一种基于深度学习的轴承剩余使用寿命预测方法
机器学习
2022-08-31 v2 信号处理
机器学习
摘要
在工业应用中，近半数电机故障由滚动轴承(REBs)的退化引起。因此，准确估计REBs的剩余使用寿命(RUL)对保障机械系统的可靠性与安全性至关重要。为应对此挑战，基于模型的方法常受限于数学建模的复杂性。另一方面，传统数据驱动方法需耗费大量精力提取退化特征并构建健康指标。本文提出一种新颖的在线数据驱动框架，利用深度卷积神经网络(CNN)预测轴承RUL。更具体地，首先使用希尔伯特-黄变换(HHT)处理训练轴承的原始振动，并构建一种新颖的非线性退化指标作为学习标签。随后采用CNN识别所提取退化指标与训练轴承振动之间的隐藏模式，从而可自动估计测试轴承的退化。最后，利用-支持向量回归模型预测测试轴承的RUL。实验结果证明了所提RUL估计框架相较于前沿方法的优越性能。所提CNN模型的通用性也通过迁移至不同工况下的轴承得到验证。
引用
@article{arxiv.1812.03315,
title = {A deep learning-based remaining useful life prediction approach for bearings},
author = {Cheng Cheng and Guijun Ma and Yong Zhang and Mingyang Sun and Fei Teng and Han Ding and Ye Yuan},
journal= {arXiv preprint arXiv:1812.03315},
year = {2022}
}