基于KPCA和TCN-Attention的滚动轴承退化趋势预测

摘要：

为准确地对滚动轴承退化趋势进行预测,提出了 KPCA和TCN-attention的组合预测方法.首先,利用KPCA对轴承的高维特征集进行非线性特征提取,并将第一主成分作为轴承的性能退化指标,对第一主成分进行归一化和平滑预处理;然后,在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数,找出TCN提取每个时间步的局部特征中贡献最大的部分,进而筛选出关键信息;最后,利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证,实验结果表明,与未加注意力机制的TCN和GRU、LSTM对比,所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性.

关键词：滚动轴承、核主成分分析、时间卷积网络、注意力机制

所属期刊栏目：45

分类号：TH17;TN911

资助基金：国家自然科学基金51765022

在线出版日期：2022-11-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：28-34