科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对常用的优化算法对滚动轴承剩余使用寿命（Remaining Useful Life，RUL）预测模型进行超参数优化时易陷入局部最优的问题，提出了一种基于Kriging代理模型和长短时记忆网络（Long-Short Term Memory，LSTM）结合的剩余寿命预测模型。本文以改进小波阈值函数对轴承原始振动信号进行降噪处理，然后通过自适应融合方法构建轴承健康指标（Health Indictor， HI）曲线并作为预测模型的输入，以寿命预测结果的均方根误差（Root Mean Square Error，RMSE）值为优化目标，LSTM模型隐藏层单元数和Dropout层丢弃率为优化变量搭建Kriging代理模型，对模型寻优得到最优参数组合，最后用超参数优化后的LSTM模型进行RUL预测，并且与传统LSTM、反向传播(Back Propagation，BP)神经网络模型和多层感知机（Multilayer Perceptron，MLP）的预测结果进行了对比，验证了本文模型的有效性。
- 单位
