基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

• 作者: 于重重 宁亚倩 秦勇 高柯柯
• 来源期刊: 仪器仪表学报
• 学科: 工学
• 关键词: T-分布随机近邻嵌入 样本熵 时间卷积网络 滚动轴承 状态退化趋势预测
• 年，卷（期）: 2019,（8）
• 所属期刊栏目: 基于状态监测和测试的系统健康管理
• 页码范围: 39-46
• 页数: 8页
• 分类号: TH165.3|TN911.2
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J1905247

摘要

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法.首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势.实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0.45％,具有较高的工程应用价值.