摘要

滚动轴承作为风机的关键部件,其状态监测和剩余寿命预测对机械的稳定运行具有重要作用。剩余寿命预测(Remaining Useful Life,RUL)不仅可以有效地防止机械装备发生突发性故障,而且可以最大限度地利用关键零部件的工作能力。基于长短期记忆网络(Long Short-Term Memory LSTM)对滚动轴承的剩余寿命进行预测,首先对滚动轴承数据进行时域、频域、时频域的故障特征提取,将提取特征作为预测模型输入;将一部分样本作为训练集输入LSTM预测模型,分批次输入模型进行训练,并调整网络参数,建成模型后利用测试集进行测试。相比于支持向量机(Support Vector Machine,SVM),基于LSTM网络的寿命预测模型能够充分利用全生命周期时序数据的前后关联信息,对滚动轴承寿命预测具有更高的准确率。