基于蝗虫优化LSTM网络的滚动轴承剩余寿命预测
Residual life prediction of rolling bearings based on GOA optimization LSTM network作者机构:沈阳理工大学机械工程学院辽宁沈阳110159
出 版 物:《制造技术与机床》 (Manufacturing Technology & Machine Tool)
年 卷 期:2024年第5期
页 面:35-41页
学科分类:08[工学] 0802[工学-机械工程] 080201[工学-机械制造及其自动化]
基 金:辽宁省教育厅基本科研项目(JYTMS20230208)
主 题:滚动轴承 变分模态分解 剩余寿命预测 长短期记忆网络
摘 要:滚动轴承作为机械设备最基本的零件之一,其振动信号具有非线性、非平稳的特点,针对这一特点,提出了变分模态分解(variational mode decomposition,VMD)和蝗虫优化算法(gras-shopper optimization algorithm,GOA)与长短期记忆网络(long short-term memory,LSTM)相结合的滚动轴承剩余寿命预测方法。首先,利用VMD对包含噪声的原始振动信号进行分解,将其分解项去除噪声后再进行重构;然后,对降噪后的信号进行时域特征提取,将提取到的特征构造成连续的时间序列,作为输入特征值,并建立退化指标。利用GOA方法对LSTM模型的参数进行优化,构建基于GOA-LSTM的预测模型。最后,通过XJTU-SY滚动轴承加速寿命试验数据集对该方法的有效性进行验证。研究结果表明,与LSTM、VMD-LSTM模型相比,VMD-GOA-LSTM模型的预测精度更高,泛化能力更好,能够更好地对滚动轴承的剩余寿命进行预测。