基于融合CNN的滚动轴承剩余寿命预测

作者：杨小东; 纪国宜^*

来源：国外电子测量技术, 2021, 40(03): 62-67.

DOI：10.19652/j.cnki.femt.2002393

• 轴承
• 融合CNN
• 退化特征
• 剩余寿命预测

针对现有一维卷积神经网络(one dimension convolutional neural net,1D-CNN)与二维卷积神经网络(two dimension convolutional neural net,2D-CNN)寿命预测方法使用的信息单一性问题,提出融合CNN网络模型(fusion 1D-CNN and 2D-CNN)。将单一的输入转换为多维度的输入,使CNN模型能充分的提取轴承振动信号时域和时频域的退化特征。首先使用FFT变换得到频谱信息,然后提取轴承故障频率能量,根据初始时刻的能量来划分退化阶段;再利用退化阶段的数据训练构建的融合网络,最后使用该网络预测滚动轴承的剩余寿命。通过对西交大轴承数据集(XJTU-SY轴承数据集)的验证表明,提出的融合CNN模型能够很好的学习到退化阶段的关键信息,从而有效的对轴承进行剩余寿命预测。

• 单位
  机械结构力学及控制国家重点实验室; 南京航空航天大学