仪器仪表学报

作者：于重重，宁亚倩，秦勇，高柯柯

单位：于重重,北京工商大学计算机与信息工程学院北京100048,,宁亚倩,北京工商大学计算机与信息工程学院北京100048,,秦勇,北京交通大学轨道交通控制与安全国家重点实验室北京100044,,高柯柯,北京工商大学计算机与信息工程学院北京100048,

关键词：T-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

基金：国家重点研发计划重点专项（2018YFC0807900, 2018YFC0807903）资助

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50min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。

来源：2019年第8期

《仪器仪表学报》期刊编辑部

查看仪器仪表学报杂志2019年第8期