基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究。将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一层的输入,将多个这样的部件首尾相接,构建滚动轴承剩余使用寿命预测模型。通过原始数据的无监督预训练得到模型中各个单元的初始参数,然后利用剩余使用寿命标签数据进行模型的有监督微调,进一步提高模型预测的准确性。实验结果表明,所提出的方法能够对滚动轴承的剩余使用寿命进行预测,与支持向量回归(SVR)和主成分分析-深度置信网络(PCA-DBN)方法进行比较,预测误差分别减少28.48%,5.57%,该方法在现场预测方面,具有更高的预测准确度,而且本方法还能减少对专家知识的依赖,模型的泛化能力更强。