基于Transformer-BiLSTM的滚动轴承剩余使用寿命预测方法OA

针对现有模型退化特征挖掘不足、预测精度较低的问题,提出了一种融合离散小波变换与Transformer-BiLSTM模型的滚动轴承剩余使用寿命预测方法。利用Transformer的自注意力机制从全局视角锁定长距离依赖,并协同BiLSTM深度解析局部时序的动态演化规律,构建“全局-局部”双重时序感知架构。首先,采用离散小波变换对原始振动信号实施预处理,在有效滤除背景噪声的同时,最大程度保真了瞬态退化信息;其次,提取多维统计特征,通过窗口机制生成时序输入样本;最后,将特征序列输入模型,深度挖掘输入特征与剩余使用寿命间的复杂映射关系,实现滚动轴承剩余使用寿命的高精度预测。实验结果表明:相较于其他模型,在PHM2012数据集上,本模型的均方根误差(RMSE)和平均绝对误差(MAE)平均降低了32.11%、37.63%,决定系数(R^(2))稳定于0.986;在XJTU-SY数据集上,RMSE、MAE平均降低了26.53%、36.56%,R^(2)为0.967。本模型在轴承剩余使用寿命预测中是有效的。