基于LCD和GMM的滚动轴承寿命预测方法

滚动轴承寿命预测的关键在于振动信号特征提取和模式识别,提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后,提取各个分量的特征值并加入时间因子重构特征向量;然后利用GMM对全寿命数据的特征向量进行聚类,将全寿命数据在时域上分成若干个退化状态;最后将不同退化状态下的数据作为训练样本对神经网络进行训练,并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明,将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。     

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.     

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%。     

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life,简称RUL）预测困难的问题,提出了基于均方谐噪比（mean square harmonic noise ratio,简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter, 简称RPF）相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。     

滚动轴承寿命预测综述

滚动轴承是决定机械健康状态与寿命的关键部件之一,寿命是衡量滚动轴承性能的重要指标。针对滚动轴承寿命特性与应用,综述滚动轴承寿命预测的研究现状,总结滚动轴承寿命预测研究成果,将当前轴承寿命理论归纳为基于统计分析的寿命模型、基于断裂力学分析的寿命模型、以及基于状态监测的寿命模型。分析得出当前研究中的热点方向是基于状态监测的寿命预测方法,着重指出轴承寿命预测研究的难点具有寿命影响因素多、寿命分散度大、试验费时、数据积累难、理论建模难等特点,为轴承寿命的深入研究提供方向。     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

基于Gamma退化过程的剩余寿命预测及维修决策优化模型研究北大核心

通过研究产品故障发生的机理,建立了基于Gamma退化过程的状态空间模型,运用EM-PF参数估计方法对模型中的参数进行求解,确定模型的具体形式,进而得出产品剩余寿命的分布函数和概率密度函数。该剩余寿命预测方法将退化状态与故障阈值联系起来,从而降低了剩余寿命预测的误差,以轴承磨损量特征进行建模,完善了状态信息与剩余寿命之间的相互关系。利用剩余寿命的概率密度函数建立了以费用最小为目标的维修决策模型,确定最优的维修更换时间并实现维修决策的优化。最后用轴承寿命试验所得到的数据对模型进行了验证,实例结果证明该模型是可行有效的。     

基于EKF-SSM的齿轮箱剩余寿命预测

齿轮箱的剩余寿命预测为维修人员做出维修更新决策提供重要信息。为解决在缺少历史数据和非线性非平稳运行状态下的齿轮箱剩余寿命预测难题,提出一种基于数据驱动的齿轮箱的剩余寿命方法。该方法首先根据齿轮箱振动信号特征值,通过状态空间模型(State Space Model,SSM)建立齿轮箱退化状态与特征值之间的关系,来描述齿轮箱的非线性动态变化。其次,当获取到新的信号时,通过扩展卡尔曼滤波(Extend Kalman Filter,EKF)估计准确的模型状态,EM算法(Experience Maximization,EM)估计状态空间模型的参数,根据更新的状态和模型递推预测未来特征值到达故障阈值的时间,从而估计出齿轮箱的剩余寿命。最后,运用齿轮箱全寿命试验数据对预测模型进行检验,实验结果表明该方法能利用实时监测的状态数据准确的预测齿轮箱的剩余寿命,具有较强的工程使用价值和通用性。     

基于灰色模型的滚动轴承剩余寿命预测

为准确地对滚动轴承的剩余寿命进行预测,提出了一种基于灰色模型(grey model,GM)的预测方法。首先,计算滚动轴承的全寿命周期的评估指数(confidential value,CV);其次,以滚动轴承的CV值序列建立灰色预测模型,获取灰参数;最后进行迭代运算获得滚动轴承CV值的预测值,并计算其剩余寿命。预测结果表明,该预测方法获得的预测数据与实际情况贴合度比较高,可以应用到滚动轴承的故障诊断项目中。     

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测

为解决有限状态数据下滚动轴承剩余寿命难以估算的问题,提出一种基于相对特征和多变量支持向量机(Multivariablesupport vector machine,MSVM)的剩余寿命预测的新方法。该方法利用不受轴承个体差异影响的相对方均根值(Relative rootmean square,RRMS)评估轴承性能衰退规律,运用相关分析选取敏感特征作为输入,构造兼顾多变量回归和小样本预测双重优势的MSVM模型预测轴承剩余寿命。与单变量支持向量机相比,MSVM克服了结构简单、信息匮乏等缺点,实现小样本数据潜在信息的最大挖掘。运用仿真数据和轴承全寿命试验数据对预测模型进行检验,结果表明MSVM可在小样本条件下利用尽可能多的有效信息获得准确的预测结果,具有较强的工程使用价值和通用性。