颜家威,易灿灿,黄 涛,肖 涵

(武汉科技大学 a.冶金装备及其控制教育部重点实验室;b.机械传动与制造工程湖北省重点实验室;c.精密制造研究院,武汉 430080)

0 引言

滚动轴承是齿轮箱传动系统的核心部件,其一旦在运行过程中被损坏,就会导致设备停机进行维修,造成经济损失[1]。剩余使用寿命(remaining useful life,RUL)预测可以有效地预防并降低该类事件的发生次数,提前发现损坏的轴承进行维修与更换,提高机械设备运行的稳定性与设备的生产效率[2]。

滚动轴承RUL预测的方法一般分为基于物理模型和数据驱动的方法[3]。基于物理模型的方法旨在根据现场情况,建立对应的数学模型,通过模型描述数据的失效趋势[4]。在工业现场中,实际研究对象结构复杂、机理难以描述,建立准确的数学模型十分困难。基于数据驱动的方法,如卷积神经网络(CNN)[5]、循环神经网络(RNN)[6]、长短时记忆网络(LSTM)[7]等算法,使用各阶段传感器的历史数据进行预测,在工业应用中更适合、更容易。莫仁鹏等[8]选用CNN模型将轴承退化数据进行特征提取、融合后输入到前馈神经网络(FNN)模块进行训练,映射输出RUL预测值。LIU等[9]结合自动编码器形式的RNN和一种自带去噪功能的自动编码器(GRU-NP-DAE),通过上一周期的训练数据输入预测下一周期数据。舒涛等[10]提出一种改进的灰色模型,并与LSTM模型相结合,预测旋转机械轴承系统的未来工作状态。基于编码器-解码器结构的预测方法,如Transformer模型[11],利用结构中包含的注意力机制提高模型训练、迭代的速度,对并行计算的适应性高。……