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。     

基于改进LSTM的滚动轴承性能退化趋势预测

针对传统LSTM方法不能合理利用在线数据的问题,提出了参数实时更新的改进LSTM方法并建立了有效的退化趋势预测模型.首先,依据获取的历史资料离线生成LSTM预测模型;然后,在采集在线观测数据时用已有模型前向计算方式得到预测值;最后,将新增的观测数据做为前一个采样阶段时刻的真实值,将预测值与真实值之间的偏差累积到一个整体...     

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% 。     

机械装备的剩余寿命预测

一、引套任何机件均在一定的应力状态、环境介质及温度条件下服役。随着机械装备运转时间的推移,机件表面或内部将会产生诸如磨损、腐蚀、疲劳、蠕变、脆化等损伤。上述损伤累积的过程,也就是机件寿命不断减少的过程,直到该机件完全报废,即寿命终结为止。     

基于BP网络的滚动轴承剩余寿命多因素分析

研究了滚动轴承寿命预测的方法和数据的处理方法,利用有ＢＰ网络信息进行学习,建立了分类系统,通过实例验证了其有效性。     

滚动轴承寿命预测计算新方法

滚动轴承寿命预测新模型考虑了各方面的因素 ,如材料、表面缺陷、粗糙度等等。主要介绍了新模型及使用方法 ,并给出了计算实例。附图 2幅 ,表 2个 ,参考文献 8篇。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

滚动轴承寿命动态预测新方法

由于传统可靠性分析方法是基于大量的失效试验数据和经验知识建立的静态模型,无法实现滚动轴承退化过程的跟踪以及准确进行可靠性评估和寿命预测,提出了基于主成分分析(principal component analysis,简称PCA)和相空间重构的滚动轴承寿命动态预测方法。首先,通过PCA将实时监测的多个滚动轴承性能指标进行融合;其次,使用相空间重构技术实现当前退化过程和历史退化过程的对比,得到寿命预测值,并结合历史失效时间进行统计推断,得到更准确的平均寿命。随着观测样本的不断积累,可实现平均寿命的动态更新。试验结果表明,本研究提出的动态寿命预测模型能够实时预测滚动轴承的寿命,具有较强的工程实用价值。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

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KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。     

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...     

Hilbert-全矢HMM轴承剩余寿命预测

由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

利用振动诊断法预测轴承使用中的剩余寿命

能源、石化和造纸等行业广泛采用流水作业线 ,要求有一些检测手段来检查机械设备的技术状况 ,特别是滚动轴承的状况。根据诊断结果 ,可以确定滚动轴承的剩余寿命 ,从而比较合理地进行修理作业。利用振动诊断分析滚动轴承的状况ｇ ,可以确定其工作能力系数的变化程度 ,再考虑介质状况Ｓ ,则可以预测由ｉ次测量的轴承状况ｇ向新质量状况过渡的情况 ,即推断滚动轴承损坏的时刻并预测其剩余寿命。大体上要具备下述条件 :∪Ｌｉ=1ｇｉ =ｇ ( 1 )ｇｉ ∩ｇＭ =0 (任何ｉ≠Ｍ) ( 2 )式中　Ｌ缺陷的种类数条件 ( 1 )式和 ( 2 )式都表示 ,在ｉ次测量…     

滚动轴承疲劳定寿中应力-寿命系数的研究及应用

基于Ioannides-Harris理论,考虑滚动轴承的可靠度-寿命系数和应力-寿命系数,对滚动轴承寿命进行预测。重点讨论应力-寿命系数在完全弹性流体动力润滑条件下,赫兹应力、摩擦切应力、颗粒污染引起的应力、残余应力及材料疲劳极限应力对轴承寿命的影响,并介绍应力-寿命系数的计算方法。     

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life,简称RUL）预测困难的问题,提出了基于均方谐噪比（mean square harmonic noise ratio,简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter, 简称RPF）相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。