10.13465/j.cnki.jvs.2023.13.026
基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测
针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法.构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性.结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63％的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.025 7和0.018 7;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测.
退化预测、特征提取、核主成分分析、健康指标、时间卷积网络(TCN)、卷积自编码器(CAE)
42
TH165
国家自然科学基金;重庆市教委重大项目;重庆理工大学研究生创新项目
2023-07-20（万方平台首次上网日期，不代表论文的发表时间）
共12页
214-225
