基于DBN-LSTM的滚动轴承剩余寿命预测模型

慎明俊， 高宏玉， 张守京*， 王 典

(1.西安工程大学机电工程学院， 西安 710048； 2.北奔重型汽车集团有限公司， 包头 014000)

在现代工业生产系统中，不同的组件协同工作以实现既定目标。滚动轴承作为工业复杂装备中的基础零部件，对整个机械系统的性能有着很大的影响[1]。然而，滚动轴承通常在恶劣多变的工作环境下工作，在工程应用中易受损伤。虽然滚动轴承在相同的工作条件下与产品部件一起使用，但是它们的使用寿命可能会有很大的变化。对滚动轴承性能的评价不仅可以保证机械设备的平稳高效运行，而且可以及时发现和消除意外故障事件。因此，基于传感器信号的实时监测并对其进行性能退化评估就显得极其重要。

近年来学者们提出了大量基于振动信号特征提取和时间序列预测的方法并成功应用于轴承剩余寿命(remaining useful life, RUL)预测中，其无需考虑机械结构、工况以及失效机理的优势极大程度上提高剩余寿命预测的精确度。李华新等[2]为解决传统机器学习模型需要大量训练和标签的缺点，提出了分层稀疏码(hierarchical sparse coding, HSC)的方法对轴承进行剩余寿命预测。刘波等[3]将轴承从正常到失效的全寿命周期划分成若干个退化阶段，并将隐马尔可夫模型(hidden Markov model, HMM)与粒子群算法优化(particle swarm optimization，PSO)改进的支持向量机(support vector machine, SVM)结合对划分的退化阶段分别进行预测。上述方法一方面采用的是人工特征提取，其建模方式复杂并且部分特征人工提取很容易被忽略掉。而近年来，深度学习凭借自身多层次的内部结构和再学习训练方法的优势，能较好地解决传统人工特征提取的不足；……