Ran B. Peng Y. & Wang Y. Bearing degradation prediction based on deep latent variable state space model with differential transformation. Mechanical Systems and Signal Processing, 220, 111636 (2024).
摘要
滚动轴承是机械传动设备的核心部件，预测其退化趋势对于保障设备的安全稳定运行至关重要。目前，大多数基于状态空间模型（SSMs）的轴承退化预测方法都采用线性函数或简单的非线性函数（如指数函数、幂函数）来建立状态和测量方程。然而，这些方法无法适应实际应用中复杂多变的非线性退化过程。针对这一问题，论文开发了一种基于深度隐变量的状态空间退化模型，并将其应用于轴承退化预测。所提方法继承了状态空间模型的优点，能够以结构化的方式对不确定性进行建模。此外，通过引入微分预变换，进一步提高了模型的长期预测性能。为了验证提出模型在预测轴承退化方面的有效性，论文使用了PRONOSTIA平台的轴承数据集和真实的风力涡轮机轴承数据进行了实验。实验结果表明，论文所提方法在轴承退化预测精度方面优于现有方法，充分证明了模型的优越性能。
引言
方法
传统状态空间退化模型
深度隐变量状态空间退化模型
基于深度生成模型的观测方程
基于GRU的状态方程
总体框架
