| 基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测 |
| |
| 引用本文： | 于重重,宁亚倩,秦勇,高柯柯.基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测[J].仪器仪表学报,2019,40(8):39-46. |
| |
| 作者姓名： | 于重重 宁亚倩 秦勇 高柯柯 |
| |
| 作者单位： | 北京工商大学计算机与信息工程学院;北京交通大学轨道交通控制与安全国家重点实验室 |
| |
| 基金项目： | 国家重点研发计划重点专项（2018YFC0807900, 2018YFC0807903）资助 |
| |
| 摘 要： | 为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。
|
| 关 键 词： | T-分布随机近邻嵌入 样本熵 时间卷积网络 滚动轴承 状态退化趋势预测 |
Prediction of rolling bearing state degradation trend based on T-SNE sample entropy and TCN |
| |
| Yu Chongchong,Ning Yaqian,Qin Yong,Gao Keke.Prediction of rolling bearing state degradation trend based on T-SNE sample entropy and TCN[J].Chinese Journal of Scientific Instrument,2019,40(8):39-46. |
| |
| Authors: | Yu Chongchong Ning Yaqian Qin Yong Gao Keke |
| |
| Affiliation: | School of Computer and Information Engineering, Beijing Technology and Business University, Beijing 100048, China;State Key Lab of Rail Traffic Control and Safety, Beijing Jiaotong University, Beijing 100044, China |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《仪器仪表学报》浏览原始摘要信息 |
|
点击此处可从《仪器仪表学报》下载全文 |
|
