基于运行状态辐射声信号的轴承性能退化监测方法研究

文章针对滚动轴承运行辐射声信号，提出一种滚动轴承性能退化预测的方法。轴承辐射声信号通过改进变分模态分解(improved variational mode decomposition, IVMD)得到K层有限带宽固有模态函数(band-limited intrinsic mode functions, BLIMFs);对BLIMFs分量的能量进行相对能量熵分析并作为轴承性能退化特征指标，将退化指标构成的时间序列分解成趋势项和残余项，对残余项进行平稳性检验和白噪声检验，对趋势项和非白噪声的残余项分别通过堆栈长短时记忆(stack long short-term memory, SLSTM)神经网络进行预测，使用自适应矩估计(adaptive moment estimation, ADAM)优化器反向优化网络权值、阈值；采用拉伊达法则确定阈值作为预警线，当预测退化曲线超过阈值报警线时实现报警。实验结果表明：SLSTM模型预测与分解趋势项之间的均方误差为4.149 2×10^-5,均方根误差为0.003 6,相关系数为0.975 3;SLSTM模型预测与未去除残余项的相对...