基于t-SNE降维方法的滚动轴承剩余寿命预测

• Published in: 机械强度 Vol. 46; no. 4; pp. 969 - 976
• Main Authors: 钟建华, 黄聪, 钟舜聪, 肖顺根
• Format: Journal Article
• Language: Chinese
• Published: 福州大学 机械工程及自动化学院,福州 350116 2024; 福建省太赫兹功能器件与智能传感重点实验室,福州 350108%宁德师范学院 信息工程学院,宁德 352100
• Subjects: t-distributed stochastic neighbor embedding; Remaining useful life prediction; 特征提取; 双指数模型; t-SNE; Feature extraction; 轴承; Double exponential model; 剩余寿命预测; Bearing
• ISSN: 1001-9669
• DOI: 10.16579/j.issn.1001.9669.2024.04.028

TH17; 由于实际工况下的轴承退化数据有限,无法获得足够的退化数据来训练神经网络,在深度学习网络中很难得到好的预测结果,所以提出一种新的结合机器学习和统计数据驱动的方法.首先对原始振动信号做特征提取,通过集合经验模态分解奇异值分解(Ensemble Empirical Mode Decompositiont Singular Value Decomposition,EEMD+SVD)得到数十维特征,加上剩余寿命预测常用的诸如峭度、均值等有效特征,利用决策树筛选出 15 维特征;将所筛选特征进行双指数拟合并通过t分布随机近邻嵌入(t-distributed Stochastic Neighbor Embedding,t-SNE)将退化信号降维成线性趋势.线性退化趋势在预测上相比于指数趋势有更好的泛化性,同时预测准确度相比于指数模型支持向量回归(Support Vector Regression,SVR)和深度信念网络(Deep Belief Network,DBN)都有较高的提升.