【目的】针对滚动轴承工作环境恶劣、早期退化趋势微弱,导致预测过程的故障特征提取难度大、预测精度不高等问题,提出一种基于累积变换的强化诊断模型,对滚动轴承开展剩余使用寿命预测任务。【方法】首先,提出了基于累积变换的特征强化...【目的】针对滚动轴承工作环境恶劣、早期退化趋势微弱,导致预测过程的故障特征提取难度大、预测精度不高等问题,提出一种基于累积变换的强化诊断模型,对滚动轴承开展剩余使用寿命预测任务。【方法】首先,提出了基于累积变换的特征强化方法,将提取所得特征量转换为对应的累积变换形式,增强原始特征量的敏感度;其次,构建基于累积特征的新型健康指标,利用连续触发机制算法对健康指标进行状态划分,获得初始故障发生点;最后,强化ResNet的跳连接模块、增加额外的校准通道,提高网络模型对关键退化特征的聚焦能力,并通过带Kolmogorov-Arnold Network(KAN)模块的堆叠长短期记忆(Stacked Long Short-Term Memory with KAN Module,KSLSTM)网络,获取全时空特征,进行轴承剩余使用寿命的精准预测。【结果】结果表明,通过构建累积变换特征和优化网络结构来提高小样本训练环境下的轴承剩余使用寿命预测精度,仿真和试验证明了该方法的有效性。展开更多
文摘【目的】针对滚动轴承工作环境恶劣、早期退化趋势微弱,导致预测过程的故障特征提取难度大、预测精度不高等问题,提出一种基于累积变换的强化诊断模型,对滚动轴承开展剩余使用寿命预测任务。【方法】首先,提出了基于累积变换的特征强化方法,将提取所得特征量转换为对应的累积变换形式,增强原始特征量的敏感度;其次,构建基于累积特征的新型健康指标,利用连续触发机制算法对健康指标进行状态划分,获得初始故障发生点;最后,强化ResNet的跳连接模块、增加额外的校准通道,提高网络模型对关键退化特征的聚焦能力,并通过带Kolmogorov-Arnold Network(KAN)模块的堆叠长短期记忆(Stacked Long Short-Term Memory with KAN Module,KSLSTM)网络,获取全时空特征,进行轴承剩余使用寿命的精准预测。【结果】结果表明,通过构建累积变换特征和优化网络结构来提高小样本训练环境下的轴承剩余使用寿命预测精度,仿真和试验证明了该方法的有效性。
