摘要

针对轴承全寿命周期数据获取困难、训练样本少的问题,提出一种基于关系网络的轴承剩余使用寿命(Remaining useful life, RUL)预测方法.关系网络是一种基于度量的元学习方法,在少量训练样本下,具有快速学习新任务的优点.设计了一种基于关系网络的轴承健康评估模型,利用关系网络的嵌入模块提取轴承状态特征,利用关系模块度量轴承状态特征之间的相似性,基于相似性构建轴承健康指标(Health indicator, HI);对健康指标进行Savitzky-Golay滤波平滑处理,降低振荡对预测结果的影响;最后利用线性函数对健康指标进行拟合,得到轴承RUL预测值.为验证所提方法的有效性,在PHM2012轴承实测数据集上进行实验.结果表明,所得健康指标能够反映轴承的退化趋势,所得RUL预测结果与空间卷积长短期记忆神经网络(Convolutional long short-term memory neural network, ConvLSTM)、Transformer、循环神经网络(Recurrent neural network, RNN)、卷积神经网络(Convolutional neural network, CNN)+长短期记忆网络(long short-term memory network, LSTM)、编码器-解码器(Encoder-decoder)+注意力机制(Attention mechanism)方法相比,误差百分比分别减少了1.67%, 3.40%, 9.02%, 13.71%, 30.48%.该方法在少量训练样本的基础上可以取得较好的预测结果,具有一定的应用价值.

全文