基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法

传统的滚动轴承寿命预测都需要进行全寿命实验,并且需要数学或物理模型处理大量的实验数据,针对这一问题,提出了一种基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法.首先,采用滚动轴承的无失效数据模型和E-Bayes理论,计算出了每一个截尾时间滚动轴承可靠度估计值;然后,将滚动轴承每个截尾时间计算出的可靠度估计值进行了等...     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

预测腐蚀管道剩余寿命的新方法研究

针对概率统计方法预测腐蚀管道剩余寿命对数据样本要求大和预测精度低的问题,提出采用灰色预测理论对腐蚀管道进行了剩余寿命预测;针对传统GM(1,1)模型不能根据非等时距数据进行数据拟合、背景值构造误差大和新信息利用充分的问题对GM(1,1)模型进行了改进,并提出灰色预测理论对非等间隔数据处理的新方法。通过采用所建立腐蚀管道剩余寿命模型和改进GM模型对腐蚀管道剩余寿命的计算,证明了该方法的准确、简洁、可行与普适性。     

多退化变量下基于灰色生成率序列的相似性寿命预测方法

鉴于目前关于多退化变量下相似性寿命预测方法的研究较少,提出了多退化变量下基于灰色生成率序列的相似性寿命预测方法。采用灰色累加生成关联模型,将样本数据转换成灰色生成率序列;基于服役样本和参照样本的灰色生成率序列,采用灰色相似关联度分析法计算服役样本与参照样本的相似度,其中各退化变量的权重通过群体一致性算法计算得到;结合参照样本的相似度与实际剩余寿命,采用相似加权平均法预测服役样本的剩余寿命;通过陀螺仪剩余寿命预测的实例,对所提方法的合理性和有效性进行了验证。初步的案例研究显示,所提出的基于灰色生成率序列的相似性寿命预测方法可以获得更精确的剩余寿命预测结果,具有良好的应用前景。     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。     

基于多分辨奇异值分解和ECNN-LSTM的滚动轴承寿命预测

针对现有滚动轴承剩余寿命预测时寿命特征表征能力不足的问题,提出了多分辨奇异值分解和ECNN-LSTM的滚动轴承剩余寿命预测方法.首先,采用多分辨奇异值分解方法获取滚动轴承全寿命振动时域信号中具有不同分辨率的近似和细节信号,以多分辨展现信号不同层次的概貌和细节特征;其次,根据初时刻标准差划分健康阶段,划分出滚动轴承平稳运行阶段和能提供退化信息的快速退化阶段;然后,在两层一维卷积神经网络结构上加入高效通道注意力机制模块,在不降维的情况下自适应调整卷积核进行多通道交互,充分自提取轴承退化特征;最后,利用MSE损失函数统一评价尺度,在LSTM上完成剩余寿命预测.通过辛辛那提全寿命数据进行验证,证明了所提方法的可行性和有效性.     

基于粒子群算法的地下管道腐蚀剩余寿命预测

以灰色理论为基础,探讨了PSO算法的用法.分析了在灰色理论的基础上用PSO算法预测剩余寿命的可行性,对地下管道进行寿命预测.利用该方法,可以在测量数据很少的情况下,预测地下管道的剩余寿命.实例计算表明,基于PSO算法的灰色理论优化方法优于现有的灰色预测方法和基于GA的灰色理论优化方法.     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

KPCA和改进SVM在滚动轴承剩余 寿命预测中的应用研究

为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

滚动轴承磨损寿命数据的灰色预测

为了克服用概率方法对滚动轴承磨损寿命预测数据不足的缺陷,用滚动轴承磨损失效循环次数构造时间序列,提出应用灰色系统理论对少量已有的滚动轴承磨损寿命数据进行预测,扩充样本容量。研究表明利用灰色系统理论能在试验数据较少的情况下,建立灰色预测模型,来构造磨损寿命的数据序列,得到较精确的预测结果。利用此方法可以缩短试验的时间,节约试验的费用,对滚动轴承磨损寿命预测及可靠性评估是有益的。     

基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法

提出了一种基于K-S检验和动态灰色模型的机械设备剩余寿命预测方法。提出以Kolmogorov-Smirnov检验为基础的K-S距离作为描述机械设备退化状态的性能指标,通过退化指标序列动态训练灰色模型、更新模型参数,预测退化指标的变化趋势并确定到达设定失效阈值时的预测步数,以此计算机械设备的剩余使用寿命。最后通过轴承全寿命样本数据对其验证,并与传统的二次曲线拟合预测法和静态灰色模型预测法进行比较,结果表明所提出的方法更能有效地预测轴承的剩余寿命,具有较高的预测精度。     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测

为解决有限状态数据下滚动轴承剩余寿命难以估算的问题,提出一种基于相对特征和多变量支持向量机(Multivariablesupport vector machine,MSVM)的剩余寿命预测的新方法。该方法利用不受轴承个体差异影响的相对方均根值(Relative rootmean square,RRMS)评估轴承性能衰退规律,运用相关分析选取敏感特征作为输入,构造兼顾多变量回归和小样本预测双重优势的MSVM模型预测轴承剩余寿命。与单变量支持向量机相比,MSVM克服了结构简单、信息匮乏等缺点,实现小样本数据潜在信息的最大挖掘。运用仿真数据和轴承全寿命试验数据对预测模型进行检验,结果表明MSVM可在小样本条件下利用尽可能多的有效信息获得准确的预测结果,具有较强的工程使用价值和通用性。     

基于集成软竞争ART的滚动轴承性能退化趋势预测

为了提高滚动轴承性能预测的准确性和稳定性,提出了以软竞争ART-RBF的集成预测模型和置信度CV值相结合的预测方法。将软竞争ART引入RBF神经网络,建立软竞争ART-RBF神经网络预测模型。结合加权平均技术,建立集成软竞争ART-RBF神经网络预测模型。并通过自组织映射(SOM)网络,获取具有丰富故障信息的置信度(CV)值,作为表征滚动轴承性能退化的综合指标。最后,利用滚动轴承加速疲劳试验获取的加速度信号对上述方法进行验证。结果表明,该方法可有效提高滚动轴承退化趋势预测的准确性和稳定性。     

滚动轴承疲劳寿命数值仿真技术的研究

建立了滚动轴承疲劳寿命计算的数学模型,运用Monte-Carlo方法对其实验数据进行模拟,编制出相应的计算程序并建立了滚动轴承疲劳寿命预测系统.在计算机上完成滚动轴承寿命计算、数值模拟和滚动轴承的疲劳寿命的预测.     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

灰色模型在疲劳寿命预测中的应用

疲劳寿命预测的问题是疲劳研究中的重要课题。影响疲劳寿命的因素多且复杂,利用灰色理论方法进行疲劳寿命预测,提出了非等间距GM(1,1)模型和中心逼近式GM(1,1)模型两种预测疲劳寿命的方法。通过对实验数据进行分析和整理,然后建立微分方程,利用MATLAB软件计算得到灰色预测值。与实验数据值进行比较,得出结果表明灰色模型方法具有很高的预测精度,证明灰色理论是一种简单可行的、可靠的分析方法。