基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法

为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆（Long Short-Term Memory,LSTM）网络直接对频率数据进行特征提取,构建退化过程的初步健康指标（Health Indicator,HI）;为了消除HI曲线的局部剧烈振荡,提出了带斜率的极端拐点（Extreme Inflection Point with a Slope,ES）模型改善其整体单调性;使用相关向量机（Relevance Vector Machine,RVM）模型对HI曲线进行趋势预测,实现了滚动轴承的剩余寿命（Remaining Useful Life,RUL）预测。实验结果表明,所提方法相较于对比方法具有较好的预测精度。     

滚动轴承寿命预测的相似性匹配优化方法研究

传统相似性寿命预测方法忽视退化过程的局部演变特性,导致预测精度较低;传统时、频域等特征指标难以实现早期故障监测,且退化后期局部波动较大。引入高斯函数趋势拟合策略,提出改进的相似性匹配优化方法。提出基于高斯混合模型的Jensen-Renyi散度健康指标,准确跟踪滚动轴承退化演变趋势。由于实际全生命周期退化信号难以大量获取,因此构建双指数函数模型,模拟退化信号,并验证仿真数据扩充参考字典集的有效性。采用高斯函数拟合退化数据并提出参数相似性原则,实现剩余使用寿命预测。滚动轴承全生命周期退化实验数据分析结果验证了所提方法可以有效提高剩余寿命预测精度。     

基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法

基于数据驱动思想,提出了一种相同工况下的滚动轴承寿命预测方法。针对轴承全寿命监测数据,根据K-means聚类算法划分轴承运行状态空间,考虑到隐马尔科夫模型主链为状态链的不足,对状态转移矩阵重新定义,将主链改进为寿命链,建立了基于改进HMM的全寿命状态驻留时间模型;将观测轴承数据、实时与建模数据进行Pearson相似度分析,构造寿命比例调节系数,实现寿命模型参数的动态修正和观测轴承寿命的自适应预测。采用美国辛辛那提大学实验中心轴承试验数据开展了应用研究,通过一组轴承全寿命数据实现了对其它轴承不同阶段及全寿命的预测,与传统的隐马尔科夫模型、灰色模型预测等方法预测结果相比,所提算法兼具较好的预测准确性和模型的泛化性。     

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。     

基于多传感器融合的刀具剩余寿命预测

为了提高刀具磨损状态的预测精度,提出了一种基于多传感器融合的刀具剩余寿命预测方法.在训练阶段,首先联合振动、电流、以及PLC控制器信息进行数据预处理并利用时间序列分析等方法进行特征提取.然后针对单帧样本缺乏上下文信息且无法全部覆盖整个生命周期数据的问题,采用多帧联合与mix-up方法对数据进行增强.最后设计一个深度神经...     

融合多源数据的非线性退化建模与剩余寿命预测

针对目前基于单个传感器剩余寿命预测方法存在预测精度不高的问题,该文提出一种融合多源传感器数据的非线性退化建模与剩余寿命预测方法。该方法包括复合健康指标的构建、模型参数的估计和传感器融合系数的确定,在确定融合系数后,结合设备历史寿命数据与实时监测数据,利用Bayesian参数更新公式推导出设备的剩余寿命概率分布,实现设备的剩余寿命在线预测。最后通过由商用模块化航空推进系统仿真生成的发动机退化数据集进行仿真实验,结果表明该文所提方法能够有效提高设备剩余寿命预测的准确性。     

基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network, TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%～77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。     

跑道剩余寿命预测

本文尝试利可靠性理论，结合损伤的观点，建立对机场旧跑道剩余寿命的预测方法。     

基于注意力GRU算法的滚动轴承剩余寿命预测

针对旋转机械装置中滚动轴承剩余寿命随时间变化趋势难以准确预测问题,充分利用循环神经网络(recurrent neural networks,RNN)对时间序列数据的处理能力,提出一种融合注意力机制的门控循环单元(attention gated recurrent unit,AGRU)算法应用于滚动轴承剩余寿命预测领域之...     

基于特征优选的航空发动机剩余寿命预测

研究针对航空发动机剩余寿命预测中的特征选择问题,提出一种基于特征优选的航空发动机剩余寿命预测方法。首先,基于长短时记忆网络建立单序列监测数据预测模型,预测不同工况下发动机测试样本的数据集。其次,基于特征融合与相似性匹配法,计算剩余寿命预测评价指标,并基于非劣分层遗传算法进行特征优选。最后,对基于特征优选的剩余寿命预测效果进行验证,结果表明：1）在同一非劣层中,随着特征数量的增加,剩余寿命评价指标会先变优,再变差。这种现象说明过多的特征数量会影响优化结果,证明特征优选的必要性。2）以不同工况的样本集分别用于特征多目标优选和剩余寿命预测研究,其预测误差均值相差小于16%,表明所提方法的正确性和鲁棒性。     

基于改进CNN的噪声以及变负载条件下滚动轴承故障诊断方法

针对现有轴承故障诊断方法应对噪声以及变负载条件下诊断能力不足问题,提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)和有效通道注意力模块(Efficient Channel Attention,ECA)的滚动轴承故障诊断方法.该方法首先通过卷积神经网络对原始信号进行自适应故障...     

基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life,RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman...     

基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命预测问题,利用经验模态分解对滚动轴承全寿命振动信号进行分解,得到有限个IMF分量,对这些IMF分量分别进行模糊熵分析,提取出滚动轴承故障特征信息,得到多频率尺度模糊熵值。然后采用PCA进行降维,建立滚动轴承性能退化评估指标。把经PCA融合后的IMF模糊熵值输入到ELM极限学习机中,训练ELM预测模型,对滚动轴承进行短期退化趋势预测,以及剩余寿命预测,并与经PCA融合后的IMF样本熵值的预测性能进行对比,证明所提指标的预测精度较高且预测结果趋于保守,更适合用于滚动轴承的剩余寿命预测。     

在役金属材料剩余寿命预测技术

本文论述了预测在役金属材料剩余寿命的重要性，并介绍了利用蠕变空洞对在役材料剩余寿命进行定性和定量的预测技术。     

基于GCNN的滚动轴承故障诊断

随着智能制造的快速发展,基于数据驱动的故障诊断方法逐渐成为轴承状态监测的研究重点.针对传统滚动轴承故障诊断方法所存在的特征提取和特征选择复杂且效果不佳的问题,提出一种基于卷积神经网络智能诊断算法.该算法首先利用重叠采样方法扩充数据集,再采用格拉姆角场方法将原始时域信号转化为二维图像;然后构建一个具有4个卷积层的卷积神经...     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

遗传规划提取优化特征在轴承寿命预测中的应用

在滚动轴承故障诊断领域中,针对轴承剩余寿命预测这一关键问题,提出了一种基于GP(遗传规划)提取特征的方法,该方法将多个特征组合为一个特征树,实现多维输入到一维输入的转换,并用改良的适应度评价特征树的优良性,经过反复迭代,最后输出适应度最大的特征树,该特征树对应的特征值曲线在时域上最接近线性变化,将其作为一个独立的特征,...