基于特征分析的BP神经网络轴承剩余寿命预测

叶国文，赵转哲，刘永明，付 磊，张师榕

(安徽工程大学1.机械工程学院；2.人机自然交互和高效协同技术研究中心安徽省新型研发机构；3.先进数控和伺服驱动安徽省重点实验室，安徽芜湖241000)

轴承在工业中应用广泛，有很多道工序都需要由轴承来担任，一旦轴承出现损坏，会对整个工厂造成巨大的损失，甚至会对操作工人产生危害。传统的轴承维修都是临时维修或者定期维修，但这样往往会花费大量的时间和经费，对工厂造成大量的经济损失。因此，对轴承进行准确的寿命预测，在损坏前及时更换轴承就显得非常有必要。近几年社会对于轴承的寿命预测已经有部分人进行了研究[1-3]。现在轴承寿命预测逐渐引起了学者们的重视[4-5]，戴邵武等[6]通过提取时域特征，采用粒子群算法(PSO)和支持向量机(SVM)构建寿命预测模型；张继冬等[7]通过全卷积神经网络建立寿命模型，提高了轴承寿命预测的精度；杨超等[8]采用灰色关联度分析和极限学习机(ELM)相结合的方法对滚动轴承性能退化趋势进行预测。在预测方法上，王建平等[9]将传统理论与阿伦尼斯(Arrhenius)模型相结合的方法来给出可靠的寿命预测；韩林洁等[10]使用双向长短期记忆神经网络BiLSTM建立寿命预测模型。

这些文献在特征提取上对轴承的故障产生时间做出了一些精确预测和优化，建立了寿命预测模型，但并未对轴承的整个寿命做出系统的寿命预测曲线，而且轴承类型多种多样，需要不断进行验证。……