基于深度学习与增量更新的滚动轴承故障预测方法研究

为解决滚动轴承故障预测方法中存在的专家知识依赖性强、计算时间过长、局限于特定静态故障类型等问题,提出了一种基于深度学习与增量更新的滚动轴承故障预测方法.设计滚动轴承故障预测模型的总体框架,在堆叠了自编码器与时间编码器的基础上,搭建了全连接层和线性回归层以及故障诊断器,从原始滚动轴承数据集中训练出故障预测深度学习模型(DLSTM-CNN);进而,提出了基于增量学习的预测模型参数动态更新机制,使得模型具备参数自学习与自更新能力;最后,基于凯斯西储大学的轴承故障公共数据集进行对比实验,验证了所提预测方法的有效性.研究结果表明:所提方法的均方根误差值为0.165,具备较好的滚动轴承故障预测结果.