基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.     

基于迭代生成特征替换的轴承寿命预测方法

在轴承剩余使用寿命预测的研究过程中,全寿命周期数据的波动性是影响轴承剩余使用寿命预测精度的因素之一.为了降低这种因素的影响,结合迭代生成方式生成的数据具有比原始数据波动性更小的优点,提出一种基于迭代生成特征替换的轴承寿命预测方法.首先采用深度学习模型提取信号特征,其次以迭代生成的方式生成新的信号特征,然后使用该信号特征代替原本提取的信号特征参与轴承寿命预测模型的训练与预测.在一个公开轴承数据集上验证了该方法的有效性,将迭代生成的信号特征与原始数据直接提取的信号特征进行对比,结果表明:迭代生成信号特征在时间方向上具有更小的波动性;这种信号特征有利于降低轴承剩余使用寿命的预测误差.