基于CNN-BiLSTM网络及注意力机制的智能滚动轴承剩余寿命预测方法

为了充分利用数据间的时序特性,实现对滚动轴承剩余使用寿命(RUL)的精确预测,提出了一种基于卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的滚动轴承RUL智能预测方法。首先,提取出数据中的12个时域特征和4个频域特征作为神经网络的输入;然后,设计了一种基于注意力机制的CNN-BiLSTM算法,对输入数据进行了退化特征提取,并进一步解决了BiLSTM在远距离信号传输中信息丢失的问题;最后,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台,验证了所提方法的有效性,并将其结果与FCNN、CNN-BiLSTM和CNN-LSTM-AM算法所得结果进行了对比分析。研究结果表明:与采用其他方法所得结果相比,采用本文所提方法得到的轴承RUL预测RMSE值分别降低了25.85%、7.32%和10.59%,Score得分则分别提高了3.65%、2.12%和1.58%,该结果验证了本文所提方法在轴承RUL预测应用方面的优越性。     

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。     

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。     

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%、...     

基于一维卷积神经网络的轴承剩余寿命预测

现有的轴承剩余使用寿命预测模型多依赖于对轴承的时域特征或频域特征进行降维后构建特征工程,然而可能丢失重要的信号信息,因此尝试利用轴承的振动水平加速度信号和垂直加速度信号,构建一维卷积神经网络实现对特征的自动提取,无需人工提取特征,并且基于人工神经网络的局部连接和参数共享机制,大大减少了训练参数,减少了训练时间。训练模型之前,通过设置轴承样本的开始退化点,使训练样本的剩余使用寿命值更为准确。研究发现,该模型能较为准确的对轴承的退化状态进行预测,进而预测剩余寿命。数据集来自于FEMTO-ST研究所的轴承退化数据集。     

基于改进CNN的起重机械滚动轴承故障诊断

针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下,早期故障特征难以提取及有效识别的问题,提出一种改进卷积神经网络(CNN)的故障诊断方法。该方法首先应用短时傅里叶变换(STFT)将传感器采集到的一维振动信号转换为二维时频图,并将其作为改进卷积神经网络的输入,然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后,通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

基于PCA与BP神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断效果,提出主成分分析结合BP神经网络的方法。简要介绍主成分分析法将轴承振动信号时域与频域的特征数据降维处理以及BP神经网络训练过程的原理。利用主成分分析与BP神经网络模型对凯斯西储大学轴承数据进行训练,将滚动轴承的状态类型作为网络输出结果。经过600组训练数据以及145组测试数据的仿真,结果表明主成分分析与BP网络模型比BP神经网络的训练误差精度相对提升了31.14%,测试误差精度相对提升了29.86%。     

基于特征快速构造与卷积神经网络的机泵故障识别研究

将卷积神经网络(CNN)应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。