摘要
本发明公开了一种基于多周期特征对齐的跨工况轴承剩余寿命预测方法,该方法首先将滚动轴承全生命周期振动信号划分为长度相同的信号样本,选择任意工况Wi下的轴承信号作为源域,其余任意工况下轴承信号作为目标域。其次采用自相关函数对源域和目标域的各样本进行周期性检测,使用聚类算法对信号样本周期进行聚类,获得K个周期长度对信号样本进行重塑。然后构建卷积神经网络,对重塑信号样本进行特征提取和特征融合,得到多尺度周期退化特征。最后构建回归网络,利用多尺度周期退化特征预测剩余使用寿命,并构建基于多周期特征相关性对齐损失函数,进行训练和测试。本发明提升了对轴承退化特征的提取,对于轴承剩余寿命进行精确预测。
技术关键词
退化特征
样本
构建卷积神经网络
工况
信号
剩余使用寿命
多尺度
轴承剩余寿命
滚动轴承
周期性
协方差矩阵
表达式
聚类算法
下轴承
系统为您推荐了相关专利信息
特种车
无线电监测系统
频谱分析模块
信号采集模块
信号识别模块
抽头系数
现场可编程门阵列
非线性补偿方法
滤波器
非线性损伤补偿
城市轨道交通信号
故障预测模型
故障预警方法
实时数据
剩余使用寿命
智能分析系统
关键性
云端数据中心
深度学习算法
短时傅里叶变换