文献类型：期刊文章

作　　者：汪立雄[1,2] 王志刚[1,2] 徐增丙[1,2] 林辉[3]

WANG Lixiong;WANG Zhigang;XU Zengbing;LIN Hui(Key Laboratory of Metallurgical Equipment and Control Technology of Ministry of Education,Wuhan University of Science and Technology,Wuhan 430081,CHN;College of Machinery and Automation,Wuhan University of Science and Technology,Wuhan 430081,CHN;The 708 Research Institute of China Shipbuilding Industry Corporation,Shanghai 200011,CHN)

机构地区：[1]武汉科技大学冶金装备及其控制教育部重点实验室,湖北武汉430081 [2]武汉科技大学机械自动化学院,湖北武汉430081 [3]中国船舶工业集团公司第七〇八研究所,上海200011

出　　处：《制造技术与机床》

基　　金：国家自然科学基金项目(51775391);装备预研基金项目(6142223180312)。

年　　份：2020

期　　号：12

起止页码：130-134

语　　种：中文

收录情况：BDHX、BDHX2017、JST、SCOPUS、ZGKJHX、核心刊

摘　　要：针对轴承剩余使用寿命(RUL)预测模型训练样本少导致预测精度低的问题,提出一种基于深度迁移学习的滚动轴承剩余使用寿命预测方法。首先利用深度信念网络(DBN)和自组织映射神经网络(SOM)直接对原始振动信号构建轴承健康因子(HI),然后以长短时记忆网络(LSTM)模型为基础,通过共享隐含层的迁移方法训练RUL预测模型,最后利用LSTM-DT进行RUL预测。实验证明,构建HI能够精确反映轴承的健康状态,LSTM-DT算法有效提高RUL预测精度。

关 键 词：剩余使用寿命预测  深度信念网络  自组织映射神经网络 轴承健康因子  长短时记忆网络  共享隐含层迁移  

分 类 号：TH113.3] TH165.3