文件大小：1.28M
摘要：在智能制造转型升级进程中，高速列车轴承的剩余使用寿命预测面临三大技术挑战：复杂工况下振动信号的非平稳特征表征难题；设备全生命周期数据稀缺导致的模型泛化瓶颈；传统深度学习模型参数优化效率低下问题。为解决以上问题，本文提出融合变分模态分解(variational mode decomposition，VMD)与改进的星鸦优化算法（Nutcracker optimizer algorithm，NOA）的深度时空特征协同挖掘框架，通过多维度技术创新实现轴承健康状态的精准预测。首先构建基于峭度-相关系数双准则的VMD预处理机制，相较于传统EMD方法，VMD通过抑制噪声和模态混叠，完成更稳定可控的信号分解，从而准确地提取设备退化特征。继而设计残差扩张卷积与双向门控循环的混合架构。针对模型超参数优化问题采用了改进的星鸦优化算法，该算法在高维搜索空间中相比PSO、GWO等传统优化器，收敛速度明显加快，对重要参数的搜索精度显著提升。本文通过创新混合优化策略三重技术突破，为复杂装备智能运维提供了具有工程普适性的解决方案。通过实验验证，该模型相较于其他模型在评价指标中MAE至少降低了24%，RMSE至少降低了20%，证明了提出模型所具有的优越的预测性能，后续可推广至其他高端装备健康管理领域。
文章目录
0 前言
1 理论基础
1.1 变模态分解
1.2 残差网络
1.3 双向长短期记忆网络
1.4 改进NOA算法
1.5 轴承RUL预测模型
2 实验分析
2.1 实验数据及预处理
2.2 超参数选取设置及性能评价指标
2.3 实验结果分析
3 结论
