基于数据融合驱动和DLSTM网络的轴承RUL预测

段桂英 姜洪开

1(山东艺术学院公共课教育部 山东 济南 250014)2(西北工业大学航空学院 陕西 西安 710072)

0 引 言

滚动轴承作为转子机械设备的核心元件，被广泛应用于航空航天、工业生产及电力系统，轴承发生故障将会导致巨大的经济损失，甚至造成灾难性后果。因此，对轴承进行可靠的剩余寿命预测能够有针对性地进行维修保养，从而在保证安全的前提下提升设备的使用效率[1-2]。

现有的RUL预测方法可以分为三类[3]，即基于模型的方法、数据驱动的方法和混合方法。其中，数据驱动方法与其他两种方法相比更易于实现，也能够更加全面地进行分析。文献[4]描述了一种针对自动变速器离合器基于卡尔曼滤波器(Kalman filter,KF)的RUL预测方法。文献[5]提出了一种使用支持向量回归(SVR)的直接RUL估计方法，该方法避免了估计退化状态或阈值设置故障。文献[6]采用回波状态网络模型，使用时间序列数据对燃料电池进行RUL预测等。但是这些方法通过映射监视信号和RUL值之间的关系可以实现RUL预测，但是没有考虑反映健康状态微小变化的不同时间序列信号的相关性。

循环神经网络(RNN)作为上述问题的一种解决方案，可以跨时间步长从先前处理的序列数据中提取有用的重要信息，并将其集成到当前的单元状态中以对序列数据进行建模[7]。但是训练中梯度消失或爆炸的问题限制了传统RNN的广泛应用。文献[8]创建了一种改进的名为LSTM的RNN结构来缓解此问题，通过引入一组记忆神经元，LSTM在学习鲁棒性和敏感数据方面表现出了卓越的能力。……