Print

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

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

  • 0 引言
  • 1 基于T-SNE样本熵的状态特征提取方法
  •   1.1 T-SNE流形学习
  •   1.2 样本熵
  •   1.3 T-SNE样本熵状态特征提取
  •     1)轴承全寿命周期振动信号获取与分段
  •     2)T-SNE流形特征提取
  •     3)求取样本熵
  •     4)平滑处理
  • 2 基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测
  •   2.1 时间卷积网络
  •     1)因果卷积
  •     2)一维全卷积
  •     3)扩张卷积
  •     4)残差连接
  •   2.2 基于T-SNE样本熵和TCN的状态退化趋势预测
  • 3 实例分析
  •   3.1 实验数据
  •   3.2 基于T-SNE样本熵的滚动轴承状态特征提取
  •   3.3 基于TCN的滚动轴承状态退化趋势预测
  • 4 结论

    • 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

    本文来源: https://www.lunwen66.cn/article/390ec60854779a38228af9a8.html