-
题名基于状态划分和集成学习的轴承剩余使用寿命预测模型
- 1
-
-
作者
胡志辉
王绪光
王贡献
张腾
李帅琦
-
机构
武汉理工大学交通与物流工程学院
-
出处
《机电工程》
CAS
北大核心
2024年第8期1423-1430,共8页
-
基金
国家科技重大专项(2022ZD0119304)。
-
文摘
针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTU-SY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。
-
关键词
滚动轴承剩余使用寿命
退化起始时间
自适应DST状态划分
集成学习模型
退化特征提取
具有自适应噪声的完全集成经验模态分解
长短时记忆神经网络
-
Keywords
rolling bearing remaining useful life(RUL)
degradation start time(DST)
adaptive DST state division
ensemble learning model
degenerate feature extraction
complete ensemble empirical mode decomposition with adaptive noise(CEEMDAN)
long short-term memory neural network(LSTM)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TP183
[自动化与计算机技术—控制理论与控制工程]
-