一种新型深度自编码网络的滚动轴承健康评估方法

简介

为了准确描述滚动轴承性能退化的动态过程，结合深度学习强大特征提取能力的优势，提出了一种新型深度自编码和最小量化误差方法相结合的滚动轴承全寿命健康评估方法.用深度自编码模型对原始特征进行压缩提取，将压缩特征按趋势进行排序，选取趋势大的特征运用最小量化误差方法构建健康指标.针对基于一个度量的评价准则常具有偏差的问题，提出基于遗传算法的融合评价准则.2组实例分析结果表明，用该方法构建的健康指标的趋势值、单调性值、鲁棒性值、融合评价准则值都大于单层的自编码模型(AE)和传统的PCA降维方法，第1个实例中，该方法构建的健康指标融合评价准则值比PCA，AE方法分别增加了13.30%，3.17%；第2个实例中，该方法构建的健康指标融合评价准则值比PCA，AE方法分别增加了9.68%，3.85%.基于遗传算法的融合评价准则比单一的评价准则更具有说服力.