基于PCA-LSTM的轴承退化趋势预测

摘要

由于磨损、腐蚀等因素会导致旋转机械性能的退化甚至失效,若不能及时维修或更换,会影响工程设备的运行,降低设备的工作效率.为了对滚动轴承进行退化趋势预测,避免潜在故障对工程设备造成损害,提高设备工作效率,对滚动轴承振动信号的特征参数使用主成分分析(PCA),对其融合后得出了能充分表现其退化状态的关键特征,降低了预测时数据的输入维度,并使用一种带有随机失活层的长短期记忆(LSTM)神经网络对数据融合后的数据进行预测.将PCA-LSTM模型与非线性自回归(NAR)神经网络的预测结果进行对比,结果表明,基于PCA-LSTM的滚动轴承退化趋势预测模型与NAR神经网络相比,均方根误差和平均绝对百分比误差分别提高了9.1％和8.0163％,预测精度更高,为滚动轴承的退化趋势预测提供了一种新的思路.