典型文献
一种基于TC-CAE的轴承寿命预测方法
文献摘要：
在预测轴承的剩余使用寿命(remaining useful life,RUL)时,能否有效提取退化特征是实现准确预测的关键之一.轴承的个体异质性和工况差异性导致退化特征曲线不同,同一特征的变化趋势在不同轴承上是具有差异的,从而导致训练轴承建立的RUL预测模型与测试轴承不匹配.在提取特征时应当考虑轴承的个体差异性,减少轴承特征的个体差异性有利于提升预测精度.为了促进同一特征在不同轴承上的趋势一致性,减少退化特征的轴承个体差异性,提出了一种基于趋势一致性约束卷积编码(trend consistency convolutional auto-encoder,TC-CAE)的轴承寿命预测方法.通过构造趋势一致性约束,并和卷积自编码相结合,形成了 TC-CAE特征提取模型.预测流程为先用TC-CAE模型在频域信号内提取特征,再用长短期记忆网络(long short-term memory,LSTM)预测.在一个轴承公开数据集上进行试验,试验结果表明,相比于普通卷积自编码方法的预测结果,该方法的综合平均误差降低了 21.1％,相比于特征评价方法和卷积神经网络方法分别降低了 35.6％和25.9％.
文献关键词：
轴承;寿命预测;特征提取;趋势一致性
中图分类号：
作者姓名：
李海浪;刘永志;邹益胜;刘彦涛;宋小欣
作者机构：
西南交通大学 机械工程学院,成都 610031
文献出处：
引用格式：
[1]李海浪;刘永志;邹益胜;刘彦涛;宋小欣-.一种基于TC-CAE的轴承寿命预测方法)[J].振动与冲击,2022(14):105-113,189
A类：
B类：
CAE,轴承寿命,寿命预测方法,剩余使用寿命,remaining,useful,life,RUL,有效提取,退化特征,准确预测,个体异质性,同轴,承建,提取特征,个体差异性,趋势一致性,少退,一致性约束,卷积编码,trend,consistency,convolutional,auto,encoder,卷积自编码,提取模型,测流,先用,频域信号,长短期记忆网络,long,short,term,memory,公开数据集,编码方法,平均误差,特征评价,神经网络方法
AB值：
0.380445
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
