基于相似度特征融合和CNN的滚动轴承剩余寿命预测

滚动轴承作为机械系统中非常重要的部件之一,其剩余使用寿命的精确预测对系统保障具有重大意义。针对单个特征参量对滚动轴承性能退化过程表征的片面性与局限性,提出一种基于相似度特征融合、卷积神经网络的滚动轴承剩余使用寿命预测方法。通过计算时域和频域特征的时间序列与对应时间矢量的皮尔逊相关系数,构造相似度特征,再基于单调性和趋势性对特征进行敏感特征筛选,采用主成分分析法对筛选所得特征进行融合,构建健康指标,将其输入一维卷积神经网络退化模型进行训练,实现对轴承剩余寿命的预测。实例验证,与传统模型相比,该方法有更低的预测误差,对轴承的剩余寿命预测效果较好。     

基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法

为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆（Long Short-Term Memory,LSTM）网络直接对频率数据进行特征提取,构建退化过程的初步健康指标（Health Indicator,HI）;为了消除HI曲线的局部剧烈振荡,提出了带斜率的极端拐点（Extreme Inflection Point with a Slope,ES）模型改善其整体单调性;使用相关向量机（Relevance Vector Machine,RVM）模型对HI曲线进行趋势预测,实现了滚动轴承的剩余寿命（Remaining Useful Life,RUL）预测。实验结果表明,所提方法相较于对比方法具有较好的预测精度。     

基于自适应VMD和DD-cCycleGAN的滚动轴承剩余寿命预测

为准确预测强噪声干扰小样本情况下的滚动轴承剩余寿命(remaining useful life, RUL),提出一种基于自适应变分模态分解(variational mode decomposition, VMD)和双判别器条件循环一致对抗网络(double-discriminator conditional CycleGAN, DD-cCycleGAN)的滚动轴承RUL预测方法。将黑猩猩优化算法(chimp optimization algorithm, ChOA)与VMD相结合,给出一种基于ChOA的自适应VMD算法,选取有效模态分量进行重构,降低强背景噪声的干扰;开发一种DD-cCycleGAN生成新样本,这些生成的新样本不但保留了源域的样本信息,还与目标域的样本相似;将训练样本的重构样本和生成的新样本作为输入,训练长短时记忆(long short-term memory, LSTM)网络,用训练后的LSTM网络预测测试样本中滚动轴承的RUL。通过采用XJTU-SY滚动轴承加速寿命试验数据集验证该方法的有效性,试验结果表明该方法具有较强的抗噪能力和较高的轴承RUL预测精度。     

联合频域相关分析和改进粒子滤波的滚动轴承寿命预测方法

为了解决滚动轴承退化状态识别难、剩余使用寿命（Remaining Useful Life, RUL）预测误差大这两个关键问题,提出一种联合频域特征相关分析及改进粒子滤波的寿命预测方法。基于滚动轴承在退化过程中频域特征存在短期相似性和长期差异性这一特点,对不同时间序列傅里叶变换后的幅值谱进行相关分析,构建平均相关系数（Average Correlation Coefficient, ACC）曲线。当ACC达到设定阈值时,利用初始故障时间（Degradation Initial Timepoint, DIT）将轴承状态划分为正常和损伤两阶段。利用损伤阶段的归一均方根值作为观测样本输入,构建考虑了全局指数式退化趋势与局部波动双重因素的粒子滤波（Dual Factor Particle Filter, DFPF）模型,实现粒子分布校正并完成RUL预测。试验结果表明,所提方法相比传统的均方根值法和峭度法能够更准确地识别轴承初始故障时间。在寿命预测精度方面,相比传统粒子滤波（Particle Filter, PF）算法,所提方法减小了异常观测值对预测趋势的影响,具有更高的RUL预测精度。     

滚动轴承寿命预测的相似性匹配优化方法研究

传统相似性寿命预测方法忽视退化过程的局部演变特性,导致预测精度较低;传统时、频域等特征指标难以实现早期故障监测,且退化后期局部波动较大。引入高斯函数趋势拟合策略,提出改进的相似性匹配优化方法。提出基于高斯混合模型的Jensen-Renyi散度健康指标,准确跟踪滚动轴承退化演变趋势。由于实际全生命周期退化信号难以大量获取,因此构建双指数函数模型,模拟退化信号,并验证仿真数据扩充参考字典集的有效性。采用高斯函数拟合退化数据并提出参数相似性原则,实现剩余使用寿命预测。滚动轴承全生命周期退化实验数据分析结果验证了所提方法可以有效提高剩余寿命预测精度。     

基于改进隐马尔科夫的城市垃圾量峰值预测方法

城市固体垃圾管理与城市发展的矛盾日益突出,固体垃圾量峰值的预测能力是检验城市垃圾管理水平的重要标志.传统预测方法大多利用平均值概念,不能有效地衡量数据动态变化和对峰值进行动态跟踪.基于此,提出一种改进的基于混合高斯分布的隐马尔科夫模型(GMM-HMM),用以动态跟踪城市垃圾量峰值.以小样本的上海市近30年固体垃圾量和大样本的城市废水量为案例,分别采用状态转移推知预测期望值和通过后验概率搜索历史最相似时刻做预测,并利用bootstrapping重采样方法对结果进行区间修正以减少初始分布带来的不确定性.案例结果验证了所提出方法的有效性和实用性.     

基于MSCNN-LSTM的滚动轴承剩余寿命预测方法

针对现有卷积神经网络(convolutional neural network,CNN)与长短时记忆网络(long short-term memory,LSTM)堆叠的寿命预测方法忽略低层次信息的问题,引入多尺度技术,提出一种多尺度卷积长短时记忆网络模型(multi-scale CNN-LSTM,MSCNN-LSTM)...     

基于注意力GRU算法的滚动轴承剩余寿命预测

针对旋转机械装置中滚动轴承剩余寿命随时间变化趋势难以准确预测问题,充分利用循环神经网络(recurrent neural networks,RNN)对时间序列数据的处理能力,提出一种融合注意力机制的门控循环单元(attention gated recurrent unit,AGRU)算法应用于滚动轴承剩余寿命预测领域之...     

词语相似度算法的分析与改进

对现有的词语相似度算法进行分析,提出一种基于知网,面向语义、可扩展的词语相似度计算方法,通过对实验结果进行分析,所提出的词语语义相似度计算方法比以前的方法更好,在计算词语相似度时,准确率更高。     

基于双层相空间相似度的滚动轴承故障模式与故障程度的综合辨识

提出了一种基于双层相空间相似度分析算法结构,应用于滚动轴承故障类型和故障程度的综合辨识。该算法第一层结构中,对测试数据和样本数据进行相空间重构(PSR),得到在拓扑意义下等价的相空间,然后使用滑动窗截取数据段,采用归一化互相关函数(NCC)进行相空间相似度分析,实现轴承故障类型的分类;在第二层结构中,以已知不同故障程度数据之间的相空间相似度(PSS)为特征训练SVR结构,实现对故障程度的跟踪。实验信号分析结果表明,该方法能有效对轴承故障类型和故障程度进行综合辨识。与传统方法的对比表明该方法在准确性上有了一定的提高。     

基于BAS-FBM的滚动轴承剩余寿命预测

轴承退化过程具有长相关性与非马尔可夫性,而传统的寿命预测方法认为退化过程是独立过程.提出一种基于非马尔可夫性的分数布朗运动(FBM)模型剩余寿命(RUL)预测方法.首先介绍FBM预测模型原理,给出判断相关性的Hurst指数计算方法以及模型参数估计结果.为了寻找Hurst指数最优值,利用天牛须搜索算法(BAS)来寻优.然...     

产品形态相似度评价方法研究

目的 针对目前产品形态相似度判定方法中评判者个人主观意见占主导地位这一弊端,构建一套客观的产品形态相似度评价模型。方法 将产品各形态要素的形状、大小、位置、角度等作为相似度评判依据,结合产品各形态要素在整体形态中的权重,综合计算用向量空间模型表示的对比产品形态的整体相似度。结论 以微波炉产品为例,运用该相似度模型计算其相似度值,并结合专家评价法,验证该模型的科学性与可靠性。     

基于车型相似度的装配线排序

通过总结混流装配线排序问题,提出了一种新的装配线排序模型.根据装配车型的关键件不同,引入车型相似度的概念,应用遗传算法解决以最大化相似度总和为目标的混流装配线优化排序问题.经实践中应用,关键件装配更换次数减少了70%.     

基于相似度的高精度基音检测算法

提出了一种具有较高精度且抗噪性能强的基音检测算法。该算法将线性预测残差看作语音源信号的近似,对其进行频谱分析,依据残差幅度谱算得基音周期的粗估值。然后回到时域信号,根据基音周期粗估值设计一长度可调的窗,通过窗函数在语音段连续取两段语音信号作相似度运算,可根据最大相似度值计算出准确的基音周期。该方法准确性高,在噪声环境下也具有较好的效果。     

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

基于Transformer-LSTM网络的轴承寿命预测

轴承是旋转机械设备中的重要部件,由于工况、材质、加工方式等原因,轴承寿命时长相差许多。传统的并行或串行神经网络预测方式,对数据集有一定要求。因此,需要一种能够适用于不同数据长短的轴承剩余使用寿命预测网络。为此提出了一种能够预测不同寿命时长的Transformer-LSTM串并行神经网络预测模型。通过将Transformer解码层进行重构,并与长短期记忆时序神经网络(long short-term memory, LSTM)网络结构融合,实现轴承寿命数据的串并行预测处理。试验结果表明Transformer-LSTM神经网络能够精准预测长、中、短不同寿命时长的轴承失效时间,具有较强的模型泛化能力,提升轴承寿命预测精度与模型的泛化能力。     

智能家居用户行为预测的方法研究

随着物联网技术、大数据计算、传感器技术等新兴技术的发展,智能家居更加贴近人类生活。对用户未来活动的预知,将使家居生活更加灵活和智能。本文基于隐马尔科夫模型(hidden Markov model,HMM),提出了对用户家居生活行为预测的方法。首先本文阐述了用户行为预测的方法架构,随后从相似数据筛选、基于HMM的行为模式发现和预测等多个方面详述了用户行为预测的方法。此预测方法能够为用户日常家居生活提供便捷、高效的生活服务。     

隐马尔科夫模型的改进及其在金融预测中的应用

隐马尔科夫模型(Hidden Markov Model)在诸多领域都有广泛应用.本文从不同角度对现有的HMM进行改进并应用于金融预测.首先,我们采取固定K-means方法的初始点,使得K-means的聚类结果更加稳定,由此为Baum-Welch算法确定更好的初始迭代值.其次,为更进一步提升预测效果,与已有方法不同,我们将由BaumWelch算法所得到的模型参数值作为Vertibi算法的输入来确定隐状态的最优取值序列,由此重新划分观测向量,进而得到各个隐状态对应的观测向量的集合;基于Vertibi算法的输出结果,我们重新计算不同类观测向量的均值与方差,将新的均值向量和协方差矩阵作为Baum-Welch算法初始迭代值,最终确定HMM最优的模型参数.最后,代替现有方法仅在历史区间中简单寻求相似走势的做法,我们不仅导出了预测值发生的多步条件概率的精细表达式,而且通过极大化该条件概率的值来得到更佳的预测值.基于中国证券市场具体数据的实证结果表明了本文所提出改进HMM的优越性.