结合GCN与LSTM的滚动轴承剩余寿命预测方法
Method of predicting remaining useful life of rolling bearing combining GCN and LSTM作者机构:兰州理工大学电气工程与信息工程学院甘肃兰州730050
出 版 物:《兰州理工大学学报》 (Journal of Lanzhou University of Technology)
年 卷 期:2024年第50卷第3期
页 面:42-50页
学科分类:0711[理学-系统科学] 07[理学] 08[工学] 080203[工学-机械设计及理论] 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] 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(61963025) 甘肃省教育厅创新基金(2021A-027)
摘 要:针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.