滚动轴承性能退化趋势预测综述

滚动轴承作为旋转机械的重要零部件之一,其在工业中占有重要的地位,其可靠性直接影响设备能否安全、稳定运行。文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法,然后进行了有效的性能退化趋势预测模型分类。最后,对滚动轴承性能退化趋势预测内容进行了总结。     

数据驱动的旋转设备性能退化趋势预测方法

为解决在役状态监测系统采用常规固定阈值报警方法难以追踪旋转机械性能退化发生和发展的问题,应用振动监测原始数据和实时监测原始数据构建了数据驱动的旋转设备性能退化趋势预测模型,提出一种基于谱距离指标运行可靠性曲线l1趋势滤波的旋转设备性能退化趋势预测方法.应用美国辛辛那提智能维修信息系统(I M S)中心轴承实验数据和中国...     

基于离群点检测的产品性能退化评估

产品性能退化评估是产品健康运作和剩余寿命评估的关键步骤,为了实现快速、实时评估,提出一种基于离群点检测的产品性能退化评估方法.首先基于邻域粗糙集理论和功能结构关联性确定性能监测参数之间的相关关系;然后根据性能参数相关关系所包含的知识逐步构建性能监测参数的退化指标;由于产品功能模块的性能状态可能表征于多个性能参数,利用主成分分析法对性能监测参数赋权,综合考虑多个性能参数得到产品功能模块的退化得分;最后,以风力发电机组为例,通过对比分析验证了所提方法的有效性.     

基于支持向量回归的滚动轴承性能退化状态研究

滚动轴承在全寿命阶段都处于性能不断退化的过程,对其退化状态进行有效而精确的评估能够有效避免机械设备发生相应的事故,也能为维修保障提供更直观的参考依据。运用小波包分解对滚动轴承振动信号进行特征提取,可以得到更全面的特征信息;针对特征过多不利于模型构建,采用等距特征映射(ISOMAP)这一非线性的降维方法对多个特征降维从而得到能够反映其退化状态的退化指标(DI)。并结合滚动轴承工程实际运用,对健康阶段和故障阶段区分开来构建相应的模型,从而更准确地预测滚动轴承的退化状态。最后通过试验数据验证了此方法的有效性,在性能退化状态的预测上达到了理想的效果。     

滚动轴承性能退化静电监测方法及试验

采用静电方法对滚动轴承进行在线监测以及退化评估的研究。在滚动轴承寿命强化试验机平台上,使用自研磨损区域静电传感器对滚动轴承进行在线监测,通过多组试验采集得到滚动轴承磨损静电信号,在对滚动轴承磨损过程静电产生机理分析的基础上,进行静电信号的特征提取,通过加速疲劳全寿命周期试验进行滚动轴承性能退化评估,并与振动信号与温度信号进行对比验证。研究结果表明,磨损区域静电监测技术可以实现滚动轴承性能退化的在线监测,该研究是机械系统在线监测以及故障诊断和预测的重要组成部分,并为仪器实现产品化奠定了基础。     

基于信息熵与 Lempe-Ziv的拧紧设备性能评估方法

拧紧设备在工作过程中随性能退化会出现拧紧质量随机波动和性能状态无序性增加等现象,定量刻画拧紧设备性能的随机波动性和状态无序性是评估拧紧设备性能的关键。应用信息熵和Lempel-Ziv算法对表征二者的性能指标进行复杂性测度分析,以性能复杂度评估拧紧设备的性能退化水平。首先,选取拧紧设备性能指标进行状态划分,并应用信息熵理论建立拧紧性能的复杂性测度模型,以量化拧紧设备性能的随机波动程度;其次,基于Lempel-Ziv算法对拧紧设备性能进行复杂性测度分析,给出衡量性能指标无序程度的描述方法;最后,应用实例对扭矩和角度指标分别进行测算和对比分析,验证所提方法的有效性。结果表明,扭矩和角度指标的评估结果一致表现出相似的设备退化趋势。基于信息熵和Lempel-Ziv算法的评估结果反映出不同的特点,分别从随机波动性和状态无序性两个维度衡量了拧紧设备的性能退化状况。     

基于信息熵与Lempel-Ziv的拧紧设备性能评估方法

拧紧设备在工作过程中随性能退化会出现拧紧质量随机波动和性能状态无序性增加等现象,定量刻画拧紧设备性能的随机波动性和状态无序性是评估拧紧设备性能的关键。应用信息熵和Lempel-Ziv算法对表征二者的性能指标进行复杂性测度分析,以性能复杂度评估拧紧设备的性能退化水平。首先,选取拧紧设备性能指标进行状态划分,并应用信息熵理论建立拧紧性能的复杂性测度模型,以量化拧紧设备性能的随机波动程度;其次,基于Lempel-Ziv算法对拧紧设备性能进行复杂性测度分析,给出衡量性能指标无序程度的描述方法;最后,应用实例对扭矩和角度指标分别进行测算和对比分析,验证所提方法的有效性。结果表明,扭矩和角度指标的评估结果一致表现出相似的设备退化趋势。基于信息熵和Lempel-Ziv算法的评估结果反映出不同的特点,分别从随机波动性和状态无序性两个维度衡量了拧紧设备的性能退化状况。     

基于机器学习的水液压高速开关阀退化趋势预测

高速开关阀以其结构简单、响应速度快、抗污染能力强、稳定性好等优点得到了广泛的应用。水液压高速开关阀的工作介质黏性低,更容易因性能退化发生故障。提出了一种基于机器学习的水液压高速开关阀性能退化状态识别及退化趋势预测方法。搭建了高速开关阀性能测试试验台,将电流信号的变化作为高速开关阀的性能退化指标。根据高速开关阀性能退化程度,将其退化状态定义为正常期、退化期和严重退化期3个阶段。采用BP神经网络(BPNN)方法对高速开关阀的退化状态进行了识别,并采用粒子群优化长短期记忆模型(PSO-LSTM)方法对高速开关阀的退化趋势进行了预测。使用高速开关阀的性能退化试验数据对提出模型的有效性进行了检验,结果表明该方法具有较高的预测精度。     

基于递归熵及长短期记忆神经网络的滚动轴承退化趋势预测

针对滚动轴承退化趋势预测中的特征选择及模型优化问题,提出了基于相空间重构结合长短期记忆神经网络的滚动轴承退化趋势预测方法。首先,在滚动轴承退化特征灰色关联分析的基础上,对滚动轴承运行状态跟踪能力进行量化评估;然后,为统一描述各个特征对轴承退化状态的表征信息,采用谱聚类方法对滚动轴承运行状态进行了准确划分;最后,以滚动轴承正常期的退化指标为基础,采用长短期记忆神经网络预测滚动轴承退化趋势。试验表明,该方法不仅能及时发现轴承运行的衰退时间点,且相比于BP和RBF神经网络具有更高的寿命预测精度。     

基于路图注意力网络的轴承剩余寿命预测方法

图数据构建质量直接关系图数据驱动的轴承剩余寿命预测性能。目前传统方法通常利用不同时刻的多传感数据来构建时空图,来表征监测对象性能状态,但如何在单传感监测应用场景下构建表征轴承性能退化状态的图数据并保证其质量仍是一个开放问题。面向单传感监测应用场景,提出一种基于路图注意力网络的轴承剩余寿命预测方法。首先,计算轴承全生命周期时序振动信号的时域统计特征并构造路图,其中,路图中的边用于连接相邻时刻振动信号;在此基础上,设计一种图注意力长短时记忆网络,用于挖掘路图的图特征(节点、边连接)中隐含的时序振动信号特征和时间依赖关系,从而深层次地反映轴承全寿命退化过程。在轴承全寿命公开数据集上开展验证对比试验,结果表明,该路图构造方式明确了边连接的物理意义,并提高了图数据表征性能;所提出的预测方法能有效捕获表征轴承退化状态的图特征以及时间依赖关系,为解决单传感监测应用场景下的轴承性能退化预测问题提供借鉴。     

基于应力波分析的状态监控与故障预测研究

随着先进的仪器测量与分析、物联网、云计算、数据挖掘、人工智能等科学技术的发展,设备状态监控和故障预测技术近年来在工业设备健康管理中起到越来越重要的作用。研究了一种基于应力波分析的状态监测与故障预测技术,通过应力波传感器对设备运动部件间的摩擦、机械冲击和动态荷载的电子信号进行检测和处理,采用专为应力波分析而开发的时域和频域特征提取软件和基于神经网络的数据融合技术,对设备状态进行定量分析,对设备故障进行准确预测,并提供设备健康诊断分析报告。运行试验表明,与振动分析等传统的状态监测方法相比,本系统能更好地实时监控设备运行情况,更早地预测故障,保证了生产安全性,降低了设备检维修成本,提高了生产效率。     

基于突变理论设冷水泵转轴功能安全完整性评估

面向核电设备冷却水泵(简称核电设冷水泵)转轴的功能安全评估是减少核电设备安全问题的重要手段之一。针对核电设冷水泵转轴故障突变时功能安全评估问题,提出了一种基于突变理论的核电设冷水泵转轴功能安全完整性评估方法。首先,从核电设冷水泵转轴多传感器监测数据中提取故障特征,故障特征融合结果作为预测参数;其次,采用预测参数构建转轴性能衰退轨迹路径,基于蒙特卡罗方法计算转轴累积失效概率;最后,基于尖点突变理论计算转轴危险失效概率,并评估转轴功能安全完整性等级,并采用核电设冷水泵转轴状态监测数据进行了实验验证。结果表明,当核电设冷水泵转轴存在故障突变时,基于突变理论结合性能衰退状态监测的方法,可以提高核电设冷水泵转轴功能安全完整性评估结果的准确性。     

基于时频图像融合的轴承性能退化特征提取

基于数据驱动的轴承寿命预测方法主要采用轴承信号的滤波系数、时域和频域的统计量等作为反映轴承性能退化的特征量。进一步研究发现,这些指标要么对轴承早期缺陷敏感度不够,要么缺乏寿命预测所需要的上升或下降的性能退化特征。由于轴承在制造和工作过程中存在较多随机因素,即使同一种轴承在同一种工况下的工作寿命也会存在差异。因此,寻找一种稳定有效的特征值来刻画轴承的退化状态是十分重要的。提出基于时频图像融合的轴承性能退化特征提取方法。采用平滑伪威格纳-维尔分布(Smoothed pseudo Wigner-Ville distribution,SPWVD)表征轴承振动信号的时频能量分布特征,并利用灰度共生矩阵的统计特征作为轴承的性能退化特征;同时利用图像融合方法将同一轴不同方向的振动信号加以综合利用,消除一些随机因素对性能退化特征的影响。采用2012 PHM Competition的轴承数据集,验证了该方法在轴承的性能退化特征提取中的有效性。     

基于二元多尺度熵的滚动轴承退化趋势预测

针对轴承振动信号随机噪声干扰大、多尺度熵表征轴承退化趋势偏差大的问题,提出了一种基于二元多尺度熵的滚动轴承退化趋势预测方法。首先对滚动轴承振动信号进行局部特征尺度分解,采用多元多尺度熵理论对二阶信号进行计算,提取了二元多尺度熵特征。然后采用互信息法和假近邻法对算法中的嵌入维数和延迟向量等参数进行了优化。最后采用极限学习机预测模型对二元多尺度熵退化趋势曲线进行预测,并对比了不同激活函数的预测性能。结果表明,相对于传统多尺度熵,二元多尺度熵偏差较小;激活函数为sigmoid时极限学习机模型预测精确度较高。     

圆角方形断面气动特性试验

通过刚性测压模型风洞试验,在均匀流场中测试了圆角率R/D=0.4的方形断面在0°～45°风向角、雷诺数Re=0.8×10~5～3.8×10~5时的气动特性。结果表明:试验雷诺数范围内,所有风向角下模型的阻力系数均值、升力系数均值、升力系数脉动值及斯特罗哈数基本上都受到雷诺数的影响。与其他风向角相比,0°～17.5°风向角时,阻力系数均值和升力系数均值受雷诺数的影响更大; 7.5°～45°风向角时,升力系数脉动值受雷诺数的影响更大; 0°～12.5°风向角时,斯特罗哈数受雷诺数的影响更大。     

直升机主减半主动反共振隔振技术研究

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题，提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上，对轴承运行状态跟踪能力进行量化评估，进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响，采用相似近邻传播（affinity propagation ,简称AP）聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息，采用自组织神经网络（self-organizing feature map ,简称SOM）构建轴承健康指数。最后，利用自适应混沌粒子群算法（adaptive chaos particle swarm optimization, 简称ACPSO）优化双指数模型预测轴承剩余寿命。试验表明，该方法可以准确描述轴承运行状态时期，并有效地预测了轴承的剩余寿命。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于VAE-D2GAN的涡扇发动机剩余使用寿命预测

为了提高涡扇发动机剩余使用寿命的预测精度,提出一种将变分自编码器(VAE)和双判别器对抗式生成网络(D2 GAN)相结合的预训练特征提取模型.在该模型中,VAE作为D2 GAN的生成器参与模型训练,形成双重嵌套生成结构,以提高中间特征的提取质量;利用长短时记忆网络进一步挖掘所提取特征的时序退化信息,预测发动机剩余使用寿...