基于卷积自编码与密集时间卷积网络的回转支承退化趋势预测

作者：张典震; 陈捷^*; 王华; 杨启帆

来源：振动与冲击, 2021, 40(23): 9-16.

DOI：10.13465/j.cnki.jvs.2021.23.002

• 回转支承
• 密集时间卷积网络(DTCN)
• 卷积自编码网络(CAE)
• 退化趋势预测

为了对反映回转支承性能退化状况的健康指标进行准确预测,提出了一种基于改进时间卷积网络(temporal convolution network, TCN)的退化趋势预测模型——密集时间卷积网络(densely temporal convolution network, DTCN)。该模型借鉴Dense-Net网络中的Dense-block模块对网络结构进行改进,以解决时间卷积网络在训练中损失函数下降缓慢,以及网络不易收敛、收敛效果差的问题;使用回转支承全寿命试验数据,借助卷积自编码网络(convolutional auto-encoders, CAE)与隐马尔可夫模型(hidden Markov model, HMM)建立健康指标,验证该改进算法的有效性;将DTCN与其他序列预测模型如长短时记忆网络(long short-term memory, LSTM)、门控循环单元网络(gated recurrent unit, GRU)等对比。结果表明,该模型在预测效果上具有优越性,能够更准确地预测健康指标的变化情况,可用于回转支承的退化趋势预测任务。

• 单位
  南京工业大学