融合失效样本与截尾样本的滚动轴承寿命预测

针对常规寿命预测方法依赖于失效样本、无法有效利用截尾样本的局限性,提出一种融合失效样本和截尾样本的滚动轴承寿命预测方法。基于函数型主成分分析方法对反映轴承退化的特征量建立趋势模型,将各特征量分解为均值、特征向量和主成分得分向量;通过最小化截尾样本与失效样本主成分得分向量间的相似性指标估计各截尾样本最优寿命值;基于特征量趋势模型估计各样本全寿命阶段内特征值,生成训练数据;采用最小二乘支持向量机建立预测模型用于轴承寿命估计。滚动轴承寿命预测试验表明该方法能利用截尾样本提高寿命预测精度,且对一定程度的数据缺失具有鲁棒性。     

变工况下滚动轴承的状态监测与性能分析

滚动轴承是化工设备中重要的零件,轴承的缺陷会导致化工设备的剧烈振动和产生强大刺耳的噪音,严重时会引起设备的损坏、生产的停止、甚至严重的事故。因此对滚动轴承进行故障诊断就显得尤为重要,而轴承的表面损伤和润滑状态是影响轴承运行的主要因素,可以通过冲击脉冲法对滚动轴承进行状态监测和故障诊断,以保证设备得以安全可靠运行。     

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network, MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference, LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。     

加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别

针对滚动轴承寿命特征提取与寿命阶段智能识别问题,提出加噪样本扩展深度稀疏自编码神经网络的滚动轴承寿命阶段识别方法。稀疏自编码具有非监督自动学习数据内部结构特征的能力,但属浅层网络,特征提取能力有限且不具备分类能力。因此,将多个稀疏自编码堆栈并添加分类层构建出集寿命特征自动提取与识别功能于一体的深度稀疏自编码神经网络,通过无监督逐层自学习与有监督微调,完成寿命特征的自动提取与表达,并实现寿命阶段智能识别。同时,为解决寿命样本量不足导致的网络过拟合,对原训练样本进行加噪扩展来训练网络,以抑制网络过拟合并提高网络的鲁棒性。通过工程应用,证明了所提方法的可行性和有效性。     

基于多源域异构模型迁移的滚动轴承故障诊断方法

针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大,多个相似数据集资源利用不充分,导致诊断模型准确率不高的问题,提出一种基于多源域异构模型迁移的滚动轴承故障诊断方法。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图;选择多种不同规格和工况下已知标签数据作为多源域,其他规格和工况下少量已知标签数据作为目标域;使用多个源域数据训练多个ResNet-34深度网络,并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略,使其能够自适应决定迁移到目标域的知识层级及内容;提出将源域知识迁移到VGG-16深度网络得到多个目标域模型后,将其提取的特征首尾相接输入同一个极限学习机中实现特征融合和分类,最终建立滚动轴承故障诊断模型。经试验验证,所提方法可实现不同规格和工况下滚动轴承间的迁移诊断问题,并具有较高的准确率。     

多源异构数据的情绪状态识别

目的 情绪识别是智能人机交互的重要环节.目前的研究常用语音、面部表情和脑电波(Electroen-cephalogram,EEG)等信号通过机器学习算法实现情绪识别.然而语音情绪识别只是外在的情绪状态感知,具有可伪装性;而EEG信号复杂度高且十分微弱.针对以上问题,本文探究了使用多源数据融合进行情绪识别的新方法.方法 ...     

基于VMD-HMM的滚动轴承磨损状态识别

根据变分模态分解(VMD)在信号处理上的良好特性与隐马尔可夫模型(HMM)在时间序列上的分类能力,提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法。该方法利用VMD对轴承各个磨损时期信号进行分解,进而计算VMD分解后各IMF的能量熵,依次提取轴承振动信号的各层IMF能量熵构成特征向量序列,每种状态随机选取20组(共80组)输入HMM模型训练,剩余的特征向量序列进行测试,通过对比对数似然概率值来判别磨损状态。实验结果表明该方法能够准确分辨出轴承的磨损状态,与EMD-HMM、谐波小波样本熵HMM模型进行了对比,验证了该方法具有识别性高准确性强的优点。     

基于AlexNet-Adaboost的多工况滚动轴承故障识别方法

针对实际工程中滚动轴承多工况下传统故障诊断方法识别率偏低的情况.提出了一种基于AlexNet-Adaboost相结合的滚动轴承故障识别方法.以滚动轴承信号的时频图作为模型输入、分类结果作为模型输出,训练多个AlexNet基分类器;在此基础上利用Adaboost(自适应提升)算法进一步提升得到强分类器,将多工况下滚动轴承...     

不同元件故障状态下滚动轴承的动态特性研究

为探究局部故障状态下滚动轴承内部动态特性的差异性和相似性,以NU306圆柱滚子轴承为研究对象,利用有限元仿真软件ANSYS/LS-DYNA构建正常以及外圈、内圈和滚动体分别故障时的有限元模型,得到不同故障状态下滚动体的应力特性、振动特性及运动特性。结果表明,当滚动轴承的不同元件发生故障时,故障前端应力均会滞后,后端应力均会提前,其中外圈故障时应力的变化最大;外圈故障时滚动体在经过故障区域期间的振动加速度先减小后增大,内圈和滚动体故障时振动加速度先增大后减小;外圈和滚动体故障时滚动体的公转转速均比理论公转转速小,内圈故障时滚动体的公转转速比理论公转转速大。所构建的有限元模型可用于探究不同元件故障时滚动轴承内部的故障机理,可为进一步研究滚动轴承的承载能力和使用寿命提供有力的分析方法。     

改进均衡分布适配的滚动轴承寿命阶段识别

针对不同工况下训练样本与测试样本分布差异导致滚动轴承寿命阶段无法被有效识别的问题,提出改进均衡分布适配的滚动轴承寿命阶段识别方法。采用无重复均匀随机抽样对源域类间样本进行多次均匀随机抽样,得到源域多样本训练集,以减小源域内部样本选择对目标域预测标签的影响;在再生核希尔伯特空间上利用平衡因子μ动态调节边缘分布和条件分布所占权值,并通过迭代的方式不断优化目标域伪标签以减小两域的最大均值差异;利用源域多样本数据集各自的映射矩阵构造多个分类器,经过一致性判别得到目标域样本最终识别结果。在两组滚动轴承寿命阶段数据集上进行实验验证,证明了所提方法的可行性和有效性。     

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。     

半监督多源域适应集成的球磨机负荷参数软测量

针对球磨机工况改变后,历史数据与待测数据分布差异导致的模型失配问题以及待测工况样本少的问题。研究了基于半监督域适应的球磨机负荷参数软测量方法。该方法考虑输出标签对特征变换矩阵的影响,首先集成约束条件寻找特征变换矩阵,将历史数据和待测数据投影到公共子空间;然后根据投影后的历史数据及少量有标签的待测数据建立回归模型,获得无标签待测数据负荷参数;考虑到不同工况历史数据有信息互补的特点,建立基于半监督多源域适应集成的软测量模型,进一步提高软测量模型的准确性。基于实验室球磨机多工况实验的数据测试,表明该方法能够有效提高球磨机负荷参数的预测精度。     

面向燃机多工况宽频域工作模态参数识别的随机子空间方法

面向燃气轮机工作状态下多工况、宽频域模态参数识别需求,在对典型燃机整机振动模态分析的基础上,虑及测试数据类型、测点位置与方向的选取及不同运行工况影响,提出一种针对燃机整机工作模态参数识别的随机子空间方法。基于实测振动数据,对典型燃机工作模态参数进行了自动划分识别。结果表明：通过分别控制行块数,充分挖掘位移、速度、加速度三种类型数据包含的不同频段模态参数信息并对识别结果择优合并,能够较好识别出数十倍于燃机工频的宽频域模态;合理选取测点位置和方向,能够得到关心频段内局部或整体模态;利用多转速运行工况数据,能够区分出受转速影响的整体模态。实现了对燃机整机振动宽频域范围内整体和局部模态、机匣和转子模态的识别,可为在此基础上的动力特性分析、整机动力学模型修正、结构振动状态评估、振动故障特征提取等提供支撑。     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

基于LMD-PCA-LSSVM的滚动轴承安全域估计和状态辨识方法

本文将安全域的思想引入滚动轴承的状态监测中,综合利用局部均值分解(Local Mean Decomposition, LMD)、主成分分析(Principal Component Analysis, PCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM),进行了滚动轴承运行状态的安全域估计以及正常和各种故障状态的辨识。首先,按一定的时间间隔将采集正常及各种故障状态的振动数据进行分段,每段数据进行LMD后获得各乘积函数分量;其次,基于各段数据的乘积函数分量,利用PCA提取出每段数据的T2和SPE统计量控制限值作为滚动轴承的状态特征量;最后,利用二分类的LSSVM进行滚动轴承运行状态的安全域估计,利用多分类LSSVM进行滚动轴承的正常以及滚动体、内圈、外圈故障四种状态的辨识。试验结果显示安全域估计和多种状态辨识的准确率均较高,验证了本文方法的有效性。     

基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。     

滚动轴承稳定工况下的滚动体打滑动力学分析

打滑是造成滚动轴承表面擦伤甚至失效的重要原因,目前滚动轴承打滑的研究主要集中在恶劣工况,而对正常稳定工况下滚动体的打滑问题关注甚少。针对正常稳定工况下滚动体的打滑问题,考虑径向游隙、保持架兜孔间隙等非线性因素,基于线性压缩弹簧建立滚动体-保持架作用模型,采用分段线性函数描述摩擦因数与滑移速度的关系,建立滚动体打滑非线性动力学模型,分析滚动体在轴承运转过程中的打滑机理及工况参数对滚动体打滑的影响机理。研究结果表明:滚动体在承载区的前段存在急加速现象,存在相对较严重的打滑;滚动体与外圈的滑动相比内圈更严重;轴承转速的增加会增大承载区前段滚动体的打滑速度;载荷增加会降低滚动体打滑程度,缩小滚动体打滑范围。     

基于PEDCC性能退化指标及MCRNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于相空间欧式距离相关性(phase Euclidean distance cross-correlation, PEDCC)指标和多通道卷积长短时记忆网络(multichannel convolutional neural long short term memory network, MCRNN)的状态识别方法。首先将正常轴承样本信号进行相空间重构,计算样本内重构后相邻数据之间的欧式距离,并将样本内的所有欧氏距离构成距离向量;然后利用互相关函数计算其余样本距离向量与正常样本距离向量之间的相关性,并将其作为轴承退化指标;最后利用所建立的PEDCC退化指标对轴承状态进行划分,将其输入到MCRNN网络中进行退化状态识别。其中MCRNN网络在不同通道中分别采取了不同卷积核,不同激活函数,以便于提取轴承振动信号的多尺度特征。通过轴承全寿命数据集对所提退化指标及网络模型的实用性进行验证,试验证明所提出的方法能更精确的实现轴承的退化状态识别。     

齿轮箱状态识别与剩余寿命预测的MoG-BBN法

基于混合高斯输出贝叶斯信念网络模型的齿轮箱退化状态识别与剩余寿命预测新方法,应用聚类评价指标对全寿命过程退化状态数进行优化,通过计算待识别故障特征向量的概率值来确定齿轮箱退化状态,在退化状态识别的基础上,提出了剩余寿命计算方法。再利用齿轮箱全寿命实验数据对此进行验证。结果表明,该方法可以有效地识别齿轮箱故障状态并实现剩余寿命预测,平均预测正确率为96.47 %,为齿轮箱的健康管理提供参考。     

基于NAP和RMI的滚动轴承性能退化状态识别与评估

退化状态特征的提取是滚动轴承退化状态识别与评估的关键。干扰属性投影(Nuisance Attribute Projection,NAP)能克服传统方法无法准确提取退化状态特征的不足,但在全寿命阶段上单调性和敏感性差,将排列互相关(Ranking Mutual Information,RMI)用于NAP的优化,从而准确评估轴承退化状态。应用优化正交匹配追踪(Optimized Orthogonal Matching Pursuit,OOMP)对振动信号降噪;将NAP计算的特征向量PE值与参考PE值对比识别轴承退化状态;应用RMI增强PE值对于信号细微变化的敏感性和全寿命阶段的单调性从而准确评估其退化状态。试验验证,滚动轴承性能退化状态识别率高,能高精度、分阶段评估轴承性能退化状态。