基于S- 时间熵和LSTM 的滚动轴承早期故障预测

蒋金元 彭 成 李凤娟

（ 湖南工业大学，湖南 株洲412007）

近些年国内外研究机械故障热点在于故障诊断，研究故障预测较少，但预测是对机械未来的性能退化的预先估计，能极大程度地减少机械故障带来的经济损失，故障预测在实际生产生活中越发重要。目前故障预测多是利用数据驱动方法实现，如自回归（Autoregressive, AR）模型[1]，灰色理论[2]，支持向量回归（Support Vactor Regression, SVR）[3]，深度学习[4]等方法。这些方法中，深度学习因其独特的自学习能力广泛用于电力系统[5]、金融行业[6]等领域，但在故障预测领域上的应用仍是初始阶段。

国内外学者基于深度学习的故障预测一类为端对端的预测方法，Malhotra 等[7]利用长短时记忆编解码器无监督学习多传感器健康指数从而进行预测，这类方法用于实际生产中还存在一些问题。另一类为利用表征性能退化的特征值与深度学习模型相结合的方法，该方法通过特征指标表征性能退化，用深度学习方法预测退化曲线从而达到预测故障的目的。赵建鹏等[8]运用经验模态分解得出的本征模态并计算能量熵，并提出基于LSTM的故障预测。这类方法需要良好的特征指标来有效刻画机械的性能状态变化与趋势，程道来等人[9]于2019 年提出一种新的滚动轴承性能退化指标S- 时间熵，实验表明与工程上常用时域指标相比，能更好反映轴承的退化过程。但S- 时间熵的计算过程中，时频谱系数矩阵的规模一般是很大的，这严重影响快速获取熵值，并且基于深度学习的机械故障预测对于早期故障研究较少。……