基于级联长短期记忆神经网络的轴承复合故障预测

• 作者: 江旭耀 林群煦 侯至丞 张弓 张金越 杨根
• 来源期刊: 控制与信息技术
• 学科: 工学
• 关键词: 神经网络 长短期记忆 复合故障 剩余使用寿命 预测性维护
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 人工智能技术与应用|Artificial Intelligence Technology &Application
• 页码范围: 71-78
• 页数: 8页
• 分类号: TP206+.3
• 语种: 中文
• DOI: 10.13889/j.issn.2096-5427.2022.01.012

摘要

当前对轴承进行健康度评估和剩余寿命预测时通常采用共振解调、包络分析等方法,但仍存在健康度提取困难、故障预测种类单一、缺乏可靠模型等问题.针对这些不足,文章提出一种基于级联长短期记忆(LSTM)神经网络轴承复合故障预测的方法,其通过两级级联LSTM神经网络实现轴承的健康度评估和剩余寿命预测.文中采用西安交通大学的轴承数据集进行实验对比,结果表明,相比共振解调法,采用本方法在单一故障数据的健康度评估中,健康度曲线的单调性、鲁棒性和趋势性综合评价指标分别提升了12％、24.8％和5％;在复合故障数据的健康度评估中,综合评价指标提升了15.1％;并根据健康度评估曲线实现了剩余使用寿命预测,证明了该方法在健康度评估和剩余寿命预测方面的有效性.