基于DRSN和优化BiLSTM的轴承剩余寿命预测方法

作者：文井辉; 伍荣森; 李帅永; 韩明秀

来源：计算机集成制造系统, 2022, 1-18.

• 深度残差收缩网络
• 双向长短时记忆网络
• 剩余寿命预测
• 麻雀搜索算法

针对传统轴承寿命预测方法过度依赖先验知识、缺乏自适应性及退化特征难以提取导致的预测误差大的问题，提出了一种自适应特征提取的基于深度残差收缩网络（Deep Residual Shrinkage Network，DRSN）和双向长短时记忆网络（Bidirectional Long-Short-Term Memory network，BiLSTM）的轴承剩余寿命预测方法。首先，无需任何先验知识利用DRSN对轴承原始信号进行自动特征学习，提取退化特征并构建健康指标；然后，采用麻雀搜索算法优化BiLSTM隐藏层神经元个数和学习率，基于优化的BiLSTM网络建立轴承剩余寿命预测模型；最后，进行对比实验验证：分别对比DRSN、残差网络、均值特征三种方法提取的健康指标的性能和不同的轴承剩余寿命寿命预测模型进行对比实验。实验结果表明DRSN网络提取的健康指标性能最优，同时基于优化后的BiLSTM轴承剩余寿命预测模型的误差最小：基于优化后BiLSTM、BiLSTM和长短时记忆网络（Long-Short-Term Memory network，LSTM）的三种轴承剩余寿命预测模型的均方根误差分别为1.41%、2.71%、5.64%，验证了方法的有效性。

• 单位
  重庆邮电大学