自适应Transformer-LSTM的滚动轴承故障预测方法研究

摘要

针对滚动轴承故障预测中，模型预测精度低、参数难以确定等问题，提出一种自适应Transformer编码器与长短期记忆神经网络(long short-term memory, LSTM)的滚动轴承故障预测方法。提取轴承全周期振动信号24维时频特征，并基于信息熵、鲁棒性和相关性构建综合指标对特征进行筛选。采用核主元分析将优选特征进行融合，构建能够反应轴承退化状态的退化指标。综合时间序列全局特性与长短期特性，构建Transformer编码器与LSTM结合的故障预测模型，并引入极光优化算法(polar lights optimization, PLO)进行参数自适应寻优，应用XJTU-SY与IMS滚动轴承数据集进行方法分析验证。结果表明：所提模型在轴承故障预测中表现出良好效果，相较于经典的时域卷积网络(temporal convolutional network, TCN)、双向门控循环神经网络(gate recurrent unit, GRU)等，预测精度有较大提升。

关键词

滚动轴承 / 故障预测 / 数据驱动 / Transformer / 优化算法