基于IPIO-VME与ConvNeXt-Encoder-GRU的轴承剩余寿命预测

基于振动信号的轴承剩余寿命(RUL)预测在工业安全生产中具有重要意义，但该领域目前存在着模型构建难度较高、预测精度较低的问题；为完成自适应的特征模态提取和去噪工作，简化模型构建过程，提升预测效果，提出了基于改进鸽群算法的变分模态提取(IPIO-VME)算法和基于ConvNeXt-Encoder-门控循环单元(GRU)的轴承剩余寿命预测方法。首先，鸽群算法高效准确，适用于VME的参数选择，但容易陷入局部最优，因此利用自适应惯性权重、收缩包围机制、莱维飞行等方法对鸽群算法进行了改进，以提高收敛速度和全局收敛能力；然后，为实现自适应的模态提取目的，设计了IPIO-VME算法的目标函数，能够针对VME算法和轴承振动信号的特点，有效提取轴承振动特征；最后，针对模型构建繁琐、精度低的问题，提出了ConvNeXt-Encoder-GRU模型，采用间隔与连续采样的数据集构建方法，并使用联合振动数据和特征曲线的方法进行了寿命预测模型的构建，通过ConvNeXt模块提取振动特征，然后使用Transformer的Encoder模块提取趋势特征，并利用GRU进行了融合；还对该算法和预测模型进行了实验对比验证。...