首页|基于EWM和SVR的滚动轴承剩余使用寿命预测方法

基于EWM和SVR的滚动轴承剩余使用寿命预测方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
为解决滚动轴承有限全寿命监测数据情况下退化特征分布失真导致轴承剩余使用寿命(RUL)预测精度不高的问题,提出一种基于熵权法(EWM)和支持向量回归(SVR)的轴承RUL预测方法.首先,提取振动信号的时域和频域特征,并对特征进行对数变换;然后,通过EWM确定指标权重实现特征选择;最后,采用麻雀搜索算法(SSA)优化SVR模型,以主成分分析(PCA)降维后的低维特征作为优化后的SVR模型的输入,RUL占比作为输出,从而实现轴承剩余寿命的预测.结果表明:在有限监测数据情况下,与其他方法相比,所提方法不但预测性能更加稳定,而且预测的绝对误差平均降低19.51％,均方误差(MSE)平均降低17.73％.
Remaining useful life prediction method of rolling bearing based on EWM and SVR

entropy weight method(EWM)support vector regression(SVR)rolling bearingremaining useful life(RUL)predictionsparrow search algorithm(SSA)

古莹奎、汪源金、石昌武

展开 >

江西理工大学机电工程学院,江西赣州 341000

熵权法(EWM) 支持向量回归(SVR) 滚动轴承 剩余使用寿命(RUL)预测 麻雀搜索算法(SSA)

国家自然科学基金江西省自然科学重点基金

6196301820212ACB202004

2023

10.16265/j.cnki.issn1003-3033.2023.09.2009

中国安全科学学报
中国职业安全健康协会

中国安全科学学报

CSTPCDCSCD北大核心
影响因子：1.548
ISSN：1003-3033
年,卷(期)：2023.33(9)
  • 1
  • 7