科研之友
微信
新浪微博
Facebook
分享链接
摘要
基于振动信号的轴承剩余寿命(RUL)预测在工业安全生产中具有重要意义，但该领域目前存在着模型构建难度较高、预测精度较低的问题；为完成自适应的特征模态提取和去噪工作，简化模型构建过程，提升预测效果，提出了基于改进鸽群算法的变分模态提取(IPIO-VME)算法和基于ConvNeXt-Encoder-门循环单元(GRU)的轴承剩余寿命预测方法。首先，鸽群算法高效准确，适用于VME的参数选择，但容易陷入局部最优，利用自适应惯性权重、收缩包围机制、莱维飞行等方法对鸽群算法进行了改进，以提高收敛速度和全局收敛能力；然后，为实现自适应的模态提取目的，设计了IPIO-VME算法的目标函数，能够针对VME算法和轴承振动信号的特点，有效提取轴承振动特征；最后，针对模型构建繁琐、精度低的问题，提出了ConvNeXt-Encoder-GRU模型，采用间隔与连续采样的数据集构建方法，并使用联合振动数据和特征曲线的方法进行了寿命预测模型的构建，通过ConvNeXt模块提取振动特征，然后使用Transformer的Encoder模块提取趋势特征，并利用GRU进行了融合；还对该算法和预测模型进行了实验对比验证。研究结果表明：改进鸽群算法具有更快的收敛速度和更好的全局收敛能力，在测试函数下，经过1 000次迭代，其精度最高能达到1.23×10-9；ConvNeXt-Encoder-GRU模型具备较高预测准确性，在西安交通大学-长兴昇阳科技有限公司(XJTU-SY)轴承数据集上的LogCosh指标可以达到0.001 3，优于单一模型。该研究结果对轴承的故障特征提取和剩余寿命预测研究具有一定的指导意义。
- 出版日期2023
- 单位中国矿业大学（北京）; 陕西彬长小庄矿业有限公司; 陕西彬长矿业集团有限公司
