改进Logistic回归模型的滚动轴承可靠性评估方法

为解决滚动轴承可靠性难以评估的问题,提出了一种基于改进Logistic回归模型(improved logistic regression model,简称ILRM)的滚动轴承可靠性评估方法。首先,计算滚动轴承的时域、频域和时频域特征,选出有效特征组成相对高维特征集;其次,利用主元分析(principal component analysis,简称PCA)选取贡献率大于95%的主元,作为改进Logistics回归模型的协变量;最后,利用改进Logistic模型求取滚动轴承的可靠度并绘制可靠度曲线。该方法可以提取轴承退化的有效特征量;兼顾轴承的退化趋势,能够真实反映轴承的状态;消除信号随机波动对可靠度预测的影响。通过辛辛那提大学智能维护中心(intelligent maintenance systems,简称IMS)滚动轴承全寿命试验,验证了该方法的有效性。     

基于模糊C均值的转盘轴承剩余寿命预测

针对大型转盘轴承信号微弱、特征难以提取的特点,提出了一种基于模糊C均值的剩余寿命预测方法。该方法提取了时域的均方根、偏斜度指标及时频域的小波包能量熵作为特征向量,组成特征矩阵输入到模糊C均值模型中进行寿命状态识别,并将待测状态隶属于正常状态的程度作为指标来反映转盘轴承性能退化的过程。通过对某型号转盘轴承进行的全寿命疲劳试验表明,该方法有效、可行,具有一定的工程意义。     

基于KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。     

基于混合域相对特征和FOA⁃XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法（fruit fly optimization algorithms,简称FOA）集成极限梯度提升树（extreme gradient boosting,简称XGBoost）的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明：所构建的退化评估模型比常用的支持向量回归（support vactor regerssion,简称SVR）模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。     

基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法

为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。     

PKPCA-LRM在滚动轴承性能退化评估中的应用

滚动轴承作为旋转机械最重要的零部件之一,其可靠性和寿命直接影响着机器的可靠性和寿命,为解决滚动轴承可靠性难以估计的问题,提出一种基于概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)和Logistic回归模型(Logistic Regression Model,LRM)的滚动轴承可靠性评估方法。首先提取轴承的时域、频域和时频域特征值组成高维混合域特征集,并引入相对特征值降低轴承个体差异;然后用PKPCA挑选能够表征轴承退化状态的特征值作为Logistic回归模型的协变量;最后用Logistic回归模型对滚动轴承可靠性进行评估。通过IMS滚动轴承全寿命试验,验证了该方法的有效性。     

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。     

结合小波包奇异谱熵和SVDD的滚动轴承性能退化评估

针对设备的视情维修,提出一种将小波包奇异谱熵和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。先提取轴承全寿命周期内振动信号的小波包奇异谱熵作为轴承状态的特征矢量,然后以轴承正常状态下的特征矢量训练SVDD,得到正常状态下的基准超球体,再计算轴承全寿命周期内的特征矢量与基准超球体之间的相对距离,作为性能退化过程的定量评估指标,并对失效阈值和早期故障阈值进行设定。结果表明,与基于小波包和SVDD的性能退化评估方法相比,该方法的早期故障检测能力更强,对轴承性能退化各个阶段的描述更加准确。最后,利用基于EMD的Hilbert包络解调方法对评估结果的正确性进行了验证。     

基于改进模糊熵和灰关系的滚动轴承性能退化评估

针对模糊熵在提取滚动轴承性能退化特征时敏感度较低的问题,提出了一种基于类Sigmoid函数的改进模糊熵,并将其用于滚动轴承退化特征提取.针对传统的滚动轴承性能退化评估方法局部化的问题,提出了一种基于灰关系的滚动轴承性能退化评估方法,该方法使用灰关系理论评估提取的滚动轴承退化特征与可靠性之间的关系,从而达到从滚动轴承可靠...     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于多域空间状态特征的高端装备运行可靠性评价

机械设备运行可靠性对设备状态监测及故障诊断具有重要意义。传统可靠性评估方法依赖于大量故障样本,运用在单台设备可靠性评估上的实际意义有限。本文提出一种基于设备状态特征空间的运行可靠性评价方法。采集设备运行过程中的振动信号,获取时频域信息特征;采用小波包分解提取能量分布特征,构建高维特征空间。应用流形学习优化算法进行降维,获得其低维敏感特征空间,计算当前状态与正常状态的特征子空间的夹角,建立其映射关系,表征设备的当前运行可靠性。将该方法应用于不同状态下的转子实验台和滚动轴承实验台振动数据,实验结果表明:该方法对设备进行运行可靠性评价合理有效,具有很好的工程应用价值。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题,提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息;采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理;将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明：GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE); DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果;GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。     

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% 。     

A hybrid fault diagnosis approach based on mixed-domain state features for rotating machinery

To make further improvement in the diagnosis accuracy and efficiency, a mixed-domain state features data based hybrid fault diagnosis approach, which systematically blends both the statistical analysis approach and the artificial intelligence technology, is proposed in this work for rolling element bearings. For simplifying the fault diagnosis problems, the execution of the proposed method is divided into three steps, i.e., fault preliminary detection, fault type recognition and fault degree identification. In the first step, a preliminary judgment about the health status of the equipment can be evaluated by the statistical analysis method based on the permutation entropy theory. If fault exists, the following two processes based on the artificial intelligence approach are performed to further recognize the fault type and then identify the fault degree. For the two subsequent steps, mixed-domain state features containing time-domain, frequency-domain and multi-scale features are extracted to represent the fault peculiarity under different working conditions. As a powerful time-frequency analysis method, the fast EEMD method was employed to obtain multi-scale features. Furthermore, due to the information redundancy and the submergence of original feature space, a novel manifold learning method (modified LGPCA) is introduced to realize the low-dimensional representations for high-dimensional feature space. Finally, two cases with 12 working conditions respectively have been employed to evaluate the performance of the proposed method, where vibration signals were measured from an experimental bench of rolling element bearing. The analysis results showed the effectiveness and the superiority of the proposed method of which the diagnosis thought is more suitable for practical application.