系统工程与电子技术

作者：吴梦蝶, 程龙生, 陈闻鹤

单位：1. 南京理工大学经济管理学院, 江苏 南京 210094；2. 兰卡斯特大学工程学院, 英国 兰卡斯特 LA1 4YW

关键词：滚动轴承,自适应马氏空间,多目标特征选择,融合模型,退化趋势预测

基金：国家留学基金(202206840062)

滚动轴承退化趋势预测中, 传统特征选择主要依赖人工经验和单一评价算法, 容易造成特征的少选或错选, 且单一深度学习网络无法充分挖掘数据中包含的性能退化信息, 导致模型预测精度较低。针对上述问题, 提出一种基于自适应马氏空间(adaptive Mahalanobis space, AMS)与融合深度学习网络的滚动轴承退化趋势预测方法。首先, 分解原始信号并利用相关峭度系数准则筛选固有模态函数(intrinsic mode function, IMF)分量重构新信号, 从多域视角提取特征; 然后, 构建基于AMS的多目标特征选择算法自动优选特征, 减少人工依赖, 加强自适应性和泛化性, 并将马氏距离(Mahalanobis distance, MD)与指数加权移动平均(exponential weighted moving average, EWMA)方法进行结合，对轴承性能退化趋势进行良好表征；最后, 利用稀疏自动编码器和门控循环单元(sparse auto encoder-gated recurrent unit, SAE-GRU)融合模型进行预测。实验结果表明, 所提方法能够有效筛选最优特征, 显著提高预测精度。

来源：2023年第10期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2023年第10期