文献类型：期刊文章

作　　者：王玉静[1] 王诗达[1] 康守强[1] 王庆岩[1] V.I.MIKULOVICH[2]

WANG Yujing;WANG Shida;KANG Shouqiang;WANG Qingyan;V.I.MIKULOVICH(School of Elctrical and Electronic Engineering,Harbin University of Science and Technology,Harbin 150080,Heilongjiang Province,China;Belarusian State University,Minsk 220030,Belarus)

机构地区：[1]哈尔滨理工大学电气与电子工程学院,黑龙江省哈尔滨市150080 [2]白俄罗斯国立大学,白俄罗斯明斯克220030

出　　处：《中国电机工程学报》

基　　金：国家自然科学基金项目(51805120);黑龙江省自然科学基金项目(LH2019E058);黑龙江省本科高校青年创新人才培养计划(UNPYSCT-2017091)。

年　　份：2020

卷　　号：40

期　　号：15

起止页码：5032-5042

语　　种：中文

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

摘　　要：针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。

关 键 词：滚动轴承 卷积神经网络 深层迭代特征  深度森林  剩余寿命预测

分 类 号：TN911] TH165]