基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

作者：于重重; 宁亚倩; 秦勇; 高柯柯

来源：仪器仪表学报, 2019, 40(08): 39-46.

DOI：10.19650/j.cnki.cjsi.J1905247

• T-分布随机近邻嵌入
• 样本熵
• 时间卷积网络
• 滚动轴承
• 状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。

• 单位
  轨道交通控制与安全国家重点实验室; 北京交通大学; 北京工商大学