基于改进深度森林的滚动轴承剩余寿命预测方法

作者：王玉静; 王诗达; 康守强^*; 王庆岩; V.I.MIKULOVICH

来源：中国电机工程学报, 2020, 40(15): 5032-5043.

DOI：10.13334/j.0258-8013.pcsee.191730

• 滚动轴承
• 卷积神经网络
• 深层迭代特征
• 深度森林
• 剩余寿命预测

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。

• 单位
  哈尔滨理工大学; 电子工程学院