پیش‌بینی روند زوال و عمر مفید باقی‌مانده ی یاتاقان غلتشی با کمک شبکه ی عصبی بازگشتی حافظه ی طولانی کوتاه مدت

در این مقاله، بیشینه‌ی دامنه‌ی سیگنال زمانی شتاب به‌عنوان مشخصه‌ی ارتعاشی مناسب که نمایش‌گر خوبی از روند زوال یاتاقان غلتشی است انتخاب شده و به منظور پیش‌بینی روند زوال و عمر مفید باقیمانده به کار رفته است. در گام نخست با به کار بردن یک انتقال لگاریتمی، این مشخصه‌ی ارتعاشی به یک سری زمانی پایدار تبدیل شده است. سپس با کمک شبکه‌ی عصبی بازگشتی حافظه‌ی طولانی کوتاه‌مدت، نحوه‌ی رشد این مشخصه‌ی ارتعاشی پیش‌بینی شده است. این پیش‌بینی روی داده‌های دو نمونه از یاتاقان‌های آزمایش پرونوستیا که در ادبیات فن شناخته شده بوده و مورد استفاده محققین بسیاری قرار گرفته، اعمال شده است. با توجهبه نتایج پیش‌بینی مدل، مدت زمان باقیمانده تا رسیدن این مشخصه‌ی ارتعاشی به یک آستانه‌ی معین ارائه شده است. همچنین اگر آستانه‌ی تعیین شده به معنی پایان عمر مفید یاتاقان باشد، می‌توان از الگوریتم پیشنهاد شده به منظور تخمین عمر مفید باقیمانده نیز بهره جست. نحوه‌ی عملکرد الگوریتم در راستای این هدف نیز ارائه و ارزیابی شده است.نتایج حاکی از مطابقت خوب پیش‌بینی مدل با داده‌های تجربی است.

P‌R‌O‌G‌N‌O‌S‌T‌I‌C‌S O‌F R‌O‌L‌L‌I‌N‌G B‌E‌A‌R‌I‌N‌G‌S U‌S‌I‌N‌G L‌S‌T‌M N‌E‌U‌R‌A‌L N‌E‌T‌W‌O‌R‌K F‌O‌R P‌R‌E‌D‌I‌C‌T‌I‌N‌G T‌H‌E T‌R‌E‌N‌D O‌F D‌E‌G‌R‌A‌D‌A‌T‌I‌O‌N S‌I‌G‌N‌A‌L

This paper proposes a remaining useful life (RUL) prediction method that uses the peak of the vibration acceleration signal as an appropriate feature to indicate the degradation process in the rolling element bearings (REBs). In the first step, this feature is transformed into a stationary time series using logarithmic transformation. That is because the long shortterm memory neural network (LSTMNN) works better with the stationary time series. Training the LSTMNN is performed by this stationary time series as the input and the response is the training time series with values shifted by one time step. Therefore, the LSTMNN learns to predict the value of the next time step at each point. In other words, to forecast the values of multiple time steps in the future, previous forecasted steps are used as inputs. Next, the values of the future time steps are returned to the main nonstationary form to predict the trend of the peak in the future. Importantly, new measured data can be used to perform new predictions. For this purpose, for every new measured data, the LSTMNN repeats the mentioned steps and generates a new trend. This algorithm is a trenddependent method. Therefore, an REB that has a slow degradation stage in its life, which is corresponding to the growth and expansion of defects in REBs, is appropriate to be studied by this algorithm. This method is implemented on two REBs from PRONOSTIA acceleratedlife test which have been used by many researchers in the literature. According to the prediction results, the remaining time that peak amplitude trend touches a given threshold is provided. If this threshold is a criterion for the end of life (EoL), this method can be used to determine the RUL. The performance of the proposed method has been evaluated and the presented results are in a good agreement with the experimental data.Keywords: Recurrent Neural Network (RNN), Long ShortTerm Memory (LSTM), Remaining Useful Life (RUL), Time series forecasting, Bearing acceleratedlife test