一种无监督的轴承健康指标及早期故障检测方法

提出了一种无监督的轴承健康指标及早期故障检测方法。设计了一种可以有效提取轴承状态特征的深度可分离卷积自编码器模型,以编码器的输出作为轴承状态特征表示,使用Bray-Curtis距离计算退化状态特征和健康状态特征之间的距离作为轴承状态的健康指标（BC-HI）。基于健康指标BC-HI提出了一种结合Savitzky-Golay滤波的早期故障检测方法,根据健康指标的趋势获取异常阈值,判断早期故障的发生。为验证所提方法的有效性及泛化能力,在轴承加速寿命试验数据集上进行试验,试验结果表明提出的健康指标可以反映轴承的退化趋势,并且对早期故障较为敏感,具有较强的泛化能力,与孤立森林、支持向量机等方法相比,首次故障检测时间更加提前,误报警率更低,具有一定的应用价值。     

基于变分自编码器的轴承健康状态评估

针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明：变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。     

基于ELM-AE的轴承性能退化和早期故障检测

为准确描述轴承性能退化过程并实现轴承早期故障检测，提出了一种基于极限学习机自编码器的无监督构建健康指标的方法。利用轴承健康状态的样本训练极限学习机自编码器并实现在线样本数据的重构，由于轴承偏离健康状态时会导致输入与输出的重构误差增大，因此将重构数据与原始数据之间的损失作为反映轴承性能退化的健康指标。试验结果表明，该指标能够有效反映轴承性能退化趋势，对轴承早期故障比较敏感，利用滑动t检验可以准确获得健康指标首次发生突变的时间，可用于轴承的智能化早期故障预警。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于熵值比-DTW度量奇异值相似度指标的滚动轴承退化历程辨识

针对滚动轴承健康状态监测现有退化指标单调性及鲁棒性差，且数据波动造成不同退化状态区分度低等问题，提出了一种基于熵值比-动态时间规整(DTW)度量的奇异值相似度指标并用于辨识滚动轴承不同退化历程。首先，利用奇异值分解(SVD)算法对不同时刻采集的轴承信号矩阵进行分解，将奇异值作为轴承退化特征；其次，基于DTW算法计算轴承连续退化奇异值时间序列的相似度，表征轴承的全寿命周期历程；最后，考虑到轴承不同退化状态的差异性，将熵值比作为权值对相似度指标进行优化，提高相似度退化指标的单调性及对早期异常点的敏感性。对IMS轴承全寿命周期数据的研究结果表明：奇异值相似度指标的单调性、鲁棒性及敏感性较好，可有效避免数据波动对轴承健康状态带来的干扰，能更准确地反映轴承全寿命退化历程。     

基于融合特征与数模联动的轴承寿命预测方法

针对现有数模联动剩余使用寿命（remaining useful life， 简称RUL）预测方法易受随机噪声干扰、没有考虑轴承的退化特性等问题，提出了一种基于融合指标与数模联动的轴承RUL预测方法，以提高原始数模联动RUL预测方法的准确性。首先，利用主成分分析及指数加权移动平均算法融合表征轴承退化状态的多种特征，构建单调趋势良好的性能退化融合指标；其次，基于3σ准则建立一种首次预测时间确定方案，以触发RUL预测模型的启动，避免RUL预测的无效性；最后，考虑轴承的退化特性，嵌入Rauch-Tung-Striebel平滑滤波算法，以减小退化模型的随机波动，实现轴承RUL的可靠预测。仿真数据和试验信号分析结果证明了所提方法的有效性，相较于现有数模联动方法，显著提高了轴承RUL的预测精度。     

变工况滚动轴承异常状态局部切空间分类检测

变工况滚动轴承异常状态数据在特征空间上呈现高维模糊分类特征,异常状态数据的子特征分区极为困难,增加了轴承异常检测的难度。为此,提出变工况滚动轴承异常状态局部切空间分类检测方法。采用局部切空间排列法,降维处理变工况滚动轴承数据,使其在局部切空间满足分类空间映射条件,再利用深度置信网络,通过异常数据训练提取数据的异常特征。将提取的特征输入到SVM分类器中,利用非线性映射函数将二维特征矩阵映射到三维分类空间中再将超平面结构加入其中。在多项式核函数的引导下,找到对应的子特征分类区域,根据分类结果检测变工况滚动轴承的异常状态。实验结果表明：在调整轴承承载负荷前后,该方法针对异常状态的检测率较高,早期异常点检出所花时间较少。     

直升机主减半主动反共振隔振技术研究

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播（affinity propagation ,简称AP）聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络（self-organizing feature map ,简称SOM）构建轴承健康指数。最后,利用自适应混沌粒子群算法（adaptive chaos particle swarm optimization, 简称ACPSO）优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。     

基于混合域相对特征和FOA⁃XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法（fruit fly optimization algorithms,简称FOA）集成极限梯度提升树（extreme gradient boosting,简称XGBoost）的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明：所构建的退化评估模型比常用的支持向量回归（support vactor regerssion,简称SVR）模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。     

基于离散小波变换和变分自编码器的滚动轴承剩余使用寿命预测

针对噪声导致轴承振动信号有效退化信息难以提取的问题,采用离散小波变换对信号进行分解得到细节分量和近似分量,提取多种敏感特征输入变分自编码器进行融合降维来构建综合性能退化指标,从而有效抑制信号中的噪声分量,获得更有单调趋势性的退化指标;引入经过超参数优化的长短时记忆网络构建滚动轴承剩余寿命预测模型,采用分层抽样方法划分数据集并输入预测模型进行试验验证,结果表明：基于离散小波变换和变分自编码器所得深层退化特征能有效表征轴承的退化信息,获得更精准的轴承剩余使用寿命预测结果。