基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

基于小波和深度小波自编码器的轴承故障诊断

针对滚动轴承故障严重程度与复合故障难以准确识别的问题,提出了一个基于提升双树复小波包(Lifting Dual-Tree Complex Wavelet Packet,LDTCWP)和深度小波自编码器(Deep WaveletAuto-Encoder,DWAE)的轴承故障诊断方法。首先,使用迁移学习扩展目标数据量;其次,对轴承振动数据进行3层提升双数复小波包分解,分别计算各子频带信号的样本熵、排列熵和能量矩,作为初始特征向量;最后,将初始特征向量输入DWAE,进行二次特征提取并实现故障诊断。实验结果表明,该方法能有效地对滚动轴承进行多种故障类型和多种故障程度的识别,与传统机器学习方法相比,在目标数据较少的情况下也具有较强的泛化能力、特征提取能力和识别能力。     

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。     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型：其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明：与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、...     

基于时空注意力机制的双向门控递归单元网络的轴承剩余使用寿命预测

提出一种基于时空注意力机制(TSAM)的双向门控递归单元(Bi-GRU)网络模型对轴承的剩余使用寿命进行预测。先利用时空注意力机制对轴承振动信号中的特征进行卷积提取,再将提取到的特征输入到堆叠的双向门控递归单元网络架构中进行剩余使用寿命的预测。数据集的验证结果表明,该网络模型的性能优于其他方法,且剩余使用寿命预测值更接近真实值,平均误差只有11.5%。     

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

基于分层稀疏编码的轴承剩余寿命预测方法

剩余寿命预测技术是装备智能维护与智能制造的关键技术。滚动轴承作为旋转机械装备关键零/部件之一,对其进行剩余寿命预测具有重要工程与实际意义,因此提出一种基于分层稀疏编码的滚动轴承剩余寿命预测方法。该方法作为深度学习模型的一种,克服了传统机器学习模型需要大量训练、标签学习以及鲁棒性差的缺点,有效提高了轴承剩余寿命预测精度。实验结果表明该方法具有更高的预测精度和更好的鲁棒性。     

基于小波变换的滚动轴承故障诊断

针对滚动体轴承故障诊断的故障频率获取问题,利用小波变换对故障轴承采集的数据进行故障特征频率提取分析。首先根据Harr小波理论,给出基于Harr小波的信号分解与重构算法;然后根据轴承元件之间滚动接触的速度关系建立的方程,求得滚动轴承的特征频率;最后以西储大学的6203-2RS JEM SKF深沟球轴承作为研究对象,对轴承的外圈、滚动体和内圈进行故障诊断,利用MATLAB编写小波变换程序并进行仿真分析。仿真结果表明:利用小波变换可以准确的判断滚动轴承的故障振动信号,得出与轴承理论上特征频率相对应的频率点。     

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...     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于小波分析和Hilbert变换的滚动轴承故障诊断

针对滚动轴承故障信号的非平稳和调制特点,使用小波分析对包含故障信息的信号进行分解、重构.应用Hilbert变换进行解调和细化频谱分析,提取了故障特征频率,判断轴承故障模式.小波分析和希尔伯特(Hilbert)变换结合对滚动轴承局部损伤故障的检测是有效的.     

基于小波变换的滚动轴承内圈故障诊断

利用小波变换将滚动轴承故障振动加速度信号分解到不同尺度,对包含有故障特征频率的小波系数进行Hirbert变换解调,最后对解调后的信号进行频谱分析获取轴承故障特征信息.实例分析表明,利用小波变换进行滚动轴承内圈故障诊断具有良好的诊断效果.     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于连续小波变换的滚动轴承外圈故障检测

提出了用连续小波变换与傅里叶变换相结合进行轴承外圈故障识别的新方法。先通过Morlet连续小波变换对故障轴承信号进行不同尺度的分解．再对其获得的小波系数进行快速傅里叶变换来识别故障特征频率。然后对不同信号做小波系数能量谱进行对比。优点在于能够在强噪声背景下较为精确的识别外圈故障。实际测试验证了新方法的正确性。     

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚...     

基于神经网络与小波变换的滚动轴承故障诊断

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

小波变换在滚动轴承故障诊断中的应用

采用小波变换能够快速有效地对滚动轴承振动信号进行带通滤波。通过选用多尺度的小波变换,能较好地分离出所要分析的高频固有振动信号,然后对高频振动信号进行包络分析,从包络谱图中提取故障特征频率分量,就能诊断出滚动轴承故障发生在哪个元件上。实验结果表明,这种诊断方法是有效的。