基于自适应VMD和DD-cCycleGAN的滚动轴承剩余寿命预测

作     者：于军 赵坤 张帅 邓四二 YU Jun;ZHAO Kun;ZHANG Shuai;DENG Si’er

作者机构：慈兴集团有限公司浙江宁波315300 哈尔滨理工大学先进制造智能化技术教育部重点实验室哈尔滨150080 浙江兆丰机电股份有限公司杭州311232 河南科技大学机电工程学院河南洛阳471003 

出 版 物：《振动与冲击》 (Journal of Vibration and Shock)

年 卷 期：2024年第43卷第13期

页      面：45-52页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 081104[工学-模式识别与智能系统] 0802[工学-机械工程] 0835[工学-软件工程] 0811[工学-控制科学与工程] 080201[工学-机械制造及其自动化] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：宁波市科技创新2025重大专项(2018B10005) 黑龙江省“百千万”工程科技重大专项(2019ZX03A02) 矿冶过程自动控制技术国家重点实验室开放基金项目(BGRIMM-2020-06) 

主　　题：滚动轴承 剩余寿命(RUL)预测 自适应变分模态分解(VMD) 双判别器条件循环一致对抗网络 黑猩猩优化算法(ChOA) 

摘      要：为准确预测强噪声干扰小样本情况下的滚动轴承剩余寿命(remaining useful life, RUL),提出一种基于自适应变分模态分解(variational mode decomposition, VMD)和双判别器条件循环一致对抗网络(double-discriminator conditional CycleGAN, DD-cCycleGAN)的滚动轴承RUL预测方法。将黑猩猩优化算法(chimp optimization algorithm, ChOA)与VMD相结合,给出一种基于ChOA的自适应VMD算法,选取有效模态分量进行重构,降低强背景噪声的干扰;开发一种DD-cCycleGAN生成新样本,这些生成的新样本不但保留了源域的样本信息,还与目标域的样本相似;将训练样本的重构样本和生成的新样本作为输入,训练长短时记忆(long short-term memory, LSTM)网络,用训练后的LSTM网络预测测试样本中滚动轴承的RUL。通过采用XJTU-SY滚动轴承加速寿命试验数据集验证该方法的有效性,试验结果表明该方法具有较强的抗噪能力和较高的轴承RUL预测精度。