基于窄卷积层神经网络轴承剩余使用寿命预测

摘要

传统的轴承剩余使用寿命预测方法大多是对原始振动信号进行时域特征、频域特征以及时频域特征的提取，创建轴承的健康指标来建立模型，实现剩余寿命预测.为了简化轴承剩余寿命预测方法及提高预测的准确度，提出一种只保留传统卷积神经网络里的卷积层，且把卷积层改为窄卷积的降维方法.首先，将窄卷积层神经网络对原始输入信号进行特征学习，构建健康指标；其次，采用Adam优化损失函数及加权平均方法对网络输出结果进行降噪处理，得到健康指标，进而根据健康指标反向计算且平滑后得到剩余使用寿命；最后，通过滚动轴承全寿命试验数据仿真证明该方法能够准确预测轴承剩余使用寿命，且与传统卷积神经网络的预测结果进行对比，该方法的寿命百分比误差均值为7.33%,传统卷积神经网络的寿命百分比误差均值为61.65%,该方法的平均误差降低了88.11%,验证了其有效性.

关键词

窄卷积层 / 神经网络 / 轴承 / 加权平均法 / 剩余寿命预测

基金资助

辽宁省自然科学基金项目(20170540725); 辽宁省高端人才建设项目—辽宁省特聘教授([2018]3533)