论文摘要
为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入（T-SNE）样本熵状态退化特征指标和基于时间卷积网络（TCN）的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。
论文目录
文章来源
类型: 期刊论文
作者: 于重重,宁亚倩,秦勇,高柯柯
关键词: 分布随机近邻嵌入,样本熵,时间卷积网络,滚动轴承,状态退化趋势预测
来源: 仪器仪表学报 2019年08期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 机械工业,自动化技术
单位: 北京工商大学计算机与信息工程学院,北京交通大学轨道交通控制与安全国家重点实验室
基金: 国家重点研发计划重点专项(2018YFC0807900,2018YFC0807903)资助
分类号: TH133.33;TP183
DOI: 10.19650/j.cnki.cjsi.J1905247
页码: 39-46
总页数: 8
文件大小: 349K
下载量: 347
相关论文文献
标签：分布随机近邻嵌入论文; 样本熵论文; 时间卷积网络论文; 滚动轴承论文; 状态退化趋势预测论文;