早期工作阶段滚动轴承剩余寿命预测算法

传统寿命预测算法在包含退化阶段数据的滚动轴承寿命预测方面已取得不错的效果,但是由于刚运行和运行一段时间数据相似,因此在只有正常工作阶段数据的情况下难以准确预测。储备池计算(RC)可根据之前时刻数据预测多个时间步长之后的数据,通过数据模拟补充退化数据,提高了将早期预测转化为传统预测的可能性。回声状态网络(ESN)可在充分利用时序信息的基础上输出当前时刻的相关维度。针对早期阶段轴承寿命预测,提出一个基于RC和ESN的递归可重构神经(RRN)网络的算法。首先设计一个基于RC的特征模拟网络,根据早期特征模拟包含退化数据的全寿命周期数据;然后提出一个基于ESN的寿命预测网络,根据输入的模拟特征输出剩余寿命。在PHM 2012数据集上验证了该算法的有效性,实验结果表明,与目前效果较好的算法相比,该算法在原测试数据实验与早期阶段剩余寿命预测的实验平均误差分别降低了61.35%和53.14%,具有较优的预测性能。