基于AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于构建退化特征和PSO-PF的滚动轴承寿命预测

针对使用常规粒子滤波(PF)解决轴承寿命预测的方法中存在预测结果准确度不高的问题，提出了一种基于构建退化特征和粒子群优化粒子滤波算法(PSO-PF)的滚动轴承寿命预测方法。首先，将轴承振动信号经CEEMDAN-小波包联合去噪后提取多种时、频域特征；其次，经过综合指标评价与弗雷歇距离分析得到优秀退化特征集，用加权拟合的方法构建出新的退化特征；然后，通过特征的梯度变化来自适应检测轴承退化起始时间；最后，用PSO-PF算法对寿命预测模型进行更新来完成寿命预测。将构建的退化特征和PSO-PF算法预测结果分别与原始特征和PF算法预测结果进行对比，结果表明该方法更适用于轴承的寿命预测。     

基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估

针对传统的支持向量机(SVM)算法参数往往根据经验设定,难以建立最优模型以准确地检测出伺服电机滚动轴承早期故障的问题,研究一种基于多目标和声搜索优化SVM的伺服电机滚动轴承性能退化评估方法。首先提取轴承振动信号的时域、时频域特征作为原始特征集,采用堆叠稀疏自编码器对原始特征集进行更深层次的特征提取,得到最终的特征向量。之后以轴承退化曲线的趋势性和单调性作为适应度函数,采用多目标和声搜索算法对SVM的参数进行优化,建立最优评估模型,得到轴承的性能退化指标。实验结果表明:该方法能准确地检测出轴承的早期故障,相比于传统的轴承SVM性能退化评估方法具备更好的趋势性和单调性。     

基于DTW相似度和Bi-LSTM的滚动轴承寿命预测

针对现有的滚动轴承退化指标单调性差,对轴承异常不敏感导致基于数据驱动的深度学习算法难以实现轴承寿命准确预测的问题,提出一种基于动态时间规整算法(DTW)和双向长短期记忆神经网络(Bi-LSTM)的滚动轴承剩余寿命预测算法。利用信息熵提取滚动轴承的退化特征,构造连续的时间序列;划分时间序列并构造出参考模板及测试模板,采用DTW算法计算模板间的相似度,将它作为健康指标表征轴承的退化程度;用健康指标训练Bi-LSTM网络并预测轴承的寿命。采用法国IEEE PHM 2012的全寿命数据进行研究,结果表明：经过DTW算法优化信息熵指标后所构造的健康指标可更好地反映轴承的退化过程;当进行寿命预测并保持预测算法不变时,经过优化后的指标较优化前相比,能明显提高轴承寿命预测的准确度。     

基于相关系数和BP神经网络的轴承剩余寿命预测

为了评估机械设备的退化状态,准确掌握轴承剩余寿命信息,提出了一种基于相关系数和BP神经网络(BP Neural Network,BPNN)模型的轴承剩余寿命预测方法。该方法包括线上和线下两个步骤,首先利用相关系数法对预测模型的输入特征进行约简,其次线下步骤是通过机器学习来构建轴承的退化模型,而线上步骤则是利用退化模型来预测轴承剩余寿命。通过对轴承的全寿命退化实验数据进行分析预测,该方法与传统的技术相比能降低预测误差,表明该方法能够有效地模拟轴承退化过程并预测轴承剩余有效寿命(RUL)。     

基于多信息融合与GRU的轴承剩余寿命预测

为解决单一传感器信号易受干扰且能提取的退化信息有限，导致轴承剩余寿命预测精度低的问题，提出一种基于双通道信息融合与门控单元(GRU)神经网络的轴承剩余寿命预测方法。进行轴承寿命试验时，在振动传感器采集信号的基础上增加声发射传感器，弥补单一信号易受干扰的缺点；使用卷积神经网络自动挖掘出包含轴承退化信息的特征，避免传统算法过分依赖专家判断的弊端；通过归一化处理对信息进行融合；最后使用这些数据训练GRU神经网络，利用训练好的门控单元神经网络预测高铁牵引电机轴承的剩余寿命。结果表明：相比单通道数据，双通道数据训练出的门控神经网络模型的预测结果更为准确；门控单元神经网络相比长短时记忆神经网络有更高的轴承寿命预测精确度。     

基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

基于机器学习的前轴辊锻工艺参数预测

使用基于混合核函数的最小二乘支持向量机算法来进行前轴第1道次辊锻工艺参数的预测,构造混合函数以提高预测模型的预测精度.对工艺参数预测模型进行实验验证,结果表明,与基于单独RBF核的LS-SVM算法相比,混合核函数LS-SVM算法构建的预测模型具有更高的预测精度,由3组不同核函数参数构成的预测模型对最大成形载荷及展宽的平...     

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

工程机械用液压马达剩余寿命预测

为了进行工程机械用液压马达剩余寿命预测,基于容积效率、Wiener过程以及支持向量机回归,提出一种剩余寿命预测方法。开展液压马达全寿命试验,运用非线性支持向量机回归算法处理原始数据,基于极大似然估计法和贝叶斯更新策略建立Wiener过程模型,完成液压马达剩余寿命预测。结果表明：液压马达容积效率随冲击次数变化有明显下降趋势;非线性支持向量机回归在考虑退化数据随机性的基础上提高了规律性;基于Wiener过程的剩余寿命预测方法能够准确、可靠地预测液压马达的剩余服役寿命。     

基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

基于声发射信号的风电塔筒疲劳寿命预测

针对风电塔筒疲劳寿命难以有效预测的问题，提出了基于声发射特征参数融合退化曲线和PSO-LSTM(粒子群-长短时记忆)寿命预测模型的疲劳寿命预测方法。首先在实验室条件下基于声发射技术采集风电塔筒原材料(Q355E)疲劳全过程的声发射信号，从原始信号的时域与频域特征中提取特征参量，之后应用PCA(主成分分析)方法对特征参量进行融合，将第一主成分作为融合之后的特征曲线；最后以LSTM模型为基础，使用PSO算法优化模型参数，并建立PSO-LSTM模型来进行寿命预测。结果表明，使用优化模型的预测精度比单一模型的要高，具备一定的工业前景。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测北大核心

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。     

考虑能耗的多传感器融合加工表面粗糙度预测方法

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。     

基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。     

基于改进PSO-SVR的多轴承健康寿命协同预测

为提高轴承剩余使用寿命预测精度,提出一种基于改进PSO-SVR的轴承剩余使用寿命预测方法。选取轴承水平和垂直方向振动信号均方根、峰值因子、峭度因子等参数构造多维退化特征,建立基于SVR的轴承剩余使用寿命预测模型;针对SVR参数优化问题,设计一种动态自适应异步粒子群优化算法,引入Gworst修正了速度位置更新公式,改进了一种基于倒S形函数的自适应惯性权重系数和一种基于惯性权重系数的异步自适应学习因子,能够有效克服局部最优,加快收敛效率,提高回归精度。仿真实验结果表明：提出的方法与GS-SVR、GA-SVR、PSO-SVR、MPSO-SVR相比,具有较高的预测效率和预测精度,预测精度均优于GBDT、RF、DT、GP等经典回归预测方法。     

基于ANN和SVM的轴承剩余使用寿命预测

为了提高现代制造业设备的可靠性和高效性,轴承剩余使用寿命(RUL)的预测已经成为越来越重要的研究方向.提出一种基于人工神经网络(ANN)和支持向量机(SVM)的轴承剩余使用寿命预测方法.该方法首先将获取的18维反映轴承衰退的时域特征和频域特征输入到ANN模型中做特征抽取,再将输出的18维特征向量作为SVM模型的输入,进...