基于级联长短期记忆神经网络的轴承复合故障预测

• Published in: 控制与信息技术 no. 1; pp. 71 - 78
• Main Authors: 江旭耀, 林群煦, 侯至丞, 张弓, 张金越, 杨根
• Format: Journal Article
• Language: Chinese
• Published: 五邑大学 轨道交通学院,广东 江门 529020 2022; 广东技术师范大学,广东 广州 510665%广州先进技术研究所,广东 广州 511458; 中国科学院大学,北京 100086%广州先进技术研究所,广东 广州 511458; 广州先进技术研究所,广东 广州 511458%五邑大学 轨道交通学院,广东 江门 529020%中国科学院大学,北京 100086
• Subjects: 神经网络;长短期记忆;复合故障;剩余使用寿命;预测性维护
• ISSN: 2096-5427
• DOI: 10.13889/j.issn.2096-5427.2022.01.012

TP206+.3; 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.