基于VMD-EEMD-LSTM的涂层型关节轴承剩余使用寿命预测方法

涂层型关节轴承由于其结构紧凑且具有较好的摩擦性能,在航天航空设备领域有广泛的应用前景,对其剩余使用寿命(Remaining useful life,RUL)进行有效预测,能够为设备的维护提供一定的理论依据。因此,提出了一种基于变分模态分解(Variational mode decomposition,VMD)、集成经验模态分解(Ensemble empirical mode decomposition,EEMD)以及长短期记忆神经网络(Long Short-term memory neural network,LSTM)模型的剩余使用寿命预测方法。首先,利用VMD以及EEMD对轴承摩擦扭矩信号进行特征提取,并根据时间相关性进行特征筛选,得到相关性较高的3组特征序列,对筛选出的特征进行相对归一化处理作为模型输入,减小不同工况下摩擦扭矩幅值变化带来的影响;最后,选择超参数优化区间对LSTM进行贝叶斯优化,得到贝叶斯优化-LSTM模型,对涂层型关节轴承的RUL进行预测。研究结果表明,该预测模型融入了能够表征涂层型关节轴承退化信息和寿命衰减的多个信号特征,对不同工作载荷下的轴承均有较高的RUL...     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

基于VMD-NARX的MOSFET剩余使用寿命预测方法

金属氧化物半导体场效应晶体管(MOSFET)剩余使用寿命预测能够防止因器件长时间导通出现性能逐渐退化或失效,但传统预测模型易忽略MOSFET退化参数的非线性细节特征而导致预测精度较差。本文提出一种基于变分模态分解与带外源输入的非线性自回归神经网络的MOSFET剩余使用寿命预测方法。首先采用变分模态分解将退化参数序列分解为多组含有非线性变化信息的特征分量。然后分别利用贝叶斯正则和Levenberg-Marquardt算法对预测网络进行优化。最终集成多组预测分量值获得MOSFET剩余使用寿命预测结果。实验结果表明,本文所提方法的均方根误差小于0.003,平均绝对百分比误差小于5%,均优于对比方法,剩余使用寿命预测平均偏差小于5 min,验证了该方法的有效性.     

自动扶梯轴承健康指标提取及剩余寿命预测方法研究

针对小样本情况下滚动轴承的健康指标提取及寿命预测问题,提出了一种结合变分模态分解(VMD)和门控循环网络(GRU)的轴承健康指标提取及寿命预测方法.首先,针对现场设备轴承故障全寿命数据稀缺问题,对样本数据进行扩增,通过VMD分解将一维数据分解为多维数据;然后,对多维数据进行时域特征提取及归一化处理;最后,以归一化特征为...     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

变分模态分解与神经网络结合的轴承故障诊断

故障信号特征提取的准确性是保证故障智能诊断识别率的关键因素。低信噪比情况下,故障诊断效果下降。变分模态分解方法(VMD)在信号分解精度和抗噪方面具有明显优势。在分析VMD抗噪性能的基础上,提出以VMD分解的各模态能量作为智能诊断特征信息,并与小波包的特征信息进行对比研究。将滚动轴承两种故障特征信息通过BP神经网络识别,用不同信噪比的加噪故障信号进行测试,结果表明,在低信噪比情况下基于VMD模态能量的故障特征更具有可识别性。     

基于机器学习的设备剩余寿命预测方法综述

随着科学技术的发展和生产工艺的进步,当代设备日益朝着大型化、复杂化、自动化以及智能化方向发展。为保障设备安全性与可靠性,剩余寿命(Remaining useful life,RUL)预测技术受到了普遍关注,同时得到了广泛应用。传统的统计数据驱动方法受模型的选择影响明显,而机器学习具有强大的数据处理能力,并且无需确切的物理模型和专家先验知识,因而机器学习在剩余寿命预测领域表现出了广阔的应用前景。鉴于此,详细分析和阐述了基于机器学习的设备剩余寿命预测方法。根据机器学习模型结构的深度,将其分为基于浅层机器学习的方法和基于深度学习的方法。同时疏理了每类方法的发展分支与研究现状,并且总结了相应的优势和缺点,最后探讨了基于机器学习的剩余寿命预测方法的未来研究方向。     

基于变分模态分解的风机齿轮箱振动信号降噪方法研究

针对风机齿轮箱振动信号噪声对系统故障诊断产生干扰的问题,研究了对信号进行降噪处理的方法,提出了一种基于变分模态分析的方法.对数据进行了预处理,通过维纳滤波去除了采集信号中的噪声成分,利用了变分模态分解迭代寻找模型最优解,确定了各分量频率中心和带宽,实现了不同频率成分有效分离;采用了完全非递归分解模型,有效避免了经验模态...     

基于深度特征的轴承剩余寿命预测

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。     

基于VAE-D2GAN的涡扇发动机剩余使用寿命预测

为了提高涡扇发动机剩余使用寿命的预测精度,提出一种将变分自编码器(VAE)和双判别器对抗式生成网络(D2GAN)相结合的预训练特征提取模型。在该模型中,VAE作为D2GAN的生成器参与模型训练,形成双重嵌套生成结构,以提高中间特征的提取质量;利用长短时记忆网络进一步挖掘所提取特征的时序退化信息,预测发动机剩余使用寿命。为了验证所提模型的高效性,将模型在通用数据集上进行测试,并与当前最先进的研究比较,结果显示所提模型具有更优秀的预测表现,极大提高了发动机系统的安全性。     

基于卷积变分自编码和多头自注意力机制的断路器剩余机械寿命预测

针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编 码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。 首先依据断路器不同的事件区间提取参数特 征,再通过 CVAE 挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立 GRU-MSA 的定量寿 命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。 最后利用 3 台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在 3 个数 据集中寿命预测均方根误差(RMSE)分别为 141. 46、128. 75 和 134. 16,平均绝对误差(MAE)分别为 112. 17、101. 52 和 106. 22, 预测精度高且稳定性好,相对于其他混合预测模型更具优势。     

基于CK-GPR的多应力环境智能电表剩余寿命预测

针对智能电表科学定期更换需求,建立一种基于智能电表基本误差数据的剩余寿命(RUL)预测方法.首先采用Person相关系数筛选对智能电表基本误差数据影响较大的环境应力作为模型输入;然后采用高斯核、Matern32核及周期核匹配多应力环境下智能电表基本误差趋势;利用贝叶斯方法和蒙特卡洛马尔科夫链(MCMC)求解模型.实验结...     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

基于Wiener过程的万能式断路器附件剩余寿命预测*

万能式断路器作为一个复杂的机械系统,其操作附件的剩余寿命预测对于维护断路器的可靠性至关重要。为准确掌握操作附件剩余寿命情况,提出了一种基于Wiener过程的万能式断路器操作附件剩余机械寿命预测方法。首先,通过对操作附件动作过程中线圈电流波形的分析选取了动作时间作为性能退化特征量;其次,考虑到断路器操作附件性能退化过程具有线性非单调的特点,采用Wiener过程建立了操作附件的性能退化模型,并利用极大似然估计法对退化模型参数进行估计;然后,基于首达时间的概念建立了剩余寿命预测模型,推导出剩余寿命概率密度函数解析式。最后对安装于万能式断路器上的分励脱扣器和释能电磁铁两种操作附件进行全寿命试验及其剩余寿命预测,预测结果验证了所提方法的有效性。     

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精 度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。 首先,通过高效通道注意力机制提升 特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在 对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间 正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最 后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。 在 PRONOSTIA、XJTU-SY 和自测数据 集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自 适应方法效果提升 20% 至 40% 。     

Practical Options for Adopting Recurrent Neural Network and Its Variants on Remaining Useful Life Prediction

The remaining useful life(RUL)of a system is generally predicted by utilising the data collected from the sensors that continuously monitor different indicators.Recently,different deep learning(DL)techniques have been used for RUL prediction and achieved great success.Because the data is often time-sequential,recurrent neural network(RNN)has attracted significant interests due to its efficiency in dealing with such data.This paper systematically reviews RNN and its variants for RUL prediction,with a specific focus on understanding how different components(e.g.,types of optimisers and activation functions)or parameters(e.g.,sequence length,neuron quantities)affect their performance.After that,a case study using the well-studied NASA's C-MAPSS dataset is presented to quantitatively evaluate the inflluence of various state-of-the-art RNN structures on the RUL prediction performance.The result suggests that the variant methods usually perform better than the original RNN,and among which,Bi-directional Long Short-Term Memory generally has the best performance in terms of stability,precision and accuracy.Certain model structures may fail to produce valid RUL prediction result due to the gradient vanishing or gradient exploring problem if the parameters are not chosen appropriately.It is concluded that parameter tuning is a crucial step to achieve optimal prediction performance.     

基于小波去噪和LSTM模型的短时交通流预测

针对现有的部分交通流预测模型仅面向单一路段进行,模型输入数据未预处理的问题,采用启发式阈值算法对小波分解后的原始交通流数据进行去噪处理,通过对路网内各路段交通流数据相关性系数计算,构造出路网交通流数据压缩矩阵。数据去噪将数据对模型的干扰降到最低,同时路网数据相关性分析又使预测在路网层面上进行了考量。利用长短时记忆(LSTM)网络在时序数据处理方面的优势,将压缩矩阵输入构造好的LSTM模型进行短时交通流预测。利用去噪处理数据和原始数据分别训练LSTM-1和LSTM-2模型,通过仿真实验,设置不同预测时间将本文提出的预测方法和其他4种模型对比,验证了相较于其他4种模型预测的准确率平均可提升10.278%,预测的准确率达到了95.58%,说明这是一种高效率的短时交通流预测方法。     

变分模式分解方法研究与应用综述

自适应信号分解领域一个十分活跃的分支——变分模式分解(VMD)已经成为信号处理与检测技术学界一个热门的研究方向。VMD对非平稳、非线性信号具有良好的处理效果。针对VMD模型及其参数选择,发展了许多拓展模型及参数优化方法。本文回顾近十年来VMD的研究进展,对相关的文献进行总结与分析。首先,分析VMD的原理性优势及其在各个领域的应用潜力;其次,根据模型对不同信号类型的匹配能力,分类总结VMD拓展模型的不同特性和适用场景;然后,归纳VMD及其拓展模型参数优化方法的研究现状,探讨与分析不同模型参数优化方法的特点和最新研究趋势;最后,对VMD的未来发展提出6点展望,为后续的研究指明方向。