一个用子搜索算法优化的LSTM框架,其中EMD对滚动元件轴承的剩余使用寿命预测表示无效
Qin Li1, Bo Zhang1, Xinxiang Fang2
1Hunan Mechanical & Electrical Polytechnic, Changsha, 410121, Hunan, China.
Scientific reports
|March 2, 2026
概括
本研究引入了一种新的混合深度学习框架,用于准确预测滚动元件轴承的剩余使用寿命 (RUL). 通过提高RUL的准确性和稳定性,EMD-SSA-LSTM模型增强了预测性维护.
科学领域:
- 机械工程 机械工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 准确的剩余使用寿命 (RUL) 预测对于旋转机械的预测性维护至关重要.
- 挑战包括严重的信号噪声和轴承退化的复杂,非线性性质.
- 现有的方法往往提供点估计,缺乏量化的不确定性.
研究的目的:
- 提出一种新的混合深度学习框架,用于增强轴承RUL预测.
- 为了解决信号噪声和复杂降解过程的局限性.
- 提供具有量化不确定性的概率性RUL预测.
主要方法:
- 经验模式分解 (EMD) 用于信号消音和特征提取.
- 搜索算法 (SSA) 用于优化长短期内存 (LSTM) 网络超参数.
- 第一次通道时间模型 (反向高斯分布) 用于概率RUL估计.
主要成果:
- 拟议的EMD-SSA-LSTM框架与基准方法 (GA-LSTM,PSO-LSTM) 相比,实现了更高的预测准确性.
- 在实验验证中证明了更快的融合和更强大的稳定性.
- 成功提供了具有量化不确定性的概率性RUL预测.
结论:
- EMD-SSA-LSTM框架为数据驱动的轴承预测提供了一个全面和有效的解决方案.
- 自适应信号处理,智能优化和概率建模的整合显著改善了RUL预测.
- 在工业应用中为更可靠的预测性维护策略做出贡献.
