基于AELSTM模型迁移学习的滚动轴承剩余寿命预测

作     者：赵颖超 张菀 岳新宇 张自豪 Zhao Yingchao;Zhang Wan;Yue Xinyu;Zhang Zihao

作者机构：南京信息工程大学自动化学院南京210044 南京信息工程大学江苏省大气环境与装备技术协同创新中心南京210044 

出 版 物：《国外电子测量技术》 (Foreign Electronic Measurement Technology)

年 卷 期：2024年第43卷第2期

页      面：43-50页

学科分类：08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 080402[工学-测试计量技术及仪器] 0838[工学-公安技术] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家自然科学基金(62105160) 先进数控和伺服驱动技术安徽省重点实验室(安徽工程大学)开放基金(XJSK202105)资助 

主　　题：剩余寿命预测 模型迁移 长短时记忆网络 自编码 

摘      要：滚动轴承是机械设备中的重要零件,其工作状态直接关系着设备的运行,一旦发生故障会引起整个设备的正常运行,甚至引发重大的安全事故,因此,对其剩余寿命预测对设备的健康管理具有重要意义。提出了一种基于自编码-长短时记忆网络(autoencoder-long short term memory, AELSTM)迁移学习(transfer learning, TL)的滚动轴承剩余寿命预测方法,首先采用自动编码器自动提取源域中原始振动信号中的特征,再构建双层LSTM模型对剩余寿命进行预测,通过源域中训练获得AELSTM模型,再用目标域中的数据对AELSTM模型训练,完成对模型参数的微调,最后用调整好的模型对目标域中的数据进行预测。通过参数共享和微调两种方法,大大简化了模型在目标域上的训练过程。试验结果表明,在同轴承不同工况下,所提出模型相比于其他4种迁移学习方法的均方根误差分别降低了45.9%、58.9%、42.8%以及83.8%;在不同轴承不同工况下,所提出模型的均方根误差分别降低了16.9%、18.9%、11.7%以及8.9%。