基于改进CNN-LSTM模型的在役轴承寿命预测方法
韩允童1
王靖岳2
侯兴达1
丁建明3
1.沈阳理工大学 汽车与交通学院,沈阳 1101592.沈阳理工大学 汽车与交通学院,沈阳 110159;西南交通大学 轨道交通运载系统全国重点实验室,成都 6100313.西南交通大学 轨道交通运载系统全国重点实验室,成都 610031
摘要：[目的]针对传统卷积神经网络(Convolutional Neural Network,CNN)-长短期记忆(Long Short-Term Memory,LSTM)网络模型参数调整复杂、预测精度受限的问题,提出一种改进的剩余寿命预测方法,旨在提升在役滚动轴承寿命预测的准确性与稳定性.[方法]首先,融合黄金正弦策略来改进麻雀搜索算法(Golden Sparrow Search Algorithm,GSSA),以增强其全局与局部搜索能力,实现对CNN-LSTM关键参数的自适应优化;其次,构建基于相关性、单调性和鲁棒性的特征筛选体系,筛选出高敏感性退化特征;最后,利用PHM2012轴承数据集,建立GSSA-CNN-LSTM预测模型,通过对比反向传播(Back Propagation,BP)神经网络与CNN-LSTM模型验证其有效性.[结果]结果表明,所提GSSA-CNN-LSTM模型在均方根误差、平均绝对误差与均方误差上,较BP神经网络与CNN-LSTM模型分别降低了67.61%、83.71%、80.89%与61.18%、78.78%、51.02%,确定系数更接近1,显著提升了预测精度与鲁棒性.
关键词：滚动轴承黄金正弦策略麻雀搜索算法剩余寿命预测优化
分类号：TH133.33(机械零件及传动装置)TP206+.3(自动化技术及设备)
论文发表日期：2026-02-15
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：7( 40-46 )
英文信息