基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于DA-BLSTM的轴承剩余使用寿命预测北大核心

基于轴承维修保障的实际需求,以精确预测轴承剩余使用寿命(RUL)为目标,提出了一种深度学习网络框架,即DA-BLSTM。首先,提取了与轴承性能退化密切相关的15种时域和频域特征;然后,引入注意力机制并与双向长短期记忆网络(BLSTM)深度融合,设计了DA-BLSTM,其中输入注意力机制能够自适应地选取相关时域和频域特征,方向注意力机制用于分配BLSTM不同时间方向(前向、后向)隐藏状态的权重,得到精确的RUL预测结果。在PRONOSTIA平台的滚动轴承数据上进行实验验证,比较实验结果表明基于DA-BLSTM的预测方法具有更高的精度。     

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。     

基于熵特征与HMM的滚动轴承退化状态识别

为准确识别滚动轴承的性能退化状态,提出一种基于熵特征与隐马尔科夫模型(Hidden Markov Model,HMM)的轴承退化状态识别方法。该方法提取轴承振动信号的多尺度模糊熵和VMD能谱熵作为退化特征向量,利用全寿命数据样本的退化特征向量训练不同退化状态下的HMM模型,最后通过建立的HMM模型库并根据最大对数似然概率原则识别轴承退化状态。其中,针对人为划分轴承退化阶段的不足,采用GG聚类方法实现全寿命数据在时域上的退化阶段划分。实测数据分析结果表明,所提方法能够达到90%以上的识别率,优于常用退化指标下的识别效果。     

基于FAMVEMD和改进CYCBD的滚动轴承微弱故障诊断北大核心

针对强噪声滚动轴承故障诊断问题,提出一种基于快速自适应多元经验模态分解(FAMVEMD)和改进循环平稳盲解卷积(CYCBD)的多通道诊断方法。首先,应用FAMVEMD处理多测点故障信号,按照自相关能量-线性峭度准则选取最佳分量、进行信号重构;其次,基于多点峭度和自相关能量改进CYCBD算法,通过重构信号的解卷积处理实现故障特征强化放大;最后,从解卷积信号包络谱中提取故障特征。实验数据分析结果表明,所述方法可准确提取故障特征,实现轴承损伤精确诊断。     

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。     

基于小波包能量谱和改进FOA-GRNN的轴承寿命预测

为增强轴承退化特征信息,提高广义回归神经网络(Generalized Regression Neural Network, GRNN)的预测精度,提出了一种基于小波包能量谱和改进FOA-GRNN的轴承剩余使用寿命预测方法。首先,为提取和增强轴承退化特征,采取小波包能量谱对轴承振动信号进行分解,生成频带能量谱,以能量谱信息构建轴承退化特征;其次,为提高果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的寻优能力和寻优效率,提出了一种多种群自适应果蝇优化算法,引入自适应惯性权重,并应用于广义回归神经网络参数优化;实验结果表明,基于文中退化特征相比时域、频域特征,提高了预测精度,改进FOA-GRNN与FOA-GRNN、MFOA-GRNN、IFOA-GRNN相比具有较高的寻优精度和寻优效率。     

基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

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。     

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VMD和Teager能量增强谱的滚动轴承故障诊断方法

针对强噪声干扰下滚动轴承故障特征难以提取的问题,提出一种变分模态分解和Teager能量增强谱的滚动轴承故障诊断方法。该方法首先通过变分模态分解(Variational Mode Decomposition,VMD)将非平稳的轴承故障振动信号分解成一系列平稳的窄带分量;然后根据峭度-相关性最大准则挑选包含故障特征信息最丰富的窄带分量作为主分量;最后对选取的主分量进行Teager能量增强谱,提取滚动轴承的故障特征。通过仿真和实例分析的结果表明:该方法能有效地提取出滚动轴承早期故障特征,且能够抑制强烈的噪声干扰和增强故障冲击特征,优于传统包络谱分析和基于经验模态分解(Empirical Mode Decomposition,EMD)和Teager能量谱的方法的分析结果。     

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。     

CYCBD和CEEMDAN相结合的滚动轴承微小故障特征提取

针对强噪声下微小故障信号容易被噪声淹没的问题,提出基于最大二阶循环平稳盲解卷积(CYCBD)和自适应噪声完全集合经验模态分解(CEEMDAN)的轴承微小故障诊断方法。根据故障频率公式求出振动信号的故障频率,并根据故障频率设置对应的循环频率集,用CYCBD对原信号进行滤波,使信号中的周期冲击成分更加突出,从而达到提高信噪比的目的;对处理后的信号进行CEEMDAN,得到一系列模态分量,再求各模态分量的峭度值,从中选取峭度值高的即含有较多故障特征的若干分量进行重构;对重构后的信号求其Hilbert包络谱,从中提取故障频率。采用仿真信号与西储大学轴承数据集进行仿真与实验研究,验证所提方法的有效性。     

基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障特征提取的难题,提出了基于迭代滤波和最大相关峭度解卷积的滚动轴承故障诊断方法。首先对轴承振动信号进行迭代滤波分解,然后通过相关系数和峭度准则筛选出敏感的内禀模态分量,对敏感的内禀模态分量进行最大相关峭度解卷积降噪,最后对降噪的信号进行频谱分析完成轴承故障诊断。对轴承仿真信号和滚动轴承故障振动试验信号进行了分析,结果表明文中方法能有效地应用于滚动轴承故障诊断。     

基于FOA随机共振和LCD_FSK的轴承故障特征提取

针对滚动轴承故障振动信号的非平稳性、受噪声干扰和传统的共振解调不易确定滤波器参数的问题,提出了一种基于果蝇优化算法(Fruit Fly Optimization Algorithm, FOA)的自适应随机共振和快速谱峭度(FSK)的方法。该方法首先利用FOA优化共振参数,使信号达到最优共振,时频增强。再经过局部特征尺度分解(Local Characteristic Decomposition,LCD),选取合适ISC分量进行重构,然后对重构信号进行快速谱峭度和Hilbert包络解调分析,从包络谱中得到故障特征。最后,将该方法运用于仿真信号和美国凯斯西储大学轴承数据中心的轴承故障信号,并将利用该方法得到的包络谱信号和未经过随机共振、未经过谱峭度的两种处理结果进行对比,进一步证明了该方法可有效地提取轴承故障特征。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

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。     

基于广义S变换与隐马尔可夫的滚动轴承性能评估

考虑到滚动轴承故障信号的非平稳性、强噪声性，导致状态评估结果不确定性高，提出一种基于广义S变换特征提取和变分贝叶斯-隐马尔可夫模型的滚动轴承性能评估方法。针对滚动轴承监测获得的振动信号，对其进行广义S变换后，分别进行时间、频率、时频的信息熵特征值运算，提取健康指数作为性能评估的特征向量，并使用变分贝叶斯-隐马尔可夫模型建立实时性能评估模型，用健康样本训练模型，以模型输出对数似然概率值作为性能退化的评估指标。利用数学模型仿真和辛辛那提大学提供的轴承数据验证特征指标和评估模型的可行性，结果表明广义S变换熵值优于常规的特征指标，在轴承早期微弱故障时灵敏度高，性能评估模型仅需要正常数据就可以准确表征轴承性能退化趋势，为设备的维修和故障检测提供了参考。