文献类型：期刊文章

作　　者：高宏玉[1] 王典[2] 张守京[2]

GAO Hongyu;WANG Dian;ZHANG Shoujing(Beiben Trucks Group Co.,Ltd.,Baotou,Inner Mongolia 014000,China;School of Mechanical and Electrical Engineering,Xi′an University of Technology,Xi′an 710048,China)

机构地区：[1]北奔重型汽车集团有限公司,内蒙古包头014000 [2]西安工程大学机电工程学院,陕西西安710048

出　　处：《轻工机械》

基　　金：国家重点研发计划项目(2019YFB1707205);西安市现代智能纺织装备重点实验室(2019220614SYS021CG043);陕西省教育厅科研计划项目(17JK0321)。

年　　份：2021

卷　　号：39

期　　号：3

起止页码：10-15

语　　种：中文

收录情况：CAS、IC、RCCSE、ZGKJHX、普通刊

摘　　要：针对滚动轴承退化数据的复杂性和传统的寿命预测方法不能充分利用数据的相关性从而导致预测精度不高的问题,课题组提出了一种基于多频率尺度样本熵(SE)和长短期记忆神经网络(LSTM)相结合的寿命预测模型。该模型采用互补集成经验模态分解(CEEMD)结合相关系数分析,从滚动轴承振动信号中提取包含主要退化信息的IMF分量,并提取其样本熵矩阵,用于训练和测试LSTM。通过滚动轴承全寿命试验证明该模型可以准确预测滚动轴承剩余寿命,与BP神经网络和极限学习机(ELM)的预测效果对比验证了该模型的有效性。

关 键 词：滚动轴承 剩余寿命预测 集成经验模态分解(CEEMD)  多频率尺度样本熵  长短期记忆神经网络  

分 类 号：TH133.33] TP183]