胡豁然，李亚莎

(三峡大学电气与新能源学院，湖北 宜昌 443002)

滚动轴承是电力设备中应用最广的一种典型重要零部件，滚动轴承的运行状况直接影响电气设备的安全、可靠运行，寿命是衡量轴承的重要指标[1-2]。随着机器学习的发展，基于数据驱动的轴承寿命预测逐渐成为国内外重点研究方向。但轴承原始信号中不可避免会有大量噪声，影响了轴承寿命预测的准确性，因此需要对原始信号进行处理，文献[3]针对原始信号中的大量噪声，采用EEMD对原始数据进行分解、重构。为了进行退化特征的提取和寿命预测，文献[4]提出了一种基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测；文献[5-6]提出了一种基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法；文献[7-8]提出了一种基于小波包能量谱和改进FOA-GRNN的轴承寿命预测；文献[9-10]提出了基于t-SNE和LSTM对滚动轴承剩余寿命的研究。上述方法为轴承退化特征的提取和寿命预测提供了有效借鉴，但仍有考虑不周的地方，例如对原始信号进行降噪的方法仍存在不足，寿命预测只能预测短期的退化趋势且预测结果较为保守。

针对以上问题，提出一套新的滚动轴承寿命预测方法，先用EEMD对原始信号进行分解，然后根据相关性系数指标对IMF进行筛选并重构信号，并对特征指标集进行核主成分分析，选取累计贡献率符合要求的核主成分进行分析，建立IHHO-LSSVM模型，采用改进的哈里斯鹰算法优化LSSVM参数，提高滚动轴承剩余寿命预测模型的性能和精度。……