文献类型：期刊文章

作　　者：石怀涛[1] 尚亚俊[1] 白晓天[1] 郭磊[1] 马辉[2]

SHI Huaitao;SHANG Yajun;BAI Xiaotian;GUO Lei;MA Hui(School of Mechanical Engineering,Shenyang Jianzhu University,Shenyang 110168,China;School of Mechanical Engineering and Automation,Northeastern University,Shenyang 110819,China)

机构地区：[1]沈阳建筑大学机械工程学院,沈阳110168 [2]东北大学机械工程与自动化学院,沈阳110819

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51705341,51905357,51675353);国家重点研发计划(2017YFC0703903)。

年　　份：2021

卷　　号：40

期　　号：18

起止页码：286-297

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对滚动轴承的早期故障特征较弱,在强噪声背景下难以有效提取以致生命周期很难准确预测的问题,提出了一种基于贝叶斯优化(BO)的滑动窗堆叠去噪自编码器(SWDAE)和长短期记忆(LSTM)网络的早期故障预测模型。使用滑动窗算法保留具有非线性特征和时序特征的历史正常数据,输入到模型中进行训练,使模型学习滚动轴承的正常运行状态趋势。将滚动轴承运行的数据输入到训练好的SWDAE-LSTM模型中进行实时在线监控,利用模型的预测值与真实值的残差检测滚动轴承早期故障。针对模型超参数组合选择困难的问题,使用贝叶斯优化算法对模型的超参数进行调优。最后,使用美国辛辛那提大学智能维护中心(IMSCenter)的轴承全生命周期数据以及机械故障综合模拟实验装置获取的数据进行仿真实验验证。结果表明,使用贝叶斯优化算法进行智能调参的模型和基于时域指标的方法对比,可以更早的有效检测出滚动轴承的早期故障并具有很强的鲁棒性。与其余深度学习方法比较,其模型的诊断准确率高于其他方法,进一步证明了其有效性和可靠性。

关 键 词：滚动轴承 早期故障预测  贝叶斯优化(BO)  滑动窗算法  堆叠去噪自编码(SWDAE)  长短时记忆(LSTM)网络  

分 类 号：TH17] TP206.3]