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)。     

基于集成迁移学习的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命(RUL)预测中自动故障边界识别精度不足与构建的健康因子单调性和趋势性不够理想的问题:提出一种基于集成迁移学习的滚动轴承剩余寿命预测方法。首先,利用源域数据协助标记不足的目标域数据训练具有不同激活函数的多个深度信念网络(DBN),选用预测精度最佳的DBN识别故障边界;其次,将经过训练的DBN作为特征提取器迁移到目标域,利用主成分分析(PCA)将提取的特征进行降维构建轴承健康因子,通过集成策略构建集成的健康因子;最后,采用长短时记忆神经网络作为预测模型。采用XJTU-SY滚动轴承数据集进行验证表明,提出的方法能够有效地识别故障边界和构建的健康因子更好地反映退化趋势,同时提高剩余寿命预测准确度。     

基于CSPA-Informer的滚动轴承剩余寿命预测北大核心

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

基于相似性与GA-RF的航空发动机剩余寿命预测

针对单参数不能准确表征发动机性能退化过程，以及传统智能学习模型难以准确拟合发动机退化模型等问题，提出一种融合数据构建发动机健康指数（HI），并结合多模型相似性匹配与集成模型进行发动机剩余寿命预测的方法。利用层次聚类与轮廓系数筛选参数，并融合为发动机健康指数。采用遗传算法优化随机森林拟合发动机性能退化过程，并将多模型相似性匹配用于回归模型预测，优化模型的预测结果。选择某涡扇发动机仿真数据集（C-MPASS）验证所提方法的有效性。结果表明：该方法的RMSE为6.128、MAE为4.901,且融合健康指数和多模型相似匹配极大地提高了发动机剩余寿命预测精度。     

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。     

云边协同下双数据源融合的轴承剩余寿命预测

针对当前滚动轴承剩余使用寿命(remaining useful life, RUL)预测准确率不高且未考虑到预测实时性的问题，提出一种云边协同计算模式下(cloud-edge collaborative computing, CECC)双数据源融合(data sources fusion, DSF)的滚动轴承剩余使用寿命实时预测方法。首先在离线阶段通过专家先验知识对训练集数据进行分析并进行网络预训练，然后通过边缘设备实时采集轴承水平与垂直两种数据源的振动信号并构建测试集，最后测试集数据实时上传到强大计算能力的云端进行融合预测。方法引入并行计算的Transformer模型在PHM2012数据集上进行试验，结果表明云边协同计算模式下轴承RUL预测的实时性得到显著提高，同时DSF预测方法与单一数据源预测方法相比MAE与RMSE两项指标分别降低了42.1%和40.9%。在XJTU-SY数据集上验证结果表明，DSF预测方法与其他文献中单一数据源预测方法相比MAE与RMSE分别降低了38.1%与38.8%;且云边协同预测方法相较于云计算预测，其时效性提升了80%左右，进一步证明了方法的可行性，并为...     

基于多尺度卷积神经网络的轴承剩余寿命预测

针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了基于多尺度卷积神经网络的轴承剩余寿命预测方法。该方法将原始振动加速度信号作为输入,依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这4部分进行处理,最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数,取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析,该方法能够有效的预测轴承的剩余寿命。     

基于深度卷积网络的多工况寿命预测方法研究

机电设备的寿命预测是状态维修中的一项重要任务,目前在多工况条件下的机电设备寿命预测效果并不理想,为了更好的预测多工况条件下的设备剩余寿命。文章对现有的涡轮风扇发动机开源数据集进行了研究,提出了一种新的多工况深度卷积神经网络模型(MC-DCNN)来估计剩余寿命。将原始数据输入文章提出的MC-DCNN模型中,模型输出不同工况下的设备剩余寿命。该模型能更好的预测多工况设备的剩余寿命,在实际生产中也更有价值。最后通过对公开数据集进行实验,并与现有的模型进行分析对比,证明该模型的有效性。     

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。     

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。     

面向电主轴热误差预测建模分析的改进IGWO-LSTM算法

针对电主轴复杂运行工况下的热误差建模问题,提出一种基于改进灰狼优化算法(IGWO)的LSTM神经网络参数预测模型IGWO-LSTM。通过对灰狼算法收敛因子a计算方法进行优化来提高算法寻优性能;通过IGWO算法的适应度函数与LSTM隐含层节点数组成的IGWO-LSTM闭环系统对电主轴热误差预测模型进行训练和预测,避免陷入局部最优,同时提升模型预测精度。为了验证该算法性能,将它与改进前的算法进行对比,通过求取平均绝对误差、平均绝对百分比误差以及均方根误差对这两种神经网络进行评价,结果显示：文中算法的3种指标均优于改进前的LSTM模型,具有更好的热误差预测准确性和全局搜索能力。     

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LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

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。