基于DL-Gamma的滚动轴承剩余寿命预测方法
针对滚动轴承特征提取困难、寿命分布难以获取的问题,将深度学习(Deep Learning)方法和伽玛过程(Gamma Process)结合提出了一种基于DL-Gamma的滚动轴承寿命预测方法.分别以振动信号典型时域频域特征和利用连续小波变换得到原始信号的时频图作为一维时间序列数据和二维图像序列数据,结合深度卷积神经网和双向长短时记忆网络构建混合输入网络,将一维时间序列数据和二维图像序列数据输入网络得到性能退化因子,利用伽玛过程对性能退化因子曲线进行建模,实现剩余寿命预测.试验结果表明,该方法可有效预测滚动轴承剩余寿命,且预测结果克服传统方法滞后性明显的缺点,有利于实际应用.
剩余寿命、滚动轴承、深度学习、性能退化、伽玛过程
44
TH17
2023-10-20（万方平台首次上网日期，不代表论文的发表时间）
共8页
155-162
