首页 > 北华大学学报（自然科学版） > 基于CNN-LSTM的高速列车齿轮箱剩余寿命预测

基于CNN-LSTM的高速列车齿轮箱剩余寿命预测

Remaining Useful Life Prediction of High-speed Train Gearboxes Based on CNN-LSTM

二维码有效期 120s

摘要齿轮箱是高速列车可靠运行的关键传动部件.为了掌握齿轮箱的运行状态,预测齿轮箱的剩余寿命,提出一种基于卷积神经网络结合长短期记忆网络(Convolutional Neural Network and Long Short-Term Memory network,CNN-LSTM)的高速列车齿轮箱剩余寿命预测方法.以齿轮箱中4 个关键测点数据为研究对象,利用完全自适应噪声集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)算法对实车采集的振动加速度数据进行降噪处理,以降噪后的振动加速度数据作为CNN-LSTM剩余寿命预测模型的输入,经过CNN层提取振动信号特征,LSTM层捕捉数据间依赖关系,输出剩余寿命预测值.对比本文方法与寿命预测领域成熟应用的TCN(Temporal Convolutional Networks,时间卷积网络)发现,有3 个测点的RMSE下降了27.8%、33.3%、52.3%,MAE下降了31.0%、38.0%、56.3%,R2 提升了4.1%、2.4%、1.9%.结果表明,本模型在预测齿轮箱剩余寿命方面具有良好的准确性和有效性,能够实现高速列车齿轮箱剩余寿命的精确预测.