数据驱动下的滚动轴承性能退化评估研究综述

随着科学技术的发展、工业技术的不断创新,机械设备越来越重要,机械设备的健康状况也越来越受重视.基于数据驱动理论对国内外滚动轴承的特征提取方法和性能退化评估模型进行综述,分析了各种方法的优缺点,并对滚动轴承性能退化评估技术进行展望.     

基于HMM的机械设备运行状态评估与故障预测研究综述

随着对机电设备安全性和可靠性要求的不断提高,准确获取趋势性故障发展历程的退化特征信息并建立有效的故障预测模型是提高设备运行可靠性的关键。隐马尔可夫模型(Hidden Markov Model,HMM)具有描述隐藏状态和观测状态的双随机过程属性,与设备的退化过程在某种程度上是相似的,因此成为故障预测模型的研究热点。综述国内外基于隐马尔可夫模型的退化评估与预测方法,重点论述基于隐马尔可夫模型及其改进方法隐半马尔可夫模型(Hidden semi-Markov Model,HSMM)的机械设备故障预测方法,分析比较各种方法的优缺点,并总结展望基于隐马尔可夫模型故障预测方法的发展趋势。     

基于HDP-CHMM的机械设备性能退化评估

针对传统隐马尔可夫模型(hidden Markov model,简称HMM)状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-连续隐马尔可夫模型(hierarchical Dirichlet process-continuous hidden Markov model,简称HDP-CHMM)的机械设备性能退化评估方法。该方法利用分层狄利克雷模型的分层聚类原理,在狄利克雷过程(Dirichlet process,简称DP)模型的基础上进行扩展,利用多组关联数据实现了模型结构根据观测数据的自适应变化和动态调整,获得设备运行过程中的最优退化状态数,并结合连续隐马尔可夫模型(continuous hidden Markov model,简称CHMM)良好的分析和建模能力,获得设备退化状态转移路径,实现机械设备运行过程中的退化状态识别和性能评估。利用滚动轴承全寿命数据的多组特征值进行了应用研究,并与基于K-S检验算法的机械设备零部件性能退化评估方法进行了比较。结果表明,HDP-CHMM模型可以对轴承实际运行状态转移过程进行建模,有效识别轴承运行中的不同退化状态,为基于状态的设备维修提供了理论指导。     

数据关联算法综述及其性能评估

随着传感器技术的不断发展,传感器在现代战争中得到广泛的应用。越来越多的信息使得信息融合成为未来战场计算机领域的研究重点。文中首先就当前的多种数据关联方法进行了研究,并进行实验。在对实验数据进行比较的基础上分析各种关联方法的性能状况。     

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...     

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...     

基于性能退化数据和竞争失效分析的可靠性评估

研究竞争失效模式下的可靠性评估问题,同时考虑退化失效和退化过程中的突发失效对系统可靠性的影响.针对退化轨迹建模方法的不足,采用退化量分布函数描述产品性能的退化过程.考虑突发失效与退化程度的相关性,提出从退化量角度计算突发失效的累计分布函数.在退化量分布函数中按照一定的条件概率剔除突发失效,建立竞争失效的可靠性评估模型,...     

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。     

滚动轴承早期性能退化评估技术研究

为了解决轴承早期性能退化时信噪比低,特征提取和早期性能退化评估困难这一难题,本文采用盲源分离的方法分离轴承振动信号的干扰,将盲源分离后轴承振动信号的峭度值作为轴承性能评估的敏感特征,利用动态模糊神经网络建立轴承的早期性能退化模型。根据盲源分离后,早期性能退化时轴承振动信号的峭度值增加,可作为轴承早期性能退化评估的敏感特征。计算结果表明,盲源分离使得振动信号的峭度对轴承的性能状态更加敏感,轴承性能退化评估结果准确,具有重要的工业实用价值。     

基于数据驱动方法的性能退化数据可靠性评估建模

采用退化量分布法对性能退化数据建立可靠性评估模型需要多个严格的假设前提,在实际应用中难以满足.为了克服退化量分布法的不足,提出一种数据驱动的退化数据可靠性评估模型.首先构建非参数自适应核密度估计得到各时刻产品退化量的概率密度函数,进而计算产品各时刻可靠度,最后通过三参数威布尔分布对各时刻可靠度进行拟合获得产品性能的可靠度曲线.基于实例数据,通过K-S检验证明了该模型相对参数方法具有稳定性和优良性,且不易冒进,便于工程实际应用.     

小波支持向量机多分类器在轴承性能退化评估中的应用

为了准确地对轴承性能退化过程数据进行评估,将Mexican hat小波函数引入支持向量机多分类器中,提出一种小波支持向量机多分类器.并基于平移不变核函数条件,给出该小波函数为容许核函数的证明.根据一对多算法建立支持向量机多分类器.通过对内圈故障和滚动体故障的轴承性能恶化过程中数据的分析,表明小波支持向量机具有比BP(back propagation)神经网络、RBF(radial basis function)核函数支持向量机更高的分类正确率.     

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难.首先利用一个特征映射算法库对振动信号提取特征,并基于Kolnogorov-Smirnov (KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm,BOGA)结合支持向量机分类器(Support Vector Classifier,SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化.通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH_PCAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能.     

基于HSMM的机械故障演化规律分析建模与预测

状态维修是工程实践中提出的一个主要问题,故障预测(prognostics)是实现状态维修的核心支撑技术。但是目前故障预测技术研究很少涉及故障演化规律分析与建模,这是进行故障预测研究的基础。文中在分析机械故障形成的一般过程、基本特性与演化规律的基础上,根据故障演变过程退化状态和HSMM(hidden semi-Markov model)的状态都是通过表现来感知的特点,利用HSMM对机械故障演化规律进行建模,并提出基于HSMM的机械故障预测方法,最后将其应用到滚动轴承的故障预测中,验证该方法的有效性。     

机械故障预测模型综述

总结机械故障预测技术的发展,分析预测模型在故障预报中的重要作用.着重介绍目前常用的预测模型及其优缺点,探讨各模型的适用范围和应用情况.最后讨论这一领域的发展趋势,指出多参数预测和组合预测在机械故障预报中的重要意义.     

基于盲数理论的性能退化数据可靠性分析

针对产品的退化试验中数据小样本的情况下,产品性能退化轨迹描述难以用准确的数学函数处理问题,提出基于盲数理论的性能退化数据可靠性分析方法。根据盲数的定义和特点,运用盲数计算法则,对退化试验的原始数据进行处理,确定盲数的灰区间及其相应的可信度,并计算产品在测试时间点的实时可靠度,然后通过拟合各测量时间点可靠度数据得到产品在全寿命区间可靠度表达式,有效避免假设退化轨迹和引入数据带来的误差。最后用一个算例说明所提方法的操作性和可行性。     

基于声发射信号监测的主轴性能退化可靠性研究

机床主轴作为机床核心部件之一,其可靠性分析研究对提高数控机床质量有着重要意义。分析研究机床主轴性能退化的机理,将声发射信号应用于机床主轴性能状态监测。基于机床主轴性能未知退化路径模型研究,为长寿命少失效样本条件提供了一种失效寿命估计方法,综合虚拟增广样本法对机床主轴进行可靠性评估。最后,通过实验验证了该方法的有效性和实用性。