李卓漫 王海瑞

（昆明理工大学信息工程与自动化学院）

滚动轴承作为旋转机械设备的重要部件之一，在进行剩余寿命预测时，如果预测不准确，会导致无法在机械设备出现问题前及时采取预防措施，进而产生相当程度的经济损失，因此对它进行准确的寿命预测对于设备维护、提高生产效率都有相当重要的意义［1，2］。 近年来，基于状态监测的轴承剩余寿命预测方法成为国内外研究的热点，同时由于循环神经网络（RNN）在时间序列处理方面具有优越性而在滚动轴承剩余寿命预测方面得到广泛应用。 文献［3］中提出了一种基于循环神经网络的健康指标，用于轴承剩余寿命的预测。 文献［4］中使用具有时序功能的长短期记忆网络构建网络模型，并进行剩余寿命预测。由于RNN在训练中会出现长期依赖、 梯度爆炸和消失的问题， 为此提出了长短期记忆网络（Long Short-Term Memory，LSTM）。 LSTM通过设计遗忘门、输入门和输出门结构，有效地利用了长距离的时序信息［5］，提高了预测效果。 与此同时，LSTM神经网络的预测效果很大程度上依赖于参数的设置。模型使用不同参数会使其性能有所不同。且通过人为设置参数，可能导致预测效果不稳定。因此笔者采用粒子群算法（PSO）对LSTM网络的部分需人为设定的参数进行优化， 实验中选择批处理大小和隐藏层单元数目，从而构建PSO-LSTM模型对滚动轴承的剩余寿命进行预测。

1 长短期记忆网络

LSTM以RNN为基础加入了遗忘门、输出门和输入门和3种特殊结构［6］，本质是使用sigmoid激活函数，使全连接层的输出值取值范围在［0，1］，该值表示信息量通过的比例。……