基于灰色模型的滚动轴承剩余寿命预测

为准确地对滚动轴承的剩余寿命进行预测,提出了一种基于灰色模型(grey model,GM)的预测方法。首先,计算滚动轴承的全寿命周期的评估指数(confidential value,CV);其次,以滚动轴承的CV值序列建立灰色预测模型,获取灰参数;最后进行迭代运算获得滚动轴承CV值的预测值,并计算其剩余寿命。预测结果表明,该预测方法获得的预测数据与实际情况贴合度比较高,可以应用到滚动轴承的故障诊断项目中。     

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。     

无失效数据的可靠-I生评估和寿命预测

提出一种无失效数据可靠性评估和寿命预测方法，给出其可靠度和使用寿命的置信下限。该方法在weibull分布形状参数下限已知的情况下，能将所有无失效寿命数据进行累加，大大提高可靠性分析的精度；而在对数正态分布标准差上限已知的情况下，可以充分发挥对数正态分布的可靠度和使用寿命置信下限较高的优点。此外，还建立对数寿命标准差和weibull分布形状参数之间的关系式，从而能够根据工程上积累的大量对数正态分布标准差上限的数据求得weibull分布形状参数下限，反之亦然。本文方法易于计算，便于工程应用。     

无失效数据的可靠性评估和寿命预测

提出一种无失效数据可靠性评估和寿命预测方法 ,给出其可靠度和使用寿命的置信下限。该方法在Weibull分布形状参数下限已知的情况下 ,能将所有无失效寿命数据进行累加 ,大大提高可靠性分析的精度 ;而在对数正态分布标准差上限已知的情况下 ,可以充分发挥对数正态分布的可靠度和使用寿命置信下限较高的优点。此外 ,还建立对数寿命标准差和Weibull分布形状参数之间的关系式 ,从而能够根据工程上积累的大量对数正态分布标准差上限的数据求得Weibull分布形状参数下限 ,反之亦然。本文方法易于计算 ,便于工程应用     

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...     

基于竞争失效的航空发动机剩余寿命预测

航空发动机作为典型的复杂机电系统,具有失效模式多样性的特点。多失效模式相互作用,实质上是竞争失效的关系,导致航空发动机剩余寿命预测的复杂性。针对航空发动机失效模式及失效规律特点,提出基于竞争失效的航空发动机剩余寿命预测方法,解决航空发动机健康管理的核心和关键问题。分析航空发动机两类失效模式——性能退化失效和突发失效的作用机制及相关性,构建基于竞争失效的航空发动机剩余寿命预测体系。结合航空发动机不同失效模式及数据特点,分别针对性能退化失效和突发失效建立剩余寿命预测模型。利用贝叶斯线性模型融合状态监测信息,建立航空发动机性能退化轨迹模型,实现针对不同性能退化情况下的航空发动机剩余寿命预测。以分析性能退化规律为基础,利用航空发动机故障信息,建立混合Weibull可靠性模型,量化性能退化失效对突发失效的影响,实现航空发动机突发失效剩余寿命预测。通过算例,验证提出方法的有效性。结果表明,考虑竞争失效的多模型剩余寿命预测技术能客观、准确描述航空发动机寿命变化规律。     

线性回归与EEMD的滚动轴承剩余寿命预测

滚动轴承的剩余使用寿命(Remaining useful life,RUL)预测是轴承健康管理的关键一环。然而,对于滚动轴承RUL预测的两个关键问题:开始预测时间点(Start prediction time, SPT)的选择;对于寿命虚假波动的处理。为了解决这两个问题,提出一种基于数据驱动的滚动轴承RUL预测方法。该方法先利用集合经验模态(Ensemble empirical mode decomposition,EEMD)对振动信号进行降噪处理,然后依靠均方根(Root mean square,RMS)梯度来选择SPT点进行RUL预测,最后,在RUL预测的同时,使用线性回归来进行寿命虚假波动修复。为了验证方法的有效性,采用仿真模拟数据,以及真实数据进行了验证。实验结果表明,所提出的方法能够有效选择合适的SPT以及修复寿命虚假波动。     

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。     

An effective residual life prediction method of rolling element bearings based on degradation trajectory analysis

Journal of Mechanical Science and Technology - Rolling element bearings are widely employed in rotating machines. The health monitoring and the residual life prediction of bearings are significant...     

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。     

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精 度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。 首先,通过高效通道注意力机制提升 特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在 对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间 正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最 后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。 在 PRONOSTIA、XJTU-SY 和自测数据 集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自 适应方法效果提升 20% 至 40% 。     

基于加速退化数据的航空液压泵剩余寿命预测技术研究

航空液压泵是航空装备的关键件之一。如何很好地预测液压泵的剩余寿命,使得液压泵的有效寿命能够得到更加充分合理地利用,将具有很大的理论价值和经济效益。通过研究某型航空液压泵的失效模式、失效机理和退化参数,确定其加速退化试验方案,建立其加速退化模型,并在此基础上建立了一套基于加速性能退化试验数据的航空液压泵剩余寿命预测方法及步骤,并以该型航空液压泵的加速性能退化试验数据为例对其剩余寿命进行了预测,验证了该方法的正确性和有效性。     

基于磨损试验的滚动轴承寿命及可靠性

笔者对特轻（1）系列36102滚动轴承进行了疲劳磨损试验。试验结果显示,磨损量与寿命呈线性关系。在给定可靠度为R=0．99情况下,该系列轴承可靠寿命的点估计x（R）=40723（次）。     

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。     

Residual fatigue life prediction of ball bearings based on Paris law and RMS

Paris law can reflect the failure mechanism of materials and is usually used to be a method to predict fatigue life or residual fatigue life.But the variable which can represent the health of machine i...     

Failure analysis of rolling bearings by X-ray measurement of residual stress

Residual stress measurements were carried out for the failure analyses of rolling bearings. According to the survey of more than one hundred examples, some change in residual stress was observed in most cases.Compressive residual stresses peak below the surface and if present, represent the position of maximum shearing stress due to normal contact pressure. Unexpected overloading is confirmed by this method.However, bearings often fail without such overloading. Early failures were observed to be associated with the residual stress changes near the surface. The influences of sliding, vibration and surface roughness on residual stress changes are discussed.     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型：首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。