分会场

设计制造润滑与可靠性

摘要

润滑油在机器长期使用的过程中的状态监测是保证机器正常运行和延长机器寿命的重要手段。在复杂的工业环境条件下，如何根据采集到的润滑油传感器的数据来对润滑油进行预测和分析是一个具有挑战性的研究课题。本文针对这一问题，提出了一种基于双向长短期记忆网络(Bi-LSTM)以及注意力机制的润滑油数据分析模型。通过充分利用Bi-LSTM网络来捕捉数据中的长期依赖关系，并引入注意力机制以更精确地分配关注度，本文建立了一个包含数据特征处理模块和时间序列预测模块的润滑油数据分析模型。首先，本文对润滑油数据进行了严格的预处理工作，包括数据清洗、数据归一化以及数据划分等步骤，以确保数据的质量和可用性。接下来，采用Bi-LSTM网络构建了时间序列预测模块，该模块有能力学习数据中的时序特征并生成准确的预测值。为了提高预测精度，本文引入了注意力机制，该机制能够根据不同时间步的重要性为其分配不同的权重，从而有效提升Bi-LSTM网络的表达能力。实验部分选择了 "道达尔46" 油品监测数据作为研究对象，该数据包含了润滑油的运动粘度、水分含量等多个指标。在本文的研究中，将润滑油的运动粘度作为预测目标，并将其他指标作为输入特征。实验结果表明，本文提出的模型在测试集上的均方根误差（RMSE）和平均绝对误差（MAE）均明显优于其他深度学习模型，如Bi-LSTM和BP等。这一结果表明，本文提出的模型能够有效地对润滑油的运动粘度进行准确预测，并且具有较高的准确性和稳定性。因此，本文提供了一种新的解决方案，为润滑油监测数据的分析提供了有力支持。

关键词

润滑油;长短期记忆网络;自注意力机制;运动粘度预测

电子U盘全文仅限大会已缴费参会代表下载。

您还没有登录，请您先 点击这里登录