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。     

改进CHSMM的滚动轴承剩余寿命预测方法

针对连续隐半马尔科夫模型(Continuous hidden semi-Markov model,CHSMM)对滚动轴承剩余寿命预测精度低问题,提出一种基于改进CHSMM的滚动轴承剩余寿命方法。提取滚动轴承振动信号的时域、时频域特征向量,采用主成分分析(Principle component analysis,PCA)算法对特征向量进行降维;针对状态驻留时间概率密度函数不符合实际而引起的剩余寿命预测精度低问题,将高斯混合概率密度函数引入到CHSMM算法中,建立退化状态识别模型和剩余寿命预测模型。最后,将轴承全生命周期数据输入到模型中,得到轴承的退化状态和剩余寿命。试验结果表明,采用所提方法能准确的对轴承剩余寿命进行预测,与CHSMM算法相比,退化状态识别的正确率提高了12%,剩余寿命预测的正确率提高了23%。     

经验模态分解与核马氏距离的滚动轴承性能退化评估

为了准确识别滚动轴承退化状态,提出了一种基于经验模态分解(EMD)和核马氏距离的滚动轴承性能退化评估方法。该方法通过EMD分解得到各阶IMF分量的标准偏差提取信号的特征信息,以样本的标准偏差向量作为样本的特征向量,将无故障样本的特征向量和待测样本特征向量设为样本集,通过衡量样本集和待测样本之间的核马氏距离来评估滚动轴承的性能退化程度。通过对轴承不同故障程度数据以及对轴承全寿命实验数据的分析验证了该评估模型的可行性,所提出方法能够准确反映故障程度的加深并持续跟踪故障发展趋势。     

基于VMD-SVM的滚动轴承退化状态识别

针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解(VMD)与支持向量机(SVM)相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量(IMF),然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine,简称SVRM）的预测效果对比,验证了提出方法的有效性。     

基于支持向量回归的滚动轴承性能退化状态研究

滚动轴承在全寿命阶段都处于性能不断退化的过程,对其退化状态进行有效而精确的评估能够有效避免机械设备发生相应的事故,也能为维修保障提供更直观的参考依据。运用小波包分解对滚动轴承振动信号进行特征提取,可以得到更全面的特征信息;针对特征过多不利于模型构建,采用等距特征映射(ISOMAP)这一非线性的降维方法对多个特征降维从而得到能够反映其退化状态的退化指标(DI)。并结合滚动轴承工程实际运用,对健康阶段和故障阶段区分开来构建相应的模型,从而更准确地预测滚动轴承的退化状态。最后通过试验数据验证了此方法的有效性,在性能退化状态的预测上达到了理想的效果。     

基于VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

基于支持向量数据描述的剩余寿命预测方法

为了解决工业设备关键部件的故障预测问题,基于支持向量数据描述(SVDD),定义了表征设备部件健康状态的退化指数,并由此提出一种剩余寿命预测方法。首先利用小波包分解从历史传感器状态监测数据中提取特征向量;然后通过粒子群优化算法选择能够使训练集退化指数取值的变化趋势更加接近指数规律的核函数参数,进而利用目标部件处于健康状态的特征向量训练SVDD模型,得到相应的超球面;最后通过待测样本点和SVDD超球面间的距离计算退化指数,确定目标部件的健康状态并预测其剩余寿命。最后通过实验验证了所提剩余寿命预测方法的有效性。     

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EMD和逻辑回归的轴承性能退化评估

为准确地评估滚动轴承的性能退化状态,提出了一种基于经验模态分解(empirical mode decomposition,EMD)和逻辑回归的评估方法。首先,提取轴承振动信号的本征模函数(intrinsic mode function,IMF)能量作为特征向量;其次,以轴承正常状态数据和失效状态的特征向量建立逻辑回归模型,获取回归参数;最后计算轴承信号全寿命周期的评估指数(confidential value,CV)。评估结果表明,该方法能及时发现早期故障,也能很好地描述轴承性能退化的各个阶段。     

基于EEMD和SVM的滚动轴承退化状态识别

为准确识别滚动轴承退化状态,提出一种集合经验模态分解和支持向量机相结合进行滚动轴承的退化状态识别方法。采用集合经验模态分解对原始信号进行分解、降噪、信号重构和故障类型诊断,通过遗传算法和支持向量机优化提取状态识别特征,利用滚动轴承退化状态概率分布以及历史剩余寿命来确定其最优退化状态数目,以建立退化状态识别模型。从不同退化状态的测试数据中提取出经过遗传算法优化删选后的特征向量,将其输入用遗传算法进行参数优化的支持向量机中进行退化状态的识别分类。实验结果表明,该方法可以实现滚动轴承退化状态的准确识别。     

HDLMD及JRD在滚动轴承性能评估中的应用

针对微分局部均值分解(Differential local mean decomposition,DLMD)方法中微分次数计算缺乏理论指导以及传统性能退化指标无法准确表示滚动轴承在全寿命阶段上当前状态的问题,提出了一种基于HDLMD(Hilbert-differential local mean decomposition,HDLMD)和JRD(Jensen-Renyi divergence)的滚动轴承性能评估方法.该方法首先对原始振动信号进行HDLMD分解,提取乘积函数(Product function,PF)矩阵;然后,基于拉普拉斯分值(Laplacian score,LS)选择包含最多故障信息的PF分量;再计算筛选之后的有效PF分量的概率分布,得到有效PF分量的Renyi熵值;最后,计算正常信号与不同故障程度信号之间的JRD距离,并判断滚动轴承的退化状态.通过凯西斯储大学(Case western reserve university,CWRU)滚动轴承实验数据和NASA(National aeronautics and space administration)全寿命周期数据实验表明,本文所提方法可以准确、有效地评估轴承性能的退化状态.     

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life,简称RUL）预测困难的问题,提出了基于均方谐噪比（mean square harmonic noise ratio,简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter, 简称RPF）相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。     

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。     

废旧滚动轴承再制造质量评价方法

滚动轴承作为长期处于高速、高负荷运行状态下的零部件,其再制造的质量将极大地影响再制造产品的寿命周期。对再制造后滚动轴承的4种状态进行测试,分析其产生的质量问题,并提出了一种基于小波包分解和BP神经网络相结合的滚动轴承再制造质量评价方法。首先对再制造后的滚动轴承进行不同状态下的振动信号采集,利用小波包分解对信号进行预处理,得到信号的能量特征;接着将此能量特征转化为特征向量并作为BP神经网络的输入,在经过训练后的网络中对其进行测试,从而来对信号进行识别,达到确定再制造轴承的质量状况的目的。     

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。