基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

崔澜，张宏立，马萍，王聪

(新疆大学 电气工程学院，乌鲁木齐 830046)

滚动轴承是机械设备中极易发生故障的重要部件, 鉴于滚动轴承故障物理模型的不确定性以及智能化处理技术的飞速发展，基于数据驱动的滚动轴承退化趋势预测方法成为一个深具潜力的研究方向[1]，其核心在于状态变化敏感特征的提取，最优退化特征的选择以及预测模型的建立3个方面。

对于敏感特征的提取，文献[2]提取滚动轴承的时域指标并通过主成分分析法构建敏感特征，但该方法增加了人工提取的难度，且易受噪声的影响。文献[3]提出了一种从二维图形上分析非线性时间序列内部动力学特性的递归方法——递归图法(Recurrence Plot，RP)，但递归图仅是对非线性动力学的定性描述，观察起来极不方便。文献[4]在递归图的基础上进行递归定量分析(Recurrence Quantification Analysist，RQA)，从定量的角度对非线性动力学系统进行分析，克服了传统方法对过程平稳的严格要求且对噪声具有一定的抑制作用。文献[5]采用递归定量分析方法，利用递归量指标进行离心泵的故障诊断并得到了较好的结果，但未对故障的预测进行讨论。因此，本文尝试采用递归定量分析方法提取滚动轴承的递归量，并选取最能体现滚动轴承退化趋势的递归量作为滚动轴承的退化指标。

为更好预测滚动轴承的退化趋势，需进行退化状态分割，滚动轴承在完全失效之前需要经历多状态过程，文献[6]利用自动谱聚类的方法将滚动轴承全寿命周期划分为多状态，文献[7]将谱聚类与遗传算法相结合进行时序曲线的聚类。……