基于贝叶斯优化的DCAE-RNN滚动轴承早期故障预测
逯怀聪1
卢涛1
刘坤华1
秦伟伟2
郭祥龙1
胡杰3
1.青岛理工大学 机械与汽车工程学院,青岛 2665202.中国石化胜利油田分公司 石油开发中心有限公司胜发采油管理区,东营 2570013.中国广东中兴通讯股份有限公司,深圳 515100
摘要：[目的]针对滚动轴承在实际工作条件下因缺乏先验故障知识、早期故障特征弱、工作环境中噪声干扰较强的早期故障难以准确预测的问题,提出一种结合贝叶斯优化的深度自编码器(Denoising and Contraction Autoencoder,DCAE)与循环神经网络(Recurrent Neural Network,RNN)的预测模型.[方法]首先,重排数据并划分数据集,使用贝叶斯优化函数对堆叠去噪自编码器进行超参数寻优,训练堆叠去噪自编码器模型,对收缩自编码器进行超参数寻优,将堆叠去噪自编码器的输出作为收缩自编码器的输入,训练收缩自编码器,得到深度自编码器,使用深度自编码器提取滚动轴承振动信号数据中的故障特征;其次,采用循环神经网络对滚动轴承的早期故障进行预测;最后,利用XJTU-SY数据集进行了试验验证.[结果]试验结果显示,所提方法在保证预测精度达到预期要求的前提下,有效缩短了模型的预测耗时,显著降低了计算资源的消耗成本,同时进一步提升了模型在实际场景中的可部署性.
关键词：滚动轴承早期故障预测贝叶斯优化深度自编码器循环神经网络
分类号：TH17(机械运行与维修)TP206(自动化技术及设备)
资助基金：国家自然科学基金(62006256)国家自然科学基金(52205109)山东省高等学校青年创新团队项目(2023KJ120)中国博士后基金面上项目(2023M742156)
论文发表日期：2026-04-15
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：11( 143-153 )
英文信息