基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测

发布时间：2021-10-27 14:21

　　针对现有滚动轴承性能退化趋势预测方法存在退化指标选取困难、预测精度较低的问题,提出基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测方法。首先,构建轴承振动信号混合域高维特征集,采用指标综合评价值初步筛选敏感性高、趋势性好的性能退化指标;然后,利用自编码器融合高维特征集,消除混合域特征之间的冗余信息;在此基础上,将融合后的特征输入门限循环单元（gated recurrent unit, GRU）神经网络模型以完成滚动轴承退化趋势预测。试验结果表明,所提方法能获得更加准确的滚动轴承退化趋势预测结果。 

【文章来源】：振动与冲击. 2020,39(17)北大核心EICSCD

【文章页数】：7 页

【文章目录】：
1 基于自编码器多域特征融合
    1.1 多域特征提取和特征筛选
    1.2 自编器网络结构
2 基于GRU神经网络的轴承退化趋势预测
    2.1 GRU神经网络原理
    2.2 基于GRU神经网络的轴承退化趋势预测
3 滚动轴承退化趋势预测流程
4 试验验证
5 应用实例
6 结 论


【参考文献】：
期刊论文
[1]一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法[J]. 赵申坤,姜潮,龙湘云.  机械工程学报. 2018(12)
[2]融合失效样本与截尾样本的滚动轴承寿命预测[J]. 张焱,汤宝平,韩延,陈天毅.  振动与冲击. 2017(23)
[3]基于长短时记忆网络的旋转机械状态预测研究[J]. 赵建鹏,周俊.  噪声与振动控制. 2017(04)
[4]GS-ASTFA方法及其在滚动轴承寿命预测中的应用[J]. 欧龙辉,彭晓燕,杨宇,程军圣.  振动与冲击. 2017(11)
[5]基于流形学习和最小二乘支持向量机的滚动轴承退化趋势预测[J]. 肖婷,汤宝平,秦毅,陈昌.  振动与冲击. 2015(09)
[6]基于BP神经网络的金属拉深件裂纹在线监测[J]. 骆志高,张保刚,何鑫.  振动与冲击. 2012(10)



本文编号：3461782