旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网...旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。展开更多
文摘旋转机械的剩余使用寿命(remaining useful life, RUL)预测对工业设备预测和健康管理的具有重要意义。该文针对多传感器冗余数据导致旋转机械退化信息提取困难、剩余使用寿命预测效果差的问题,提出了一种基于核主成分分析-长短期记忆网络(kernel principal component analysis-long short term memory, KPCA-LSTM)的方法对旋转机械剩余使用寿命预测。首先,分析旋转机械的多维退化数据,选择可以表征旋转机械退化的数据;其次,对退化数据进行(kernel principal component analysis, KPCA)融合及特征提取,将降维融合的特征作为预测模型的输入;然后构建旋转机械的健康指标,并通过多阶微分划分旋转机械的不同健康状态,建立KPCA-LSTM模型对旋转机械的剩余使用寿命进行预测;最后,在实验室搭建的矿用减速器平台上进行了试验验证。试验结果表明:该文所提方法与LSTM、粒子群优化LSTM的方法比较,该方法预测效果优于其他两种模型,并降低模型训练的复杂性,减少预测用时。