基于LCD和GMM的滚动轴承寿命预测方法

滚动轴承寿命预测的关键在于振动信号特征提取和模式识别,提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后,提取各个分量的特征值并加入时间因子重构特征向量;然后利用GMM对全寿命数据的特征向量进行聚类,将全寿命数据在时域上分成若干个退化状态;最后将不同退化状态下的数据作为训练样本对神经网络进行训练,并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明,将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别

滚动轴承退化状态识别的关键在于特征提取和模式识别,局部特征尺度分解(local characteristic-scale decomposition,LCD)方法是一种新的时频分析方法,非常适用于滚动轴承振动信号的特征提取。基于变量预测模型的模式识别(Variable predictive model based class discriminate,VPMCD)方法是一种利用特征值之间的相互关系进行分类的模式识别方法,可以用于滚动轴承的退化状态识别。将LCD、VPMCD和高斯混合模型(Gaussain mixture model,GMM)相结合,提出了基于LCD和GMM-VPMCD混合模型的滚动轴承退化状态识别方法,首先对滚动轴承全寿命数据进行LCD分解并提取分量的特征值,然后利用GMM对全寿命数据的特征值进行聚类,将全寿命数据在时域上分成若干个退化状态,最后建立VPMCD模型并对测试数据进行分类,从而实现滚动轴承的退化状态识别。实验数据的分析结果表明,基于LCD的GMM-VPMCD混合模型可以有效实现滚动轴承的退化状态识别。     

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。     

基于KPCA和WPHM的滚动轴承可靠性评估与寿命预测

为了评估滚动轴承的可靠性和预测剩余使用寿命,选取能够反映性能退化过程的特征参数作为寿命预测模型的输入参数,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和威布尔比例故障率模型(Weibull proportional hazards model,简称WPHM)的方法。首先,提取滚动轴承全寿命周期的时域、频域及时频域等多特征参数,从中筛选出有效的特征参数,构建高维相对特征集;其次,进行核主元分析,选取能够反映轴承全寿命周期性能退化过程的核主元,进而作为WPHM的协变量来进行可靠性评估和剩余寿命预测。通过滚动轴承全寿命试验,验证了该方法能够对轴承进行准确的可靠性评估和剩余寿命预测,以提供及时的维修决策。同时,由于提取的是相对特征,降低了同种轴承间在制造、安装及工况的差异,增强了该方法的适用性和稳定性。     

基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法

传统的滚动轴承寿命预测都需要进行全寿命实验,并且需要数学或物理模型处理大量的实验数据,针对这一问题,提出了一种基于无失效数据的滚动轴承剩余寿命非等间隔灰色预测方法.首先,采用滚动轴承的无失效数据模型和E-Bayes理论,计算出了每一个截尾时间滚动轴承可靠度估计值;然后,将滚动轴承每个截尾时间计算出的可靠度估计值进行了等...     

基于多分辨奇异值分解和ECNN-LSTM的滚动轴承寿命预测

针对现有滚动轴承剩余寿命预测时寿命特征表征能力不足的问题,提出了多分辨奇异值分解和ECNN-LSTM的滚动轴承剩余寿命预测方法.首先,采用多分辨奇异值分解方法获取滚动轴承全寿命振动时域信号中具有不同分辨率的近似和细节信号,以多分辨展现信号不同层次的概貌和细节特征;其次,根据初时刻标准差划分健康阶段,划分出滚动轴承平稳运...     

大数据统计趋势分析和PCA的滚动轴承早期故障诊断

针对短时、小样本数据下提取的特征对早期故障敏感度和故障演化过程稳定度低、信息冗余的问题,提出了大数据统计趋势分析和核主元分析方法(Principal component and analysis,PCA)的滚动轴承故障演化特征提取和早期故障诊断方法。采集滚动轴承正常状态到完全失效状态的全寿命振动数据,计算原始数据中不同故障严重程度下的时频统计特征,建立各个统计特征描述的故障演化趋势,分析各个统计特征描述的故障演化特性,初步选择能够敏感且稳定感知故障演化过程的统计特征集,利用PCA分析初选结果中各个统计特征间的相关性和贡献度,进一步剔除冗余特征,最终得到能全面表征故障演化过程的特征。最后,使用滚动轴承全寿命振动数据验证本文所提方法的有效性。实验结果证明,标准差、均值频率、标准差频率等特征能敏感地检测滚动轴承早期内环故障并稳定跟踪其演化过程。     

基于特征融合技术的滚动轴承退化预测方法研究

提出了一种结合多维特征融合及最小二乘支持向量回归机的滚动轴承退化趋势预测方法.首先提取了滚动轴承全寿命周期振动数据的各域特征,并利用主成分分析法将各域多维特征融合为表征轴承退化性能趋势的退化性能指标.将最小二乘支持向量回归机作为预测模型,同时利用粒子群算法优化模型参数.其次,利用误差累积和方法对预测模型的累积预测误差进...     

PKPCA-LRM在滚动轴承性能退化评估中的应用

滚动轴承作为旋转机械最重要的零部件之一,其可靠性和寿命直接影响着机器的可靠性和寿命,为解决滚动轴承可靠性难以估计的问题,提出一种基于概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)和Logistic回归模型(Logistic Regression Model,LRM)的滚动轴承可靠性评估方法。首先提取轴承的时域、频域和时频域特征值组成高维混合域特征集,并引入相对特征值降低轴承个体差异;然后用PKPCA挑选能够表征轴承退化状态的特征值作为Logistic回归模型的协变量;最后用Logistic回归模型对滚动轴承可靠性进行评估。通过IMS滚动轴承全寿命试验,验证了该方法的有效性。