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。     

基于特征融合与HPO-RVM的滚动轴承剩余寿命预测

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明：所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。     

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IMFOA-SVR的轴承剩余使用寿命预测方法

为提高轴承剩余使用寿命预测精度,提出了一种基于IMFOA-SVR的轴承剩余使用寿命预测方法。首先,设计了一种三维自适应果蝇优化算法,提高了果蝇搜索空间维度与味道浓度判定值精度,搜索步长随进化信息自适应动态调整,能够有效克服局部最优,加快收敛效率;其次,将设计算法应用于支持向量回归参数优化,并利用该模型进行轴承剩余使用寿命预测;最后,仿真实验结果表明,文章提出方法与FOA-SVR、LGMS-FOA-SVR、MFOA-SVR、IFOA-SVR相比,具有较高的预测效率和预测精度。     

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。     

基于时域和谱峭度特征融合及指数模型的滚动轴承RUL预测

滚动轴承剩余使用寿命（RUL）预测对保障旋转机械设备平稳运行意义重大。针对时域特征预测精度波动大、数据利用率低等问题,提出一种基于时域和谱峭度特征融合及指数模型的滚动轴承RUL预测方法。从时域和谱峭度提取信号的特征进行平滑处理并基于单调性尺度排序,从而选取优势特征通过主成分分析(PCA)构建健康指标。然后,通过3σ准则确定退化点后对数据再处理。最后,基于贝叶斯理论和极大似然函数估计指数退化模型的参数来预测轴承每时刻的RUL,采用XJTU-SY数据集验证所提方法的有效性。结果表明：所提方法可根据当前观测轴承进行小样本数据潜在信息的挖掘,并能在强噪声背景下准确地表征非平稳信号的退化过程,提升RUL预测的精度。     

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。     

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...     

基于ALSTM-MHA的航空发动机寿命预测

为了提升剩余寿命预测任务的精度,提出一种基于注意力长短时记忆网络和多头自注意力机制（ALSTM-MHA）的剩余寿命预测模型,在利用数据时序性的条件下提取特征维度的重要程度以及时间维度的相关性信息。使用C-MAPSS数据集对模型进行实验验证,并与其他方法进行对比。结果表明:ALSTM-MHA模型能够有效地提取特征及时间维度上的注意力信息,与其他方法相比,它在均方根误差和非对称评价指标上分别降低了至少0.3%和20.48%,验证了模型的可行性和有效性。     

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。     

轴向柱塞泵疲劳损伤分析及寿命预测

轴向柱塞泵工作环境恶劣、工况复杂,柱塞在柱塞腔内做往复直线运动,承受着复杂的交变应力,疲劳损伤是其常见的失效形式之一。为了分析柱塞泵的疲劳损伤、预测其剩余寿命,提高其运行的安全可靠性,提出柱塞泵疲劳损伤分析及寿命预测方法。建立柱塞泵的刚-柔-液耦合模型,进行联合仿真并分析;基于Miner疲劳累计损伤理论,运用ANSYS Workbench软件及nCode模块,得到柱塞的疲劳损伤云图和疲劳寿命云图,对柱塞泵疲劳损伤的薄弱部位以及剩余寿命进行分析,最后探究了主轴转速、工作压力对柱塞泵疲劳损伤及剩余寿命的影响。结果显示：在典型工况下,柱塞的疲劳寿命约为7 448.8 h,基本可以满足柱塞疲劳寿命要求。     

基于MEA-NARX神经网络主轴热误差建模

为了有效提高基于非线性时间序列的热误差预测模型精度,利用F统计检验确定模糊C均值聚类的聚类数目,结合不同量纲一化处理的灰色关联分析排序筛选出关键温度测点,建立基于NARX神经网络的热误差预测模型,通过设置输入延时阶数、输出延时阶数和隐含层神经元个数的范围,利用思维进化算法对输入、输出延时阶数和隐含层神经元个数进行寻优,与随机选取参数的NARX神经网络预测模型相比,模型预测精度提高了36.98%。     

基于RF-DGRU-SA的涡扇发动机剩余寿命预测

针对涡扇发动机在退化过程中机制复杂、状态检测数据维数过高等问题,提出一种随机森林（RF）和基于自注意力机制（SA）深度门控循环单元（DGRU）相融合的涡扇发动机剩余使用寿命（RUL）预测方法。利用RF算法确定重要度阈值实现特征筛选。将筛选出的特征输入DGRU-SA模块,通过多层GRU神经网络挖掘出相关特征与目标值之间的隐藏信息,利用SA神经网络为隐藏信息添加不同大小的权重。最后,利用全连接层输出预测结果,采用CMAPSS数据集进行实验验证。结果证明：与传统的多层感知机、卷积神经网络、长短时记忆等方法相比,所提出的融合模型误差更小,具有良好的预测精度和稳定性。     

Investigation of spindle bearing preload on dynamics and stability limit in milling

Many spindle designs offer automatic, speed-dependent preload adjustments to improve the bearing service life. This can result in spindle speed-dependent dynamic properties at the tool tip and errors in process stability predictions. In order to improve stability prediction accuracy for a representative tool and tool holder assembly, the tool tip frequency response functions are measured for different bearing preload values. Using stability models, stability limits are then predicted. Effects of bearing preload on the stability limits are demonstrated via simulations and cutting tests.     

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。