无监督退化识别与ALSTM的滚动轴承退化趋势预测

摘要

针对滚动轴承退化趋势预测中，状态指标难以选择、退化点识别困难以及预测精度低等问题，提出一种基于多特征融合、无监督退化识别与注意力长短期记忆神经网络(attention-long short-term memory neural network, ALSTM)的滚动轴承退化趋势预测方法。提取轴承全周期24维时频特征，构建综合评价指标进行特征筛选。基于等距特征映射(isometric feature mapping, IsoMap)进行特征融合，构建能够表征轴承各时刻状态的指标。利用自组织特征映射神经网络(self-organizing feature map, SOFM)进行无监督聚类，识别轴承退化点。构建时序特征与标签，输入ALSTM中进行退化趋势预测，应用所提方法对XJTU-SY轴承数据集进行分析和验证。结果表明：无监督退化识别方法对轴承退化识别更敏感，所提模型在单工况和变工况轴承退化趋势预测中都取得良好效果。

关键词

滚动轴承 / 退化预测 / 特征融合 / 无监督退化识别 / 长短期记忆神经网络