考虑转动周期的轴承剩余使用寿命预测EI北大核心

滚动轴承广泛应用于各类旋转机械设备,其健康状况对机器设备的正常运行至关重要,掌握其剩余使用寿命(RUL)可以更好地保证生产活动安全有效的进行。目前,基于深度学习的轴承RUL预测方法均致力于对整体趋势特征的把控,而忽略了对各转动周期间相互依赖特征的挖掘。针对这一问题,提出一种考虑转动周期的轴承RUL预测网络——双通道网络模型。该预测网络使用卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)来提取轴承振动数据的整体趋势特征,并引入注意力机制来增强模型的特征提取能力。利用基于转动周期的跳越循环神经网络组件来捕捉各转动周期之间的相互依赖模式。通过滚动轴承加速退化实验的数据,验证了所提网络的有效性,并与一些智能算法进行了对比实验,预测精度表现优异。     

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型：其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明：与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、...     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命（remaining useful life， 简称RUL）预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题，提出了一种基于融合指标与数模联动的轴承RUL预测方法，以提高原始数模联动RUL预测方法的准确性。首先，利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征，构建单调趋势良好的性能退化融合指标；其次，基于3σ准则建立一种首次预测时间确定方案，以触发RUL预测模型的启动，避免RUL预测的无效性；最后，考虑轴承的退化特性，嵌入Rauch-Tung-Striebel平滑滤波算法，以减小退化模型的随机波动，实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性，相较于现有数模联动方法，显著提高了轴承RUL的预测精度。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

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%。     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

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。     

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

结合声发射和卷积神经网络的轴承RUL预测方法

根据声发射信号具有对早期损伤敏感性高和频带宽等特点,提出一种结合声发射信号和卷积神经网络的方法,实现滚动轴承的RUL预测。该轴承RUL预测方法主要包括：对原始信号的分频段滤波和特征值提取得到高维特征集;将高维特征集组合成二维神经元作为卷积神经网络的输入,并构建和训练网络以达到预测剩余寿命的目的。通过从实验中得到的数据验证了该预测方法的可行性,并且具有较高的准确性。结合使用卷积神经网络后不但解决了特征值数量大和如何合理利用高维特征问题,而且还得到了较好的RUL预测效果。     

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。     

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.     

基于自组织映射与受限玻尔兹曼机的滚动轴承健康评估

为了对滚动轴承进行动态健康评估,准确描述其性能退化的动态过程,采用自组织映射(SOM)与受限玻尔兹曼机(RBM)相结合的方法进行轴承健康评估。考虑轴承健康状态的变化引起响应特征的相应变化,利用SOM的无监督学习特点,通过序列前向排序算法(SFS)筛选时域、频域和时频域特征,进而建立最优特征域,获得特征向量与轴承健康状态间的映射关系。为了避免传统神经网络在处理上述高维特征数据时出现的易陷入局部最优、参数调整困难、训练时间过长问题,将映射后的特征向量与轴承健康状态分别作为RBM的输入与输出,建立健康评估模型。试验数据分析的结果表明,所提方法可准确识别滚动轴承性能退化过程中的不同健康状态,对于滚动轴承健康评估具有较好的工程适用性。     

基于AOA-LSTM的施工升降机电机轴承剩余寿命预测

针对施工升降机电机轴承剩余寿命预测问题,提出一种基于算术优化算法（AOA）和长短时记忆网络（LSTM）融合算法的轴承剩余寿命预测方法。首先,对原始振动信号提取时域和频域特征指标,利用随机森林算法对提取的特征指标进行重要度分析,并构建退化特征决策表;然后,通过AOA优化算法优化LSTM中的超参数,选择最优超参数建立预测模型;最后,把退化特征输入预测模型中进行预测,并通过均方根误差（RMSE）和平均绝对误差（MAE）评估预测模型。XJTU-SY数据集实验验证,结果表明：AOA-LSTM模型RMSE和MAE分别为5.56%和4.37%,与MLP模型相比,RMSE和MAE分别降低31.58%和29.61%;与循环神经网络（RNN）模型相比,RMSE和MAE分别降低24.66%和25.49%,验证所提方法的有效性。     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

基于萤火虫神经网络的轴承性能退化程度评估

准确评估轴承的性能退化程度是旋转机械预知维护的基础与关键,也是当前研究的新方向。提出了一种萤火虫神经网络方法,并首次应用于轴承性能退化程度的评估。利用萤火虫优化算法得到BP神经网络的最佳初始权值和阈值,提取功率谱熵、小波熵、盒维数、关联维数、峭度和偏度作为故障特征。算例结果表明,萤火虫优化算法提高了网络的预测精度,所提方法可准确评估滚动轴承的性能退化程度,验证了其在工程应用中的有效性与准确性。     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。