文献类型：期刊文章

作　　者：慎明俊[1] 高宏玉[2] 张守京[1] 王典[1]

SHEN Ming-jun;GAO Hong-yu;ZHANG Shou-jing;WANG Dian(School of Mechanical and Electrical Engineering, Xi’an Polytechnic University, Xi’an 710048, China;Beiben Trucks Group, Baotou 014000, China)

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

出　　处：《科学技术与工程》

基　　金：国家重点研发计划(2019YFB1707205)。

年　　份：2021

卷　　号：21

期　　号：31

起止页码：13328-13333

语　　种：中文

收录情况：BDHX、BDHX2020、RCCSE、ZGKJHX、核心刊

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,提出了一种基于融合深度置信神经网络(deep belief neural,DBN)和长短时记忆神经网络(long-short term memory,LSTM)的剩余寿命预测模型。该模型首先采用带通滤波降噪对滚动轴承振动数据进行去噪,然后依据均方根特征和峭度特征在轴承全寿命周期内的趋势图确定模型的预测起始点;其次利用优化后的4层DBN网络完成深度特征提取并用于LSTM的训练与测试。通过轴承全寿命周期试验证明提出模型的可靠性,并且与传统LSTM、BP(back propagation)神经网络和DBN-BP模型的预测结果进行对比,验证了本文模型的有效性。

关 键 词：滚动轴承 深度置信神经网络  长短时记忆神经网络  剩余寿命

分 类 号：TH133]