基于状态划分和集成学习的轴承剩余使用寿命预测模型

作者：胡志辉,王绪光,王贡献,等 日期：2024-08-30/span> 浏览：20 查看PDF文档

摘要:针对滚动轴承剩余使用寿命(RUL)预测退化起始时间(DST)难以确定,以及单一寿命预测模型精度比较低的问题,提出了一种基于状态划分和集成学习模型的滚动轴承RUL预测方法。首先,提取了轴承振动信号的特征,利用滑动窗口不断更新3σ准则预警范围,结合连续触发机制自适应确定DST;然后,采用具有自适应噪声的完全集成经验模态分解(CEEMDAN)对退化阶段信号序列进行了自适应分解;最后,构建了集成学习模型,考虑分量的不同特性进行了多步滚动预测,融合预测结果得到了轴承RUL,采用滚动轴承XJTUSY公开数据集进行了试验验证。研究结果表明:与基于长短时记忆神经网络(LSTM)、反向传播神经网络(BPNN)的预测方法相比,该方法预测结果的平均绝对误差分别降低了11.7%以及5.6%,相对均方根误差分别降低了12.2%以及10.7%,验证了该方法在轴承RUL预测中的有效性和优越性。

关键词:滚动轴承剩余使用寿命;退化起始时间;自适应DST状态划分;集成学习模型;退化特征提取;具有自适应噪声的完全集成经验模态分解;长短时记忆神经网络

中图分类号:TH133.3;TP183文献标识码:A文章编号:1001-4551(2024)08-1423-08

本文引用格式:

胡志辉,王绪光,王贡献,等.基于状态划分和集成学习的轴承剩余使用寿命预测模型［J］.机电工程,2024,41(8):1423-1430.

HU Zhihui, WANG Xuguang, WANG Gongxian, et al. Remaining useful life prediction model of bearing based on state division and ensemble learning［J］.Journal of Mechanical & Electrical Engineering, 2024,41(8):1423-1430.