基于注意力TCN的滚动轴承剩余使用寿命预测方法

针对现有的基于数据驱动的滚动轴承剩余使用寿命(RUL)预测方法仍需要大量的先验知识来提取特征、构建健康指标和设定故障阈值的现状,提出了一种基于带多头注意力机制的时间卷积网络(TCN)的RUL直接预测方法。该方法首先将原始振动信号的短时傅里叶变换(STFT)作为堆栈降噪自动编码器(SDAE)的输入,得到深度特征表示;然后将其输入到注意力TCN中进行RUL预测。最后,在PRONOSTIA的滚动轴承数据集进行验证。结果表明,本文方法的预测误差指标MAE和MAPE分别比其它四种方法平均降低了53.92%和46.13%;得分指标也比这些方法平均提高了52.98%。     

基于形态波动一致性偏移距离的滚动轴承 剩余寿命预测方法

针对滚动轴承完全失效阈值的设置多根据人工经验选取、退化轨迹适配忽略时间序列整体形态趋势变化的问题,提出一种基于形态波动一致性偏移距离的滚动轴承失效阈值设置与剩余寿命预测方法。首先,引入前向差分（FD）对振动信号进行预处理,并对处理后的信号计算均方根（RMS）值作为退化指标（DI）;其次,融合双指数模型对DI曲线进行拟合确定最终参考轴承的完全失效阈值（TFT）,降低TFT的设置偏差;最后,利用形态波动一致性偏移距离（MFCDD)计算DI曲线相似度,完成对测试轴承失效阈值的设置,并利用粒子滤波更新双指数模型完成滚动轴承的剩余使用寿命（RUL）预测。在XJTY-SY数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络-双向长短期记忆网络预测方法分别提升了82.97%和73.64%;在PHM2012数据集上的实验结果表明,滚动轴承RUL预测的score得分较动态时间规整匹配方法、卷积神经网络 双向长短期记忆网络预测方法、长短期记忆-自注意力机制预测方法分别提升了99.99%、60.65%和99.90%。     

多源域子域自适应的滚动轴承剩余寿命预测方法

针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命( remain useful life, RUL)预测精度低的问题, 提出了一种多源域子域自适应(multi-source subdomain adaption network, MS_SAN)的滚动轴承剩余寿命预测方法。 首先,将采 集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。 其次,利用一维卷积将多个源域与目标域数据映射到 一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源 域与目标域之间的分布差异。 最后,通过综合各领域 RUL 预测模块的输出得到最终轴承剩余寿命预测结果。 在 PHM2012 数 据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。     

基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测

为了准确预测滚动轴承的剩余使用寿命(RUL),提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SVR)相结合的滚动轴承RUL预测方法。该方法对提取的特征计算每个评价标准的有效性得分,自适应地确定每个评价标准的权重,筛选出有效性总得分高于其整体平均值的特征,进一步利用KPCA去除已筛选特征之间的信息冗余,建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入,当前使用寿命与全寿命的比值p即RUL作为输出,建立多个SVR模型,并采用自适应的方法确定各模型的权重,最终构建组合SVR预测模型。最后,对与训练不同的轴承进行测试,将约简后特征输入到组合SVR预测模型中,预测轴承的p值,实验结果表明,所提方法可准确地对滚动轴承进行RUL预测。     

基于多尺度图Transformer的滚动轴承故障诊断

针对传统图神经网络在故障诊断中使用单一尺度进行特征提取且难以在复杂工况下提取信号的弱特征问题,提出了一种基于多尺度图Transformer的滚动轴承故障诊断方法。该方法提出了一种新的图节点多尺度特征聚合模块,扩大特征提取的感受野以增强特征表示;构建了图节点的中心性编码和空间性编码,以获得图结构信息;利用多头自注意力对故障节点进行特征提取和学习,提高方法捕捉重要特征的能力。在凯斯西储大学轴承数据集和滚动轴承实验平台上分别进行实验验证,诊断准确率最高为99.86%,平均准确率也在98%以上。结果表明,提出的多尺度图Transformer网络模型在多种工况下均能准确的进行故障分类。     

基于多通道融合的滚动轴承剩余寿命预测

针对工业生产中滚动轴承剩余使用寿命(RUL)预测任务中数据挖掘不足导致预测精度低的问题,提出了一种多通道融合的滚动轴承剩余寿命预测方法。该方法通过互补集合经验模态分解(CEEMD)对原始振动信号进行降噪化处理和特征增强并将其作为模型输入;构建三通道网络模型,引入3种不同的神经网络：时间卷积网络(TCN)、卷积长短时间记忆网络(ConvLSTM)、双向门控循环单元神经网络(Bi-GRU),从时序、空间、感受野等多维度对特征进行差异化提取;在结构基础上添加多头注意力机制(multi-head attention mechanism, MA),重新调整网络输出权重、加快模型收敛速度;最后,设计一个特征融合输出模块,实现对滚动轴承剩余寿命预测。在两种数据集上进行实验验证,并与其他文献中先进模型进行对比。结果表明,所提模型能够更准确地捕捉轴承寿命退化曲线并且在多种评价指标上均优于对比模型。     

基于对抗迁移的旋转组件RUL预测方法研究

目前大多数旋转组件深度学习剩余使用寿命(RUL)预测方法通常是假设训练数据和测试数据有相同的数据分布，造成模型在不同工况下的预测准确率比较低。为了解决上述问题，以旋转多组件RUL预测模型为迁移对象，针对源域与目标域工况存在差异，目标域缺乏标签样本的迁移场景，引入了域分类器，结合源域的标签数据目标域的无标签数据重新训练RUL预测模型中的特征提取网络，在训练过程中加入自关联性及对应性约束，提升其对公共特征的提取能力，从而实现模型在不同场景的迁移应用。利用XJTU-SY公开数据集对迁移模型测试结果表明，相对于原预测模型，本文所述方法在新工况下的预测准确率更高；相比于其他迁移方法，本文方法预测误差更小，在变工况下的旋转组件剩余使用寿命预测迁移问题上具有更好的效果。     

基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位,特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率.提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法.该方法对各状态振动信号进行经验模态分解,得到一系列固有模态函数和一个残余分量.经验模态分解方法具有分解自适应性和分解唯一性.对每个固有模态函数建立自回归模型,分别采用Yule Walker和Ulrych-Clayton两种方法求得模型参数和残差方差,并以此作为各类状态信号的特征矩阵,输入到改进的超球多类支持向量机分类器,判断滚动轴承故障位置及性能退化程度.实验结果表明,提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断,且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高.     

基于VMD和双谱的风电机组滚动轴承故障特征提取

针对背景噪声下风机滚动轴承故障特征提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和双谱的故障特征提取方法。运用VMD方法对信号进行自适应分解,根据峭度-相关系数准则筛选出故障特征明显的2个分量并进行信号重构;对重构信号进行双谱估计分析,仿真结果表明具有良好的噪声抑制能力;根据双谱图分析结果,提取出滚动轴承的故障特征,通过故障仿真验证了所提方法的有效性。将该方法应用于风机滚动轴承故障信号的故障特征提取,可以有效地识别出滚动轴承不同的故障特征,从而准确诊断出滚动轴承存在的故障。     

基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命预测

针对锂离子电池寿命预测中模型普适性差、预测精度不足等问题,提出一种基于凸优化-寿命参数退化机理模型的锂离子电池剩余使用寿命RUL预测方法。首先构造锂离子电池实际容量与其循环周期的退化机理模型。对锂离子电池寿命试验数据进行凸优化降噪处理;基于预处理得到的可靠性较高的数据,采用最小二乘法对所建机理模型的参数进行辨识,从而得到精确的模型表达式,实现锂离子电池RUL的预测。基于NASA锂离子电池数据集预测并评估锂离子电池的RUL,预测结果验证了模型良好的通用性,误差范围为4%左右。     

参数自适应SMHD滚动轴承IAS信号特征提取方法

针对编码器瞬时角速度(IAS)信号中滚动轴承故障特征提取困难的问题,结合稀疏最大谐波噪声比解卷积(SMHD)算法可在没有先验周期情况下提取信号中周期性脉冲故障分量的优势提出一种参数自适应SMHD滚动轴承IAS信号特征提取方法。首先,利用向前差分法估计IAS信号;然后,利用故障特征(FC)作为自适应选取SMHD优化滤波器长度的评判指标,实现SMHD滤波器长度的自适应确定;再将优化选取的滤波器长度代入SMHD算法对IAS信号进行增强。最后,通过包络分析揭示滚动轴承故障特征。通过对仿真和实测数据进行分析,验证了所提方法的有效性。     

基于深度置信网络的轴承剩余使用寿命预测

针对精密电子、塑形成型等高速高精加工过程滚动轴承的剩余使用寿命预测建模中存在样本少、标注难度大等问题,引入深度置信网络,融合无监督与有监督微调学习方法开展滚动轴承剩余使用寿命预测研究.将滚动轴承的振动数据特征作为输入、剩余使用寿命作为输出,以能量函数量化特征准确性的概率分布作为基本组成部件,部件的上一层特征输出作为下一层的输入,将多个这样的部件首尾相接,构建滚动轴承剩余使用寿命预测模型.通过原始数据的无监督预训练得到模型中各个单元的初始参数,然后利用剩余使用寿命标签数据进行模型的有监督微调,进一步提高模型预测的准确性.实验结果表明,所提出的方法能够对滚动轴承的剩余使用寿命进行预测,与支持向量回归(SVR)和主成分分析-深度置信网络(PCA-DBN)方法进行比较,预测误差分别减少28.48％、5.57％,该方法在现场预测方面,具有更高的预测准确度,而且本方法还能减少对专家知识的依赖,模型的泛化能力更强.     

锂电池剩余寿命的ELM间接预测方法

针对锂电池直接预测剩余使用寿命难及预测结果不准确等问题,提出利用锂电池循环充放电监测参数构建间接寿命特征参数的方法。应用一阶偏相关系数分析法验证间接寿命特征参数与直接参数间的相关性,选择等压降放电时间作为锂电池间接寿命特征参数,构建基于ELM的等压降放电时间与实际容量的关系模型和等压降放电时间预测模型,实现锂电池的RUL预测。基于NASA锂电池数据集预测并评估锂电池的RUL,并且与ELM直接预测方法和高斯过程回归间接预测方法相比较,本方法能够有效的预测锂电池的RUL,预测结果的误差范围为5%左右,具备较好的锂电池RUL预测精度。     

基于 CEEMDAN 和 SVR 的锂离子电池剩余使用寿命预测

锂离子电池剩余使用寿命(RUL)的估算是锂离子电池健康管理的关键,准确可靠地预测锂离子电池的剩余使用寿命对 系统的安全正常运行至关重要。 提出了一种结合完备集合经验模态分解(CEEMDAN)和支持向量回归( SVR)的锂离子电池剩 余使用寿命预测方法。 首先,在放电过程中提取了一个可测量的健康因子,并使用 Pearson 和 Spearman 法分析健康因子与容量 之间的相关性,然后利用 CEEMDAN 将健康因子进行分解,获得一系列相对平稳的分量,最后采用 CEEMDAN 分解后的健康因 子作为 SVR 预测模型输入,容量作为输出,实现锂离子电池 RUL 预测。 利用 NASA PCoE 提供的锂离子电池退化数据集进行试 验,与标准 SVR 模型相比,实验结果表明利用该方法能够有效验证所提出的 RUL 预测模型的有效性,并且使预测误差控制在 2%以下。     

一种基于融合特征聚类和随机配置网络的轴承剩余寿命预测方法

针对轴承剩余寿命（remaining useful life, RUL）预测中故障始发时刻（first predicting time, FPT）基于人为主观选择以及预测滞后带来的维护风险的问题,提出了一种基于融合特征和随机配置网络（stochastic configuration networks, SCNs）的轴承剩余寿命预测方法。首先,采用互补集合经验模态分解（complementary ensemble empirical mode decomposition, CEEMD）对原始轴承水平振动信号进行分解,再提取其时域、频域信号,构建融合特征。最后,使用小波聚类划分健康状态,找到合适的FPT,并结合能反应轴承退化的特征构建健康数据集,通过SCNs网络离线建模进行预测,并根据拟合曲线的斜率以及RMSE指标对预测结果进行校正。通过实验分析,所提方法的综合得分高达0.83,误差百分比的平均绝对误差（mean absolute deviation, MAD）和标准偏差（standard deviation, SD）分别为5.26和3.38;与其他预测方法相比,本文所提方法有较高的预测精度。