基于融合CNN的滚动轴承剩余寿命预测
针对现有一维卷积神经网络(one dimension convolutional neural net,1D-CNN)与二维卷积神经网络(two dimension convolutional neural net,2D-CNN)寿命预测方法使用的信息单一性问题,提出融合CNN网络模型(fusion 1D-CNN and 2D-CNN).将单一的输入转换为多维度的输入,使CNN模型能充分的提取轴承振动信号时域和时频域的退化特征.首先使用FFT变换得到频谱信息,然后提取轴承故障频率能量,根据初始时刻的能量来划分退化阶段;再利用退化阶段的数据训练构建的融合网络,最后使用该网络预测滚动轴承的剩余寿命.通过对西交大轴承数据集(XJTU-SY轴承数据集)的验证表明,提出的融合CNN模型能够很好的学习到退化阶段的关键信息,从而有效的对轴承进行剩余寿命预测.
轴承、融合CNN、退化特征、剩余寿命预测
40
TH165+.3;TH133.33
江苏高校优势学科建设工程项目资助
2021-08-02(万方平台首次上网日期,不代表论文的发表时间)
共6页
62-67