基于自适应马氏空间与深度学习的滚动轴承退化趋势预测

• Published in: 系统工程与电子技术 Vol. 45; no. 10; pp. 3338 - 3349
• Main Authors: 吴梦蝶, 程龙生, 陈闻鹤
• Format: Journal Article
• Language: Chinese
• Published: 南京理工大学经济管理学院,江苏南京210094%南京理工大学经济管理学院,江苏南京210094 2023; 兰卡斯特大学工程学院,英国兰卡斯特LA1 4YW
• Subjects: adaptive Mahalanobis space(AMS); 滚动轴承; 融合模型; 自适应马氏空间; fusion model; multi-objective feature selection; rolling bearing; degradation trend prediction; 多目标特征选择; 退化趋势预测
• ISSN: 1001-506X
• DOI: 10.12305/j.issn.1001-506X.2023.10.39

TH17; 滚动轴承退化趋势预测中,传统特征选择主要依赖人工经验和单一评价算法,容易造成特征的少选或错选,且单一深度学习网络无法充分挖掘数据中包含的性能退化信息,导致模型预测精度较低.针对上述问题,提出一种基于自适应马氏空间(adaptive Mahalanobis space,AMS)与融合深度学习网络的滚动轴承退化趋势预测方法.首先,分解原始信号并利用相关峭度系数准则筛选固有模态函数(intrinsic mode function,IM F)分量重构新信号,从多域视角提取特征;然后,构建基于AMS的多目标特征选择算法自动优选特征,减少人工依赖,加强自适应性和泛化性,并将马氏距离(Mahalanobis distance,MD)与指数加权移动平均(exponential weighted mov-ing average,EWMA)方法进行结合,对轴承性能退化趋势进行良好表征;最后,利用稀疏自动编码器和门控循环单元(sparse auto encoder-gated recurrent unit,SAE-GRU)融合模型进行预测.实验结果表明,所提方法能够有效筛选最优特征,显著提高预测精度.