基于无监督深度模型迁移的滚动轴承寿命预测方法

针对实际中某种工况滚动轴承带标签振动数据获取困难,健康指标难以构建及寿命预测误差大的问题,提出一种基于无监督深度模型迁移的滚动轴承剩余使用寿命(Remaining useful life,RUL)预测方法.该方法首先对滚动轴承全寿命周期振动数据提取均方根(Root mean square,RMS)特征,并引入新的自下而上(Bottom-up,BUP)时间序列分割算法将特征序列分割为正常期、退化期和衰退期3种状态;对振动信号经快速傅里叶(Fast Fourier transform,FFT)变换后的幅值序列进行状态信息标记,并将其输入到新增卷积层的全卷积神经网络(Full convolutional neural network,FCN)中,提取深层特征,得到预训练模型;提出将预训练模型的梯度作为一种“特征”与传统预训练模型特征一起参与目标域网络训练过程,从而得到状态识别模型;利用状态概率估计法结合状态识别模型建立滚动轴承寿命预测模型.实验验证所提方法无需构建健康指标,可实现无监督条件下不同工况滚动轴承剩余寿命预测,并获得较好的效果.