基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法

为解决滚动轴承在寿命预测时精度不高，且性能退化趋势及波动范围难以预测等问题，提出了基于LSTM-ES-RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下，利用长短期记忆（Long Short-Term Memory,LSTM）网络直接对频率数据进行特征提取，构建退化过程的初步健康指标（Health Indicator,HI）；为了消除HI曲线的局部剧烈振荡，提出了带斜率的极端拐点（Extreme Inflection Point with a Slope,ES）模型改善其整体单调性；使用相关向量机（Relevance Vector Machine,RVM）模型对HI曲线进行趋势预测，实现了滚动轴承的剩余寿命（Remaining Useful Life,RUL）预测。实验结果表明，所提方法相较于对比方法具有较好的预测精度。     

基于特征优选的航空发动机剩余寿命预测

研究针对航空发动机剩余寿命预测中的特征选择问题,提出一种基于特征优选的航空发动机剩余寿命预测方法。首先,基于长短时记忆网络建立单序列监测数据预测模型,预测不同工况下发动机测试样本的数据集。其次,基于特征融合与相似性匹配法,计算剩余寿命预测评价指标,并基于非劣分层遗传算法进行特征优选。最后,对基于特征优选的剩余寿命预测效果进行验证,结果表明：1）在同一非劣层中,随着特征数量的增加,剩余寿命评价指标会先变优,再变差。这种现象说明过多的特征数量会影响优化结果,证明特征优选的必要性。2）以不同工况的样本集分别用于特征多目标优选和剩余寿命预测研究,其预测误差均值相差小于16%,表明所提方法的正确性和鲁棒性。     

基于相似度特征融合和CNN的滚动轴承剩余寿命预测

滚动轴承作为机械系统中非常重要的部件之一，其剩余使用寿命的精确预测对系统保障具有重大意义。针对单个特征参量对滚动轴承性能退化过程表征的片面性与局限性，提出一种基于相似度特征融合、卷积神经网络的滚动轴承剩余使用寿命预测方法。通过计算时域和频域特征的时间序列与对应时间矢量的皮尔逊相关系数，构造相似度特征，再基于单调性和趋势性对特征进行敏感特征筛选，采用主成分分析法对筛选所得特征进行融合，构建健康指标，将其输入一维卷积神经网络退化模型进行训练，实现对轴承剩余寿命的预测。实例验证，与传统模型相比，该方法有更低的预测误差，对轴承的剩余寿命预测效果较好。     

基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

基于相对密度核估计的实时剩余寿命预测EI北大核心CSCD

为更加准确评估系统运行过程中的实时剩余寿命,提出一种基于自适应相对密度核估计的实时剩余寿命预测建模方法。首先,建立非参数核密度估计剩余寿命预测模型,引入样本点k近邻思想计算样本点的相对密度自适应选择窗宽来提高在稀疏和密集区域选择窗宽的准确性和合理性;其次,在剩余寿命预测模型的建立上利用空间映射的方法建立相对密度核微分同胚变换方法来解决核估计在预测中的边界偏移问题,从而提高预测准确度。随着监测数据的实时变化,利用已知样本的核密度估计来递推更新得到新增样本的核密度估计。最后,通过算例分析来验证该方法的有效性和准确性。     

基于长短时记忆网络的旋转机械状态预测研究

作为深度学习算法的一种,长短时记忆网络越来越成为时间序列预测的重要手段,简要阐述长短时记忆网络的基本原理,并将其应用于旋转机械状态监控领域,以轴承数据为样本进行仿真,针对轴承数据的非平稳性,运用经验模态分解方法将其分解为平稳信号,并计算其本征模态分量能量熵作为状态特征,通过计算长短时记忆网络对旋转机械状态单步预测的结果,并与支持向量回归机模型的预测结果进行比较,证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果。     

基于电压的压电悬臂梁剩余寿命预测EI北大核心CSCD

压电悬臂梁广泛应用于振动能量收集器的设计。然而,长期经受振动激励很容易导致其产生疲劳损伤,致使压电体发生失效。旨在研究一种基于电压的压电悬臂梁剩余寿命预测方法,实现压电悬臂梁的寿命预测。首先,设计压电悬臂梁振动试验系统,测试压电悬臂梁的共振频率、发电电压和循环加载次数。然后,基于试验测得的共振频率定义损伤,建立电压变化与损伤的关系。最后,以电压变化率为损伤指针,建立压电悬臂梁的剩余寿命预测模型,利用试验结果证实寿命预测模型的准确性。结果表明,共振频带激励下,该模型可预测压电悬臂梁的剩余寿命,损伤率D在0.4~0.8区间内,预测误差小于15%;当损伤率D在0.8~1.0区间内,误差小于5%;当D小于0.4时,误差较大。     

基于ARN和BiLSTM的轴承剩余寿命预测方法

针对深度学习方法进行轴承剩余使用寿命(Remaining Useful Life,RUL)预测时出现的网络退化和噪声信号干扰问题,提出一种基于注意力残差降噪模型(Attention and Residual Network,ARN)和双向长短时记忆网络(Bidirectional Long-Short-Term Memory network,BiLSTM)的轴承剩余使用寿命预测方法。ARN融合了卷积注意力机制(Convolution Block Attention Module,CBAM)和残差网络,利用通道和空间双维度注意力降低噪声特征的权重,结合软阈值函数进行降噪处理,能够同时提取到更多全局和局部的振动特征来构建健康指标(Health Indicator,HI)。以健康指标作为输入,通过BiLSTM网络映射得到RUL预测值。在IEEE PHM 2012轴承数据集上进行所提方法与其他健康指标构建模型和RUL预测模型的对比实验,结果表明在6种不同信噪比下(-5、-3、-1、1、3、5 dB),所提方法的抗噪能力最强,预测误差最小。     

考虑突变状态检测的齿轮实时剩余寿命预测EI北大核心CSCD

为解决齿轮疲劳退化过程中状态突变后剩余寿命难以准确预测问题,提出一种考虑退化突变点检测与剩余寿命预测相关联的齿轮疲劳实时剩余寿命预测新方法。针对齿轮磨损退化过程建立状态空间预测模型,利用接收到的齿轮实时监测振动信息实时更新模型参数,同时对退化过程中的突变状态点进行检测,并根据突变点所提供的寿命信息采用卡尔曼前向滤波及平滑算法结合期望最大化参数估计算法在滤波的同时不断对状态空间模型参数进行修正,改变退化突变后的滤波效果,进行实时状态预测与寿命估计。运用齿轮疲劳寿命试验台的实时监测数据对预测模型进行验证,结果表明利用突变点信息对预测模型进行修正后可以更快的对系统的动态变化进行跟踪,提高预测齿轮退化状态及实时剩余寿命的准确度。     

基于烟花算法与长短时记忆网络的模温预测方法研究

针对传统神经网络模型预测模具温度准确度低,网络超参数选取困难等问题,提出一种基于烟花算法优化长短时记忆网络的模温预测模型,为铸造成型模温自动控制提供基础。首先根据铸造过程生产工艺选取影响铸造系统的主要变量,利用灰关联分析得出各变量灰色关联度并去除关联度小的变量,建立模具温度影响因子变量的数据集;其次采用烟花算法对长短时记忆网络进行优化,建立模具温度预测模型;最后与BP神经网络和长短时记忆网络预测效果进行对比。实验结果表明基于烟花算法优化的长短时记忆网络的模温预测方法绝对误差小于2. 4℃,平均绝对百分比误差小于0. 12。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于BiLSTM与注意力机制的剩余使用寿命预测研究EI北大核心CSCD

剩余使用寿命(remaining useful life,RUL)预测在现代工业中占有重要地位,如何提高剩余使用寿命预测的准确性已经成为当今研究的热点。传统的剩余使用寿命预测方式是采用基于模型的方法进行预测,需要人工提取特征,不能自动地学习特征信息,无法获得原始数据与剩余使用寿命之间的复杂映射关系。该研究提出一种基于双向长短期记忆网络(bi-directional long short term memory,BiLSTM)与注意力机制的剩余使用寿命预测模型,与已有的剩余使用寿命预测方法不同之处在于:直接将获取的原始时间序列输入到BiLSTM神经网络中,通过BiLSTM自动地提取设备状态特征信息;然后利用注意力机制对特征分配不同的权重,这样可以更准确地提取设备的健康状态信息。进行了发动机和轴承剩余使用寿命预测试验,并与长短期记忆网络(long short-term memory,LSTM)模型和BiLSTM剩余使用寿命预测模型进行比较,试验结果表明提出的BiLSTM与注意力机制相结合的模型能够更准确地进行剩余使用寿命预测,具有应用价值。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。     

一种基于TC-CAE的轴承寿命预测方法EI北大核心CSCD

在预测轴承的剩余使用寿命(remaining useful life,RUL)时,能否有效提取退化特征是实现准确预测的关键之一。轴承的个体异质性和工况差异性导致退化特征曲线不同,同一特征的变化趋势在不同轴承上是具有差异的,从而导致训练轴承建立的RUL预测模型与测试轴承不匹配。在提取特征时应当考虑轴承的个体差异性,减少轴承特征的个体差异性有利于提升预测精度。为了促进同一特征在不同轴承上的趋势一致性,减少退化特征的轴承个体差异性,提出了一种基于趋势一致性约束卷积编码(trend consistency convolutional auto-encoder,TC-CAE)的轴承寿命预测方法。通过构造趋势一致性约束,并和卷积自编码相结合,形成了TC-CAE特征提取模型。预测流程为先用TC-CAE模型在频域信号内提取特征,再用长短期记忆网络(long short-term memory,LSTM)预测。在一个轴承公开数据集上进行试验,试验结果表明,相比于普通卷积自编码方法的预测结果,该方法的综合平均误差降低了21.1%,相比于特征评价方法和卷积神经网络方法分别降低了35.6%和25.9%。     

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。     

基于CEEMDAN-IAWT方法的滚动轴承振动信号降噪EI北大核心CSCD

针对滚动轴承振动信号中混入噪声的问题,设计一种自适应白噪声完全集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)结合改进自适应小波阈值(improved adaptive wavelet threshold,IAWT)的联合降噪法。使用CEEMDAN对信号进行模态分解得到本征模态函数(intrinsic mode functions,IMFs);将得到的IMFs与原信号进行相关性分析识别有效分量;针对小波阈值(wavelet threshold,WT)降噪算法不能自适应选取小波基和分解层数以及阈值函数存在缺陷的问题,设计了IAWT算法,利用IAWT算法过滤IMFs中的噪声;将处理后的IMFs进行信号重构。利用设计的联合降噪算法对仿真信号和试验台信号处理可知,相比于WT,使用IAWT处理后的信号信噪比提高了约0.5 dB,与原信号的相关系数提高了约0.03,均方根误差降低了约0.01;将设计的方法与CEEMDAN-WT等方法对比可知,经处理后的信号信噪比至少提高了1.37 dB,且信号特征保存完好。     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

结合LSTM和Self-Attention的滚动轴承剩余使用寿命预测方法

为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命（Remaining Useful Life,RUL）的预测精度,提出了一种结合长短期记忆（Long-ShortTermMemory,LSTM）和自注意力（Self-Attention）机制的神经网络模型（LSTM-SA）用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM-SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self-Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Stan...     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

滚动轴承寿命预测的相似性匹配优化方法研究

传统相似性寿命预测方法忽视退化过程的局部演变特性,导致预测精度较低;传统时、频域等特征指标难以实现早期故障监测,且退化后期局部波动较大。引入高斯函数趋势拟合策略,提出改进的相似性匹配优化方法。提出基于高斯混合模型的Jensen-Renyi散度健康指标,准确跟踪滚动轴承退化演变趋势。由于实际全生命周期退化信号难以大量获取,因此构建双指数函数模型,模拟退化信号,并验证仿真数据扩充参考字典集的有效性。采用高斯函数拟合退化数据并提出参数相似性原则,实现剩余使用寿命预测。滚动轴承全生命周期退化实验数据分析结果验证了所提方法可以有效提高剩余寿命预测精度。