【技术实现步骤摘要】
一种基于INFO的轴承剩余寿命预测方法
[0001]本专利技术涉及深度学习
，尤其涉及一种基于INFO的轴承剩余寿命预测方法。
技术介绍
[0002]深度的学习与自我维护是智能制造的技术特征之一；通过在实践中的不断地学习来充实其知识库，智能制造系统的典型特征是具有按一定逻辑结构的深度自学习功能。伴随智能制造技术的深入推进，轴承寿命预测的功能根据用户业务需求在不断拓展。滚动轴承是旋转机械中应用最广泛的一部分，也是关键部件之一。轴承运行出现问题容易导致机械故障，轻则造成生产停产经济损失，重则发生人员安全事故，所以轴承的安全稳定运行对旋转机械至关重要，因此对轴承进行剩余寿命预测研究具有重要意义和现实价值。
[0003]随着信息技术和制造业水平的不断发展，大型机械设备不断朝着高精、高效及工况多样复杂化发展；大型机械设备在极端条件(高温、超负荷)下工作，容易发生故障，造成严重的经济损失；剩余寿命预测是保障运行设备可靠性、安全性和经济性的重要技术手段，防止故障的发生，降低由设备故障引发的事故风险，从而节约维护成本，提高生产...
【技术保护点】
【技术特征摘要】
1.一种基于INFO的轴承剩余寿命预测方法，其特征在于，包括以下步骤：步骤一、利用INFO
‑
VMD方法对振动数据进行分解，对分解后的数据提取特征组成特征集；步骤二、对特征集进行特征降维；步骤三、将训练集的退化数据输入INFO
‑
DELM模型进行训练，得到DELM的训练参数，设置DELM训练参数，然后把测试集和训练集的退化数据输入至DELM模型中得到预测数据；步骤四、首先利用移动平均滤波器对预测数据进行滤波；然后用多项式拟合方式对滤波后数据进行拟合，得到最终的预测寿命。2.根据权利要求1所述的基于INFO的轴承剩余寿命预测方法，其特征在于，步骤一具体包括：S11、利用VMD分解振动数据，对分解的模态提取最小包络熵作为INFO算法的适应度函数；S12、初始化INFO的参数，设置最大迭代次数、种群大小；S13、用INFO算法对VMD进行迭达寻优，得到最优层数k和惩罚系数α；S14、用最优层数k和惩罚系数α设置VMD的分解参数，分解振动数据得到k层模态分量；对分成k层的模态分别提取时域和频域特征。3.根据权利要求1所述的基于INFO的轴承剩余寿命预测方法，其特征在于，步骤二具体包括：S21、利用随机森林和单调算法相结合的方法对特征进行筛选，通过重要度和增减性排序得到优选特征子集；S22、利用主成分分析对优选特征子集进一步降维，得到多个主成分分量，采用第一个主成分分量作为退化指标。4.根据权利要求3所述的基于INFO的轴承剩余寿命预测方法，其特征在于：随机森林的...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。