基于深度残差收缩网络的滚动轴承健康因子构建方法

针对滚动轴承故障预测过程中用于构建轴承健康因子(Health Indicator,HI)的方法过于依赖专家经验的问题,本研究提出基于深度残差收缩网络(Deep Residual Shrinkage Networks,DRSNs)的滚动轴承HI无监督构建方法。深度学习技术可以自动从原始振动数据中学习特征,以取代传统的统计特征,从而获得更高的诊断准确性。实验结果表明,基于DRSNs的滚动轴承HI构建方法可以更好地反映整个轴承生命周期的变化过程。