为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM‑ES‑RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆(Long Short‑Term Memory,LSTM)网络直接对频率数据...为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM‑ES‑RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆(Long Short‑Term Memory,LSTM)网络直接对频率数据进行特征提取,构建退化过程的初步健康指标(Health Indicator,HI);为了消除HI曲线的局部剧烈振荡,提出了带斜率的极端拐点(Extreme Inflection Point with a Slope,ES)模型改善其整体单调性;使用相关向量机(Relevance Vector Machine,RVM)模型对HI曲线进行趋势预测,实现了滚动轴承的剩余寿命(Remaining Useful Life,RUL)预测。实验结果表明,所提方法相较于对比方法具有较好的预测精度。展开更多
文摘为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM‑ES‑RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆(Long Short‑Term Memory,LSTM)网络直接对频率数据进行特征提取,构建退化过程的初步健康指标(Health Indicator,HI);为了消除HI曲线的局部剧烈振荡,提出了带斜率的极端拐点(Extreme Inflection Point with a Slope,ES)模型改善其整体单调性;使用相关向量机(Relevance Vector Machine,RVM)模型对HI曲线进行趋势预测,实现了滚动轴承的剩余寿命(Remaining Useful Life,RUL)预测。实验结果表明,所提方法相较于对比方法具有较好的预测精度。