基于AR-CNN-BiLSTM组合模型的直升机尾减轴承剩余寿命预测

摘要

[目的]对于直升机尾减速器轴承的在线剩余使用寿命(remaining useful life, RUL)预测算法，既要能够实现早期损伤的检测，又要满足算法的时效性要求.[方法]为了较好地反映轴承信号的退化趋势，对剩余使用寿命进行预测，本文选用双向长短时记忆网络(bidirectional long short-term memory, BiLSTM)进行时序特征提取.同时，为了弥补BiLSTM训练速度慢，对早期局部特征不敏感的问题，利用自回归模型(autoregressive model, AR)进行数据降维，利用卷积神经网络(convolutional neural network, CNN)提升局部特征的提取性能.[结果]在直升机尾减试验台数据集及西安交通大学轴承数据集上进行算法测试，相对于LSTM、BiLSTM、CNN-BiLSTM,AR-CNN-BiLSTM表现出更高的预测精度和更快的训练速度.[结论] AR-CNN-BiLSTM能满足尾减轴承在线剩余使用寿命预测对早期损伤识别及时效性的要求.引入BiLSTM由于能充分挖掘时序的前向和后向信息，能提高预测精度，但也导致训练时间的增加；CNN凭借其出色的特征提取能力，既能挖掘深度特征又能降低数据维度，可适当提升算法的预测精度和训练速度；AR将复杂的时序数据映射为自相关系数和残差组成的特征矩阵，能有效提升算法的预测精度和训练速度.

关键词

直升机尾减速器 / 滚动轴承 / 自回归模型 / 双向长短时记忆网络 / 剩余寿命预测