控制与决策

作者：陈佳鲜,毛文涛,刘京,王港胜

单位：河南师范大学 计算机与信息工程学院,河南 新乡 453007,,河南师范大学 计算机与信息工程学院,河南 新乡 453007;智慧商务与物联网技术河南省工程实验室,河南 新乡 453007,,河南师范大学 计算机与信息工程学院,河南 新乡 453007,,河南师范大学 计算机与信息工程学院,河南 新乡 453007,

关键词：剩余寿命评估;深度学习;迁移学习;时间序列递归预测;领域适配;滚动轴承

基金：国家重点研发计划重点专项项目(2018YFB1701400)；国家自然科学基金项目(U1704158)；河南省科技攻关重点项目(212102210103).

深度迁移学习技术已经成功应用于跨工况的滚动轴承剩余寿命(remaining useful life,RUL)预测问题,但针对在线场景的RUL评估仍存在如下不足:在线工况存在漂移,无法确定同工况的历史数据,不能直接构建回归预测模型;在线目标轴承只有正常状态和早期故障数据,无法直接与离线轴承的快速退化期数据进行迁移学习.鉴于此,从时序退化信息迁移的角度提出一种面向未知工况的轴承在线RUL评估方法.首先,构建融合第三方退化信息的时间序列迁移递归预测模型,利用张量长短时记忆网络提取离线工况全寿命数据的单调性和趋势性等时序信息,并迁移到在线递归预测过程;然后,利用迁移成分分析对所预测的在线退化序列和已有离线序列进行公共特征空间适配,提取域无关特征,并构建支持向量机回归模型,实现在线轴承剩余寿命评估.在IEEE PHM Challenge 2012轴承数据集上的实验结果表明,所提出方法可在只有早期故障数据的情况下准确预测退化趋势,为未知工况下的轴承在线RUL评估提供一种有效的解决方案.

来源：2023年第1期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第1期