基于KPCA和TCN-Attention的滚动轴承退化趋势预测

作者：严帅; 熊新^*

来源：电子测量技术, 2022, 45(15): 28-34.

DOI：10.19651/j.cnki.emt.2209218

• 滚动轴承
• 核主成分分析
• 时间卷积网络
• 注意力机制

为准确地对滚动轴承退化趋势进行预测，提出了KPCA和TCN-attention的组合预测方法。首先，利用KPCA对轴承的高维特征集进行非线性特征提取，并将第一主成分作为轴承的性能退化指标，对第一主成分进行归一化和平滑预处理；然后，在时间卷积网络TCN中加入注意力机制来赋予隐藏层中关键特征的权重系数，找出TCN提取每个时间步的局部特征中贡献最大的部分，进而筛选出关键信息；最后，利用辛辛那提IMS轴承外圈和内圈的全生命周期数据对所提方法的可行性进行了验证，实验结果表明，与未加注意力机制的TCN和GRU、LSTM对比，所提方法的外圈RMSE和MAE预测指标分别降低至0.002 99和0.002 17,内圈RMSE和MAE预测指标分别降低至0.034 01和0.024 90,具有更高地预测准确性。

• 单位
  自动化学院; 昆明理工大学