机床与液压

作者：张发振，张清华，秦宾宾，朱冠华，邓兴超，刘迪洋

单位：吉林化工学院信息与控制工程学院;广东石油化工学院自动化学院；广东石油化工学院自动化学院；广东石油化工学院自动化学院;广东石油化工学院博士后创新实践基地；广东石油化工学院自动化学院；吉林化工学院信息与控制工程学院;广东石油化工学院自动化学院；吉林化工学院信息与控制工程学院;广东石油化工学院自动化学院

关键词：剩余使用寿命;轴承;时间卷积网络;双向长短时记忆网络;变分模态分解

基金：国家自然科学基金重点项目(61933013)；广东省普通高校重点领域专项(高端装备制造)项目（2023ZDZX3015）

传统的滚动轴承剩余寿命预测方法存在缺乏明确学习机制和模型预测精度较低等问题，无法有效提取不同时序特征之间的差异所包含的重要退化信息特征。为了进一步提高预测模型精度，提出一种融合SENet注意力机制的时间卷积网络(TCN)和双向长短时网络(BiLSTM)的剩余使用寿命预测模型。利用变分模态分解将原始信号分解为多个特征分量，使用皮尔逊相关系数对特征进行优化，得到重构后的信号作为模型输入。通过TCN-SENet-BiLSTM模型有效学习重构特征信号与轴承退化之间的复杂关系。最后，运用后处理技术输出平滑后的预测结果，并在IEEE PHM 2012数据集上进行验证。实验结果表明：相较于TCN、TCN-SENet及TCN-BiLSTM 3种模型，基于VMD与TCN-SENet-BiLSTM方法的预测结果最优，平均绝对误差(MAE)和均方根误差(RMSE)均最低。其中，工况1的3号轴承RUL预测的MAE值相比其他3种网络分别下降了36.49%、50.00%和48.35%；工况2的6号轴承RUL预测的RMSE分别下降了24.11%、33.07%和61.54%，且预测的Score值最高为0.866。实验结果验证了基于VMD与TCN-SENet-BiLSTM模型在轴承剩余使用寿命预测中的有效性。

来源：2025年第1期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第1期