机械工程学报

作者：林亮行, 马国政, 孙建芳, 韩翠红, 雍青松, 苏峰华, 王海斗

单位：1. 华南理工大学机械与汽车工程学院 广州 510000;2. 陆军装甲兵学院机械产品再制造国家工程研究中心 北京 100071;3. 陆军装甲兵学院装备再制造技术国防科技重点实验室 北京 100071;4. 中国空气动力研究与发展中心设备设计与测试技术研究所 绵阳 621000

关键词：涂层型关节轴承,变分模态分解,集成经验模态分解,长短期记忆神经网络,贝叶斯优化；

基金：国家自然科学基金(52122508，52105200，51905533)和“十四五”预研资助项目。

涂层型关节轴承由于其结构紧凑且具有较好的摩擦性能,在航天航空设备领域有广泛的应用前景,对其剩余使用寿命(Remaining useful life,RUL)进行有效预测,能够为设备的维护提供一定的理论依据。因此,提出了一种基于变分模态分解(Variational mode decomposition,VMD)、集成经验模态分解(Ensemble empirical mode decomposition,EEMD)以及长短期记忆神经网络(Long Short-term memory neural network,LSTM)模型的剩余使用寿命预测方法。首先,利用VMD以及EEMD对轴承摩擦扭矩信号进行特征提取,并根据时间相关性进行特征筛选,得到相关性较高的3组特征序列,对筛选出的特征进行相对归一化处理作为模型输入,减小不同工况下摩擦扭矩幅值变化带来的影响;最后,选择超参数优化区间对LSTM进行贝叶斯优化,得到贝叶斯优化-LSTM模型,对涂层型关节轴承的RUL进行预测。研究结果表明,该预测模型融入了能够表征涂层型关节轴承退化信息和寿命衰减的多个信号特征,对不同工作载荷下的轴承均有较高的RUL预测精度以及较好的泛化性能。

来源：2023年第9期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2023年第9期