基于全卷积变分自编码网络FCVAE的轴承剩余寿命预测方法

由于制造工艺、运行环境等的影响,同型号轴承的使用寿命往往存在较大的个体差异性。在轴承剩余寿命预测中,如果从信号中提取的特征的泛化能力不足,将导致模型预测结果稳定性较差。为此,提出一种基于全卷积变分自编码网络(FCVAE)的轴承的剩余寿命预测方法。该方法用全卷积神经网络(FCNN)改进变分自编码器(VAE),在降低网络复杂度的同时强化所提取特征的泛化能力,并利用频域信号作为模型输入,以进一步降低特征学习的难度,同时设计加权平均方法平滑预测结果。通过试验数据集对所提方法进行验证,结果表明:该方法预测结果的平均误差相比于传统支持向量回归(SVR)降低了64%,比卷积神经网络(CNN)降低45.5%,比VAE降低47.5%。