预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时，精度会大幅下降。针对这一问题，提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先，采用信号分析方法对轴承振动信号进行了特征提取，并采用特征评价的方法选择出了5个最优特征，在最优特征的基础上，采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分；然后，选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入，采用源域数据对特征提取器和寿命预测模块进行了预训练；最后，更新了目标特征提取器和寿命预测模块，对目标域的RUL进行了预测；并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型，GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力；同时，在对变工况的轴承寿命进行预测时，采用GFFDA模型具有更好的性能。