气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine,简称SVRM）的预测效果对比,验证了提出方法的有效性。     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络（PMCCNN-LSTM）的剩余使用寿命预测模型。该模型主要由两部分组成：前端为并行多通道卷积网络（PMCCNN）,提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆（LSTM）网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明：所提模型的平均误差与最大误差分别比传统的卷积神经网络（CNN）低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络（CNN-LSTM）低30.32%和23.09%。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

基于残差自注意力机制的航空发动机RUL预测

针对传统神经网络在多维数据高分辨率特征识别和高精度信号提取方面的缺陷,开展基于残差自注意力机制的剩余使用寿命(RUL)预测算法研究。比较分析卷积神经网络(CNN)和长短期记忆神经网络(LSTM)的结构特性,揭示二者在长序列信息特征关联能力和局部特征提取能力上的局限性。研究自注意力机制,引入双层残差网络抑制误差函数反向传播中扩散性,进而构建了一种卷积记忆残差自注意力机制的深度学习方法。基于上述方法对典型航空涡扇发动机退化实验数据集进行仿真分析,结果表明:所述方法能够有效建立监测数据与发动机健康状态之间的关系,关键评价指标——剩余使用寿命预测的均方误差为225,相比传统自注意力机制均方误差降低了17.9%,验证了所述方法的可行性和有效性。     

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。     

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精 度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。 首先,通过高效通道注意力机制提升 特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在 对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间 正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最 后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。 在 PRONOSTIA、XJTU-SY 和自测数据 集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自 适应方法效果提升 20% 至 40% 。     

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。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

基于离散小波变换和变分自编码器的滚动轴承剩余使用寿命预测

针对噪声导致轴承振动信号有效退化信息难以提取的问题,采用离散小波变换对信号进行分解得到细节分量和近似分量,提取多种敏感特征输入变分自编码器进行融合降维来构建综合性能退化指标,从而有效抑制信号中的噪声分量,获得更有单调趋势性的退化指标;引入经过超参数优化的长短时记忆网络构建滚动轴承剩余寿命预测模型,采用分层抽样方法划分数据集并输入预测模型进行试验验证,结果表明：基于离散小波变换和变分自编码器所得深层退化特征能有效表征轴承的退化信息,获得更精准的轴承剩余使用寿命预测结果。     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于数据对齐的深度ANN机械寿命预测

传统智能数据驱动机械剩余寿命预测存在两个问题：（1）预测起始时间的确定精度不高（2）实体之间数据分布的显著差异,为此提出一种基于数据对齐的深度对抗性神经网络机械寿命预测。利用生成性对抗性神经网络学习机器健康状态下的数据分布,建立系统异常的有效指标,确定预测的预测起始时间。将学习到的特征进一步用于剩余寿命估计,并对不同实体的数据比对引入对抗训练。在学习子空间中通过数据对齐策略来提取实体不变特征,弥补数据分布差异,提高了数据驱动程序方法的泛化能力。最后利用两组加速滚动轴承退化测试数据集验证了所提出的预测方法,结果表明提出的方法能够有效提升预测精度,并且有效解决了数据差异问题。     

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...     

基于时空注意力机制的双向门控递归单元网络的轴承剩余使用寿命预测

提出一种基于时空注意力机制(TSAM)的双向门控递归单元(Bi-GRU)网络模型对轴承的剩余使用寿命进行预测。先利用时空注意力机制对轴承振动信号中的特征进行卷积提取,再将提取到的特征输入到堆叠的双向门控递归单元网络架构中进行剩余使用寿命的预测。数据集的验证结果表明,该网络模型的性能优于其他方法,且剩余使用寿命预测值更接近真实值,平均误差只有11.5%。     

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Dy Res Net-CBAM网络的滚动轴承剩余寿命预测

滚动轴承的工作状况关系到使用滚动轴承的机械能否正常运行,预测轴承的剩余使用寿命（RUL）是避免机械系统失效的关键。针对传统的轴承使用寿命预测方法无法自适应调节特征权重、提取有用特征,造成预测值误差过大的问题,提出了一种带有卷积块注意力模块（CBAM）的动态残差网络（Dy Res Net）用于预测轴承RUL。对振动信号进行快速傅里叶变换求得频域累积幅值特征,在动态残差网络中加入CBAM模块,并利用压缩激励模块进行特征细化得出预测结果,使用公开轴承数据集对所提模型进行评估。实验表明：与其他模型相比,Dy Res Net-CBAM模型能够充分提取特征信息,对轴承RUL预测的准确度高于其他模型。     

基于数据增强和卷积神经网络的多轴承剩余寿命预测

轴承的健康状态与设备安全可靠运行息息相关,在现代制造系统中,轴承剩余使用寿命(Remaining Useful Life,RUL)预测已成为研究热点.文中提出了通过数据增强来提取轴承衰退特征并利用卷积神经网络(Convolutional Neural Network,CNN)进行轴承RUL预测的方法.该方法首先将均方根、峰值和峰度作为时域特征,频谱分区求和(FSPS)特征作为频域特征,经过数据增强将18维时域和频域特征增加到108维,从而得到全面反应轴承退化过程的信息.通过搭建卷积神经网络(CNN),利用CNN处理高维特征的能力实现轴承RUL预测.最后,试验结果证明文中所提方法相对DNN模型、SVM模型具有更高的预测精度.     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。