基于PCA-LSTM的轴承退化趋势预测

作者：邵辰彤; 王景霖; 徐智; 杨乐; 李胜男; 封锦琦

来源：测控技术, 2021, 40(11): 138-143.

DOI：10.19708/j.ckjs.2021.05.239

• 滚动轴承
• 主成分分析(PCA)
• LSTM神经网络
• 趋势预测

由于磨损、腐蚀等因素会导致旋转机械性能的退化甚至失效,若不能及时维修或更换,会影响工程设备的运行,降低设备的工作效率。为了对滚动轴承进行退化趋势预测,避免潜在故障对工程设备造成损害,提高设备工作效率,对滚动轴承振动信号的特征参数使用主成分分析(PCA),对其融合后得出了能充分表现其退化状态的关键特征,降低了预测时数据的输入维度,并使用一种带有随机失活层的长短期记忆(LSTM)神经网络对数据融合后的数据进行预测。将PCA-LSTM模型与非线性自回归(NAR)神经网络的预测结果进行对比,结果表明,基于PCA-LSTM的滚动轴承退化趋势预测模型与NAR神经网络相比,均方根误差和平均绝对百分比误差分别提高了9.1%和8.0163%,预测精度更高,为滚动轴承的退化趋势预测提供了一种新的思路。