，用濾波器法對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行降噪時(shí)，必須考慮到哪些頻段是噪聲，以及怎樣消除這些干擾。（2）小波降噪法小波變化是一種常用的數(shù)學(xué)變化方法再通過(guò)傅里葉分析后。因?yàn)樾〔ㄗ兓梢跃劢寡芯繉?duì)象的所有細(xì)節(jié)，因此在數(shù)學(xué)界有著顯微鏡的美譽(yù)，而且在噪聲處理的方面有著廣泛的應(yīng)用。小波變化首次應(yīng)用是法國(guó)物理學(xué)家莫雷特運(yùn)用小波分析地震波的局部特征。小波分析能從粗到細(xì)的將分為不同尺度的非線性信號(hào)進(jìn)行分析。Rosen對(duì)于小波基和閾值的優(yōu)化問(wèn)題，他介紹了選擇方法在信號(hào)選擇過(guò)程中，并對(duì)降噪效果進(jìn)行了研究。蔣永華分析并且利用莫雷特小波變化的時(shí)頻域特性，提出了一種可以自適應(yīng)的小波去噪方法。然后進(jìn)行降噪處理對(duì)仿真信號(hào)和滾動(dòng)軸承的振動(dòng)信號(hào)，結(jié)果表明該方法有著很不錯(cuò)的效果。1.2.2壽命預(yù)測(cè)方法研究現(xiàn)狀壽命預(yù)測(cè)的意思指建立預(yù)測(cè)模型在現(xiàn)有的歷史事件序列數(shù)據(jù)，然后對(duì)未來(lái)的數(shù)據(jù)進(jìn)行預(yù)測(cè)。最近幾年比較常用的預(yù)測(cè)方法有以下幾種：（1）曲線擬合平面直角坐標(biāo)系中離散點(diǎn)群坐標(biāo)間的函數(shù)關(guān)系數(shù)由連續(xù)曲線擬合根據(jù)這種處理方式，我們稱之為曲線擬合。擬合的方法有：N次多項(xiàng)式擬合，最小二乘法。小二乘法擬合，高斯擬合，指數(shù)擬合，最常見(jiàn)的是最小二乘擬合。原理是通過(guò)選取適當(dāng)?shù)膮?shù)，使模型的擬合值與各點(diǎn)的真實(shí)值之間的殘差加權(quán)平方和最大小。Liao等使用了一個(gè)可移動(dòng)的窗口，該窗口有72個(gè)取樣時(shí)刻，并在窗口中使用了三階用多項(xiàng)式曲線擬合法對(duì)退化曲線進(jìn)行擬合。盡管曲線擬合法簡(jiǎn)便，但其結(jié)果的預(yù)測(cè)精確度不夠。（2）時(shí)間序列方法時(shí)序法是利用歷史時(shí)序資料，將曲線擬合與參數(shù)估算相結(jié)合的方法，是當(dāng)前最常用的參數(shù)模式預(yù)報(bào)方法。AR模式預(yù)報(bào)和ARMA模式預(yù)測(cè)是最具代表性的兩種方法。玄兆言等人利用EMD方法將所獲得的地震信號(hào)進(jìn)行了分解，并應(yīng)用ARMA和ARMA的時(shí)序模式進(jìn)行了數(shù)值模擬。盡管AR模型的研究已經(jīng)相當(dāng)成熟，但是其預(yù)測(cè)的準(zhǔn)確性卻不高。只用于短期的預(yù)測(cè)。ARMA模型的階數(shù)也很難確定。例如，計(jì)算復(fù)雜等缺陷。（3）神經(jīng)網(wǎng)絡(luò)方法神經(jīng)網(wǎng)絡(luò)是50年代開(kāi)發(fā)的一種用于模擬生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與功能的信息處理系統(tǒng)。與時(shí)間序列法相比，該方法具有更好的優(yōu)越性。在此基礎(chǔ)上，采用了中間的隱藏層，可以對(duì)任意精度的函數(shù)進(jìn)行近似。該方法可用于建立具有高精度要求的非線性模型。由于機(jī)械設(shè)備的振動(dòng)信號(hào)是非線性、不穩(wěn)定的，因此神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)是一種很好的預(yù)測(cè)手段。本文提出了一種基BP神經(jīng)網(wǎng)絡(luò)與LSTM神經(jīng)網(wǎng)絡(luò)的新方法來(lái)對(duì)軸承的剩余使用壽命進(jìn)行預(yù)測(cè)，并且進(jìn)行雙指數(shù)函數(shù)進(jìn)行擬合。最后，再用使用試驗(yàn)結(jié)果證明了BP神經(jīng)網(wǎng)絡(luò)和LSTM神經(jīng)網(wǎng)絡(luò)算法的正確性。（4）支持向量機(jī)支持向量機(jī)（SVM）是在1995年由Vapnik提出的一種以最小結(jié)構(gòu)風(fēng)險(xiǎn)為原則的學(xué)習(xí)方法。它被廣泛地用于滾動(dòng)軸承的故障診斷和壽命預(yù)報(bào)。申中杰等人提出一種利用關(guān)聯(lián)特征與多變量SVM進(jìn)行生命周期預(yù)測(cè)的新方法。當(dāng)樣本數(shù)目很少時(shí)，盡量使用最多的有效信息來(lái)進(jìn)行預(yù)測(cè)。該方法在工程上有較高的推廣價(jià)值。1.3深度學(xué)習(xí)模型作為機(jī)器學(xué)習(xí)的分支，近些年深度學(xué)習(xí)模型發(fā)展迅速，引起了科研界的廣泛關(guān)注。深度學(xué)習(xí)有著一段漫長(zhǎng)的發(fā)展史。他的起源最早來(lái)源于麥卡洛克，但是掀起浪潮卻在2006年[4]，由Hinton教授在《Science》發(fā)表的一篇文章引起。Hinton學(xué)者提出的方法有效的解決了出現(xiàn)在訓(xùn)練中的復(fù)雜的難題。并且在驗(yàn)證了深層神經(jīng)網(wǎng)絡(luò)有著更強(qiáng)大的優(yōu)異性能。2013年時(shí)，王杰等人[5]提出了一種根據(jù)深度學(xué)習(xí)對(duì)非線性性能的短期風(fēng)速預(yù)測(cè)方法，提高了預(yù)測(cè)精度。2018年，劉小勇[6]通過(guò)深度學(xué)習(xí)的LSTM網(wǎng)絡(luò)，第一步先構(gòu)建退化指標(biāo)通過(guò)原始數(shù)據(jù)，接著該數(shù)據(jù)作為輸入數(shù)據(jù)進(jìn)行對(duì)滾動(dòng)軸承和渦輪發(fā)動(dòng)機(jī)進(jìn)行壽命預(yù)測(cè)，最后得到該方法比傳統(tǒng)的機(jī)器方法精確度更高。同年，張娜[7]通過(guò)用深度學(xué)習(xí)模型對(duì)比PSO-BP和LS-SVR模型，得到深度學(xué)習(xí)模型在預(yù)測(cè)壽命更有優(yōu)勢(shì)。高玉林[8]通過(guò)LSTM模型在線對(duì)渦輪發(fā)動(dòng)機(jī)的在線壽命預(yù)測(cè)。如今，深度學(xué)習(xí)已經(jīng)是最熱門的技術(shù)之一，運(yùn)用領(lǐng)域相當(dāng)廣泛，如物體檢測(cè)、自動(dòng)駕駛、圖像分割、預(yù)測(cè)自然災(zāi)害等?？梢?jiàn)深度學(xué)習(xí)的強(qiáng)大，通過(guò)訓(xùn)練多層網(wǎng)絡(luò)，可以從原始數(shù)據(jù)中自動(dòng)地進(jìn)行從底層到高層、具體到抽象的特征學(xué)習(xí)，從而實(shí)現(xiàn)對(duì)數(shù)據(jù)內(nèi)部復(fù)雜關(guān)系的自動(dòng)挖掘。按照被加工的物體本身的特性，將其表現(xiàn)為較高層次的抽象特性。并利用這些先進(jìn)的特性來(lái)進(jìn)行自動(dòng)的學(xué)習(xí)與辨識(shí)。這就是深度學(xué)習(xí)和淺度學(xué)習(xí)的不同之處。在人工特征抽取方面，深度學(xué)習(xí)更注重的是對(duì)原始數(shù)據(jù)的自動(dòng)檢索和學(xué)習(xí)。本節(jié)選取了深度學(xué)習(xí)模型中卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)分析。1.3.1卷積神經(jīng)網(wǎng)絡(luò)模型卷積神經(jīng)網(wǎng)絡(luò)有著可以處理大量數(shù)據(jù)的優(yōu)點(diǎn)，但這具有兩面性；因?yàn)橹挥性跀?shù)據(jù)量足夠大時(shí)，卷積神經(jīng)網(wǎng)絡(luò)才能建成一個(gè)比較好的模型。不然就會(huì)出現(xiàn)很多問(wèn)題，模型的功能也會(huì)差上不少。卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包含以下幾個(gè)部分，卷積層、激活層、池化層和全連接層。CNN有著位移不變性、尺寸不變性、旋轉(zhuǎn)不變性，由于這幾個(gè)特性使得將提取的特征變成抽象特征的更加容易了。導(dǎo)致這幾個(gè)特性的原因是他有著權(quán)值共享、局部連接、空間池化的特性[9]。（1）權(quán)值共享權(quán)值共享是指多個(gè)連接由一個(gè)參數(shù)控制。這樣一來(lái)可以使計(jì)算成本大大減小。直觀來(lái)說(shuō)就是設(shè)Image為5*5的矩陣，那么卷積核為3*3的矩陣。這個(gè)卷積核輸入的圖像與Image上的濾波器是共享的。（2）局部連接局部連接是指輸入神經(jīng)的一部分只與一個(gè)神經(jīng)元連接。但在深度上卻是全部連接，雖然只有局部連接在空間維度上。這個(gè)方法與傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)方法相比，有效的減少了網(wǎng)絡(luò)參數(shù)，降低了網(wǎng)絡(luò)訓(xùn)練的難度。這種連接方式的神經(jīng)元只與上一層的部分神經(jīng)元連接，這個(gè)方式來(lái)源于生物學(xué)中局部感受野。（3）空間池化池化是在提取特征之后開(kāi)始執(zhí)行，他是一種降低采樣的操作。如果將直接提取的特征用于預(yù)測(cè)，數(shù)據(jù)的計(jì)算量是很巨大的，并且容易出現(xiàn)問(wèn)題。但是通過(guò)池化來(lái)對(duì)特征再提取，可以使得得到結(jié)果的過(guò)程變得簡(jiǎn)單，維數(shù)降低。池化是指將特征圖根據(jù)池化尺寸分割成若干不重疊的部分，之后對(duì)各個(gè)部分進(jìn)行相應(yīng)的運(yùn)算。其中，池化分為最大池化和平均池化分別是將選取的區(qū)域選取最大運(yùn)算值，另一個(gè)則是將選取區(qū)域進(jìn)行平均運(yùn)算。1.3.2循環(huán)神經(jīng)網(wǎng)絡(luò)模型 循環(huán)神經(jīng)網(wǎng)絡(luò)有著記憶功能，它是將前一步得到的輸出和現(xiàn)在的輸入結(jié)合起來(lái)作為現(xiàn)在的神經(jīng)元輸入。軸承的振動(dòng)信號(hào)是一段時(shí)序信號(hào)，而且他在每個(gè)時(shí)間段運(yùn)行情況會(huì)影響軸承剩余使用壽命的預(yù)測(cè)。因此具有時(shí)序性的RNN相比傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)對(duì)軸承測(cè)量的壽命效果更好。圖1-1循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖圖2.3展示循環(huán)神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，它的計(jì)算由上一環(huán)節(jié)的隱狀態(tài)和當(dāng)前的輸入狀態(tài)構(gòu)成，其中隱狀態(tài)在t時(shí)刻為st，輸入狀態(tài)在t時(shí)刻是x（1-2）該函數(shù)一般不是線性函數(shù)，在計(jì)算s0時(shí)，要有t0時(shí)刻的前一時(shí)刻，但他并不存在。因此在實(shí)際情況中，通常會(huì)假設(shè)s-1=0；在t時(shí)刻輸出則為ot一對(duì)一一對(duì)多多對(duì)一多對(duì)多多對(duì)多圖1-2RNN的表現(xiàn)形式在圖中每一個(gè)向量都是由矩陣表示，每一個(gè)函數(shù)都是由箭頭表示。其中輸入向量，狀態(tài)向量，輸出向量分別由藍(lán)色、黃色、紅色矩陣表示。從左到右分別是一對(duì)一、一對(duì)多、多對(duì)一、多對(duì)多、多對(duì)多。在對(duì)軸承的剩余壽命預(yù)測(cè)中，輸入，輸出的分別是振動(dòng)信號(hào)的時(shí)序數(shù)列、剩余使用壽命值，對(duì)應(yīng)了圖中的多對(duì)多的形勢(shì)。但是RNN也有著缺陷，當(dāng)在數(shù)據(jù)量更大，結(jié)構(gòu)更復(fù)雜時(shí)，梯度消失爆炸的問(wèn)題就會(huì)在訓(xùn)練是出現(xiàn)。也就隨即出現(xiàn)一個(gè)問(wèn)題，無(wú)法充分利用歷史數(shù)據(jù)。因此，人們?cè)赗NN的基礎(chǔ)上進(jìn)行了改進(jìn)，在RNN加上了入門機(jī)制，這樣一來(lái)就可以控制記憶信息的長(zhǎng)短度。而這就是LSIM網(wǎng)絡(luò)，后面會(huì)進(jìn)行詳細(xì)的簡(jiǎn)紹。參考文獻(xiàn)[1]沈保明,陳保家,趙春華等.深度學(xué)習(xí)在機(jī)械設(shè)備故障預(yù)測(cè)與健康管理中的研究綜述[J].機(jī)床與液壓,2021,49(19):162-171.[2]成龍,譚繼文,姜曉瑜.基于TESPAR和LS-SVM算法的滾動(dòng)軸承退化趨勢(shì)預(yù)測(cè)[J].煤礦機(jī)械，2017，38（8）：18-20.[3]李偉山,王琳,衛(wèi)晨.LSTM在煤礦瓦斯預(yù)測(cè)預(yù)警系統(tǒng)中的應(yīng)用與設(shè)計(jì)[J].西安：西安科技大學(xué)學(xué)報(bào)，2018(6):2017-1035.[4]HintonGE,SalakhutdinovRR.ReducingtheDimensionalityofDatawithNeuralNetworks[J].Science,2006,313(5786):504-507.[5]于達(dá)仁,萬(wàn)杰,胡清華等.基于DL方法的短期風(fēng)速多步預(yù)測(cè)方法:CN103413174A.2013.[6]劉小勇.基于深度學(xué)習(xí)的機(jī)械設(shè)備退化狀態(tài)建模及剩余壽命預(yù)測(cè)研究[D].哈爾濱：哈爾濱工業(yè)大學(xué),2018.[7]張娜.基于深度置信網(wǎng)絡(luò)的滾動(dòng)軸承壽命預(yù)測(cè)方法研究[D].湖南：湖南大學(xué),2018.[8]高育林.基于深度學(xué)習(xí)的多模態(tài)故障診斷及剩余壽命預(yù)測(cè)[D].河南：河南大學(xué),2018.[9]李少鵬.結(jié)合CNN和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)方法研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2019[10]劉路路.基于特征融合和LSTM的滾動(dòng)軸承剩余使用壽命預(yù)測(cè)[D].四川：電子科學(xué)大學(xué),2021.[11]胡龍飛.基于深度學(xué)習(xí)的