控制与决策

作者：陈佳鲜,毛文涛,刘京,张新明

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;智慧商务与物联网技术 河南省工程实验室,河南 新乡 453007,

关键词：剩余寿命预测;深度学习;迁移学习;健康指标;时序特征;轴承

基金：国家重点研发计划专项项目(2018YFB1701400)；国家自然科学基金项目(U1704158)；河南省科技攻关项目(212102210103)；河南师范大学面上项目培育项目(2020PL09).

不同工况下轴承退化数据分布不一致导致深度学习等方法对剩余寿命预测效果有限,而已有迁移学习预测方法未能充分挖掘不同工况退化序列的内在趋势性,为此,提出一种基于深度时序特征迁移的轴承剩余寿命预测方法.首先,提出一种深度时序特征融合的健康指标构建模型,利用时间卷积网络挖掘退化趋势的内在时序特征,得到源域多轴承的健康指标;然后,提出一种最小化序列相似度的领域自适应算法,利用源域健康指标作为退化趋势元信息,选取目标域与源域之间的公共敏感特征;最后,采用支持向量机构建预测模型.在IEEE PHM Challenge 2012 轴承全寿命数据集上进行实验,结果表明,所提出方法构建的健康指标可更有效地反映退化趋势,同时明显提升剩余寿命预测的准确度.

来源：2021年第7期

《控制与决策》期刊编辑部

查看控制与决策杂志2021年第7期