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。     

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。     

融合TA-TCN和迁移学习的滚动轴承寿命预测

针对在实际工业生产中,滚动轴承由于数据量少导致剩余寿命预测的准确度不高的问题,提出了一种时序注意力(temporal attention, TA)优化的时间卷积神经网络(time convolutional networks, TCN)与迁移学习相结合的剩余寿命预测方法。首先,通过互补集合经验模态分解(complementary ensemble empirical mode decomposition, CEEMD)将原始特征向量分解为一组子序列分量,突出特征信号、降低噪声干扰;然后,将子序列分量输入搭建好的TCN模型并添加TA进行优化,深度挖掘深度特征与退化曲线关系;最后,引入迁移学习,利用源域数据进行训练和少量目标域数据进行参数微调,得到目标网络模型。经实例验证,所提模型的稳定性、预测精度相对于其它对比模型有所提升,且在异工况条件下依然有着良好的预测能力。     

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络（CNN-LSTM）相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络（CNN）、长短时记忆神经网络（LSTM）进行对比实验。结果表明：所提方法CNN-LSTM有着较高的预测准确度。     

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。     

基于改进EEMD的滚动轴承故障特征提取技术

在对集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)进行研究之后,提出了一种利用改进的EEMD进行滚动轴承故障特征提取的方法。该方法根据EEMD的分解过程中信号和加入的白噪声的特点来选择EEMD的参数,并且对分解后所得到的的固有模态函数(IMF)分量进行阈值处理后再重构,以降低噪声的干扰。对重构后的信号进行包络谱分析,提取其故障特征,最后将该方法与通用的EEMD方法进行对比,研究结果表明EEMD是一种很有效的滚动轴承故障特征提取方法。     

基于注意力多通道卷积ON-LSTM的APU剩余寿命预测

针对飞机辅助动力装置状态监测数据纬度高、数据量大等特点,提出一种基于注意力机制和多通道卷积ON-LSTM的剩余寿命预测方法.首先利用一维卷积神经网络对传感器参数进行局部特征提取;其次利用ON-LSTM能够学习序列长期依赖的优势,对传感器参数进行时序特征提取;再次通过注意力机制确定各参数的权重,准确预测APU的剩余使用寿...     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

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。     

基于时频特征和PSO-SVR模型的零部件剩余寿命分析

针对数据驱动的机械零部件剩余寿命预测问题,提出了基于信号数据时频特征向量和粒子群优化支持向量机回归模型(PSO-SVR)的预测方法.首先,对采集的全寿命周期信号数据进行时域分析和经验模态分解(EMD),根据皮尔逊相关系数,分别对时域特征向量和各IMF分量进行筛选,构造多变量时频特征向量;其次,基于PSO-SVR理论建立...     

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CNN-GRU模型的齿轮寿命预测

齿轮是机械运动中非常重要的零部件,一旦发生损坏将对机械整体造成不可估量的损失,甚至波及人身安全,因此提前预知齿轮的剩余寿命非常重要。随着深度学习的快速发展,可以采用深度学习对齿轮进行剩余使用寿命的预测。卷积神经网络（CNN）具有权值共享和局部感知的优点,但是在处理时间序列上,CNN还有一定的缺陷;门控循环单元（GRU）可以处理时间序列在长距离上依赖不足的问题且结构简单。为了既可以具有权值共享的特点又可以解决时间序列的问题,提出CNN-GRU模型来对齿轮进行寿命预测。实验结果表明：使用该方法后准确率和训练速度都得到了提升,具有一定的应用价值。     

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EEMD的滚动轴承故障特征主元分析和PNN建模

利用滚动轴承各种工作状态下测量得到的声发射信号,建立了一种基于总体平均经验模态分解(EEMD)与概率神经网络(PNN)的滚动轴承故障特征提取和诊断方法。通过EEMD对信号进行自适应时频分解,在不同频段上分析本征模态函数(IMF)分量;计算IMF的能量值并做能量贡献分析,确定主元分量以组成故障特征向量;利用PNN网络实现故障特征向量与故障模式之间的函数映射,进行故障诊断。仿真结果和试验数据的对比证明了提出方法的有效性。     

基于监测状态和寿命随机效应辨识的剩余寿命预测北大核心

当监测状态不能直接反映设备退化程度时,需要联合考虑寿命和监测状态值来评价其退化状态,从而进行剩余寿命预测,常使用联合分析方法。针对退化过程,通常假设样本存在相同失效阈值,然而在实际应用中,受到监测过程差异性以及环境工况等因素的影响,导致样本间退化具有一定的差异。因此通过考虑退化过程中样本间差异的随机效应,提出了一种基于监测状态和寿命随机效应辨识的剩余寿命预测方法。实验结果表明,该剩余寿命预测方法能够有效提高预测准确度。     

基于EMD与对数能量的滚动轴承故障诊断方法

滚动轴承在发生损伤时,产生周期性脉冲振动,提取冲击振动的周期特征是故障诊断的关键。为了提取滚动轴承的故障特征频率,根据滚动轴承的振动响应信号特征,提出基于经验模态分解(EMD)和对数能量的故障特征频率提取方法。首先通过经验模态分解找到包含故障信息的本征模态函数（IMF）,然后对IMF的短时能量进行积分并取自然对数,获得信号的对数能量变化曲线,最后通过对曲线的谱分析,找到轴承的故障特征频率。仿真和实验数据验证了该方法的有效性,并和Hilbert包络法与能量算子法进行了对比,表明该方法能更显著地突出故障特征频率。     

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。     

基于时间卷积网络的机床齿轮箱轴承剩余寿命预测

基于深度神经网络的RUL预测模型结构比较复杂,不能很好地满足中长期预测任务的要求。为了更好地利用时间信息,设计一种基于时间卷积网络（TCN）的轴承RUL预测模型。以振动信号的频谱特征作为输入,利用因果膨胀卷积结构提取频域特征并捕获长期依赖,从而实现对轴承准确的RUL预测。为了进一步说明所提方法的优越性,将所提方法与卷积神经网络（CNN）、门控循环单元（GRU）进行了对比。结果表明：所提出的TCN模型的RUL预测精度优于其他现有方法,具有较高的精度。