来源：期刊VIP网 时间：
作者：杨秀芳;田亮;张英鸽;赵宇凡;
单位：西安理工大学机械与精密仪器工程学院;
摘要：机械装备正在朝着高速、高精、高效方向发展，建立可靠的剩余寿命预测和健康监测是保证装备安全运行的必需途径。深度学习理论具有强大的建模和表征能力逐渐成为机械设备故障诊断领域的研究热点。结合机械监测大数据的特点与深度学习的优势，提出了一种新的滚动轴承剩余寿命预测和健康监测方法，该方法通过定义的退化特征选取指标，从全特征参数中选取了12个退化特征参量，构建了退化特征集，并用退化指标得分最高的总谱值特征归一化为寿命值标签，训练长短期记忆（long short-term memory,LSTM）神经网络滚动轴承剩余寿命预测模型，其优势在于摆脱了对大量信号处理技术和机械累积损伤可靠性模型的依赖，实现对滚动轴承剩余寿命的智能预测。通过对多种工况的滚动轴承剩余寿命进行预测，结果表明，本文的退化特征数据样本+LSTM滚动轴承剩余寿命模型对多种工况的滚动轴承剩余寿命预测方法可行，寿命预测效率高、结果可靠，预测模型的泛化能力强，具有很强的工程应用参考价值。
关键词：滚动轴承;;剩余寿命预测;;LSTM;;退化特征
基金资助：国家自然科学基金资助项目(52405600)
