共查询到17条相似文献,搜索用时 836 毫秒
1.
小波包-支持向量数据描述在轴承性能退化评估中的应用研究 总被引:1,自引:1,他引:1
轴承是旋转机械中的关键部件,相对于故障模式识别,性能退化评估可以更为有效地服务于设备主动维护以实现零停机率。小波包分解可以对信号进行更为精细的刻画,基于统计学习理论的支持向量数据描述是一种具有良好计算性能的单值分类方法。基于此,本文提出了一种基于小波包-支持向量数据描述的轴承性能退化评估方法,该方法以小波包分解的节点能量构成特征向量,仅需要正常状态下的数据样本即可用支持向量数据描述建立知识库,在一定程度上实现了对待测样本退化程度的定量评估。通过应用于轴承不同点蚀大小和其加速疲劳寿命试验的全寿命周期,验证了所提出方法的可行性和有效性。 相似文献
2.
3.
4.
鉴于Gamma过程具有平稳、独立增量等退化建模所需的属性,将其用于描述设备退化过程,并针对缺乏故障数据时难以进行剩余寿命预测的问题,利用设备运行中采集的表征其退化状态的大量间接状态参数和少量直接状态参数,建立了基于Gamma退化过程的剩余寿命预测模型;针对经验最大化算法中似然函数难以解析求解的问题,引入粒子滤波算法实现了模型参数估计;最后将模型应用于直升机主减速器行星架的剩余寿命预测,得到了不同时刻的预测结果及95%置信区间,验证了预测模型的有效性和准确性。 相似文献
5.
6.
《振动与冲击》2019,(8)
针对隐马尔科夫模型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-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。 相似文献
7.
8.
提出了基于混合高斯隐马尔可夫模型的齿轮箱状态识别与剩余使用寿命预测新方法。建立了基于聚类评价指标的状态数优化方法,通过计算待识别特征向量的概率值来识别齿轮箱当前状态。在状态识别的基础上,提出了剩余使用寿命计算方法。最后,利用齿轮箱全寿命实验数据进行验证,结果表明,该方法可以有效的识别齿轮箱状态并实现了剩余使用寿命预测,平均预测正确率为90.94%,为齿轮箱的健康管理提供了科学依据。 相似文献
9.
提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。 相似文献
10.
11.
12.
为更早地检出滚动轴承异常并量化其性能退化程度,该研究提出同步抽取变换与复小波结构相似性(SET-CWSS)指数的滚动轴承性能退化评估新方法。利用同步抽取变换(SET)对当前时刻的振动信号进行时频分析,以获得能量更加集中的时频图,将SET后得到的时频图与刚投入运行时无故障振动信号的SET时频图进行复小波结构相似性(CWSS)评价,得到当前时刻滚动轴承性能退化评估SET-CWSS指数。通过疲劳试验验证及与其他性能退化评估方法对比,结果表明:SET-CWSS指数能有效的刻画出滚动轴承性能退化过程、量化评估其性能退化程度且对滚动轴承早期异常更加敏感。 相似文献
13.
针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。 相似文献
14.
15.
基于特征优选和GA-SVM的滚动轴承智能评估方法 总被引:1,自引:0,他引:1
针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。 相似文献
16.
In a nuclear power plant, periodic sensor calibration is necessary to ensure the correctness of measurements. Those sensors which have gone out of calibration can lead to malfunction of the plant, possibly causing a loss in revenue or damage to equipment. Continuous sensor status monitoring is desirable to assure smooth running of the plant and reduce maintenance costs associated with unnecessary manual sensor calibrations. In this paper, a method is proposed to detect and identify any degradation of sensor performance. The validation process consists of two steps: (i) residual generation and (ii) fault detection by residual evaluation. Singular value decomposition (SVD) and Euclidean distance (ED) methods are used to generate the residual and evaluate the fault on the residual space, respectively. This paper claims that SVD-based fault detection method is better than the well-known principal component analysis-based method. The method is validated using data from fast breeder test reactor. 相似文献
17.
Many traditional approaches for performance degradation assessment of rolling bearings, using sensor data, make assumptions about how they degrade or fault evolve. However, the sequential sensor data cannot be directly taken as input in the traditional models since the data always contain noise and change in length. To solve these problems, a convolutional neural network and deep long-short term memory (CNN-DLSTM) based architecture is proposed to obtain an unsupervised H-statistic for performance degradation assessment of rolling bearing using sensor time-series data. Firstly, a CNN is applied to extract local abstract features from raw sensor data. Secondly, a deep LSTM is explored to extract temporal features. CNN-DLSTM is trained to reconstruct the time-series sensor signal reflecting the health condition of rolling bearing. The D- and Q-statistic are used to compute H-statistic which is then used for performance degradation assessment. The proposed approach is evaluated on an experiment with rolling bearings and the results are presented on a public dataset of rolling bearing, verifying that the proposed approach outperforms several state-of-the-art methods. 相似文献