基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD |
| |
引用本文: | 蒋全胜,许伟洋,朱俊俊,沈晔湖,徐丰羽.基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD[J].振动与冲击,2022(17):282-291. |
| |
作者姓名: | 蒋全胜 许伟洋 朱俊俊 沈晔湖 徐丰羽 |
| |
作者单位: | 1.苏州科技大学机械工程学院215009;2.南京邮电大学自动化学院210003; |
| |
基金项目: | 国家自然科学基金资助项目(51975394);江苏省自然科学基金面上项目(BK20211336);江苏省研究生研究与实践创新计划(KYCX21_3008)。 |
| |
摘 要: | 现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。
|
关 键 词: | 滚动轴承 剩余寿命预测 卷积长短时记忆网络 小波包分解 动态加权 |
本文献已被 维普 等数据库收录! |
|