文献类型：期刊文章

作　　者：王奉涛[1] 刘晓飞[2] 邓刚[2] 李宏坤[2] 于晓光[3]

WANG Fengtao;LIU Xiaofei;DENG Gang;LI Hongkun;YU Xiaoguang(College of Engineering,Shantou University Shantou,515063,China;School of Mechanical Engineering,Dalian University of Technology Dalian,116024,China;College of Mechanical Engineering and Automation,Liaoning University of Science and Technology Anshan,114051,China)

机构地区：[1]汕头大学工学院,汕头515063 [2]大连理工大学机械工程学院,大连116024 [3]辽宁科技大学机械工程与自动化学院,鞍山114051

出　　处：《振动．测试与诊断》

基　　金：国家自然科学基金资助项目(51875075,51775257)。

年　　份：2020

卷　　号：40

期　　号：2

起止页码：303-309

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。

关 键 词：长短期记忆网络  寿命预测  退化  特征参数

分 类 号：TH165.3] TH17