滚动轴承自适应组合状态预测方法研究

滚动轴承的状态预测组合模型中配比权重多为固定权重,自适应动态调整权重的组合型状态预测方法较少。为解决此问题,提出一种基于ARIMA与Elman的轴承自适应组合状态预测方法;采用IMS提供的轴承加速性能退化数据集进行验证。结果表明：使用单一ARIMA模型的预测相对误差为3.95%,使用单一Elman模型的预测相对误差为5.62%,而使用文中提出的变权重Elman-ARIMA组合预测模型的平均相对误差为3.22%,低于2种单一预测模型,预测结果具有更高的可靠性,证明了组合预测方法的可行性。     

机床热误差非线性组合预测模型研究

在精密及超精密加工过程中,数控机床热误差是影响加工精度的一项重要误差源,最经济和有效地减少热误差的方法是热误差补偿技术。针对热误差补偿预测模型的预测精度问题,提出一种非线性组合预测模型。该预测模型利用灰色关联度方法对单项预测模型进行筛选,对筛选出的单项预测模型基于不同优化准则进行线性组合,通过广义回归神经网络对该线性组合模型进行非线性组合,得到非线性组合预测模型。误差预测结果表明:对比典型的BP神经网络预测模型,非线性组合预测模型的预测精度更高,最大误差由4.78μm减小到0.7μm。     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络（CNN-LSTM）相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络（CNN）、长短时记忆神经网络（LSTM）进行对比实验。结果表明：所提方法CNN-LSTM有着较高的预测准确度。     

输气管道腐蚀的最优灰色组合预测模型

    在不等时距序列灰色预测的基础上,提出了适用于输气管道腐蚀的不等时距最优组合灰色预测模型.首先,选用两种模型精度较高的不等时距灰色预测方法建立了输气管道腐蚀预测的单项模型,然后,利用最小二乘意义下的模型误差最小化方法确定出各单项灰色预测模型的权重,建立了最优组合预测模型.此预测模型综合利用了参与组合的各单一模型的有效信息,因而可以更加客观地反映输气管道腐蚀变化趋势.通过实例对比分析结果表明,此模型预测精度较高,可以作为输气管道腐蚀预测的有效工具.     

卧式加工中心空间精度预测及量化验证

为提高卧式加工中心整机加工精度,且针对卧式加工中心精度预测模型难以量化验证的问题,基于旋量理论建立了精度预测完备模型,在此基础上提出了一种新的精度预测模型量化验证方法.首先,以旋量理论为研究基础,并借助旋量指数积建立了某多自由度机器人末端运动学正解;其次,在分析了卧式加工中心几何误差的基础上,结合该机床运动链分析结果构...     

基于LSTM与ARIMA组合模型的高炉煤气产生量预测

通过分析煤气产生量的数据特点,采用LSTM循环神经网络和ARIMA两种预测模型建立钢铁企业高炉煤气产生量预测模型,经验证LSTM模型性能明显优于BP神经网络,但是其预测结果值比真实值普遍偏低,而ARIMA模型的预测结果值比真实值普遍偏高。基于上述现象,提出了一种基于LSTM与ARIMA组合预测模型,将两种模型的预测结果采用CRITIC方法进行融合处理。结果表明,组合模型明显改善了两种模型在预测特性上的弊端,将预测结果的均方根误差减小为2.325,更贴近真实值,提高了预测精度。     

基于CSPA-Informer的滚动轴承剩余寿命预测北大核心

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。     

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。     

基于STL分解的平均故障间隔时间组合预测

由于影响数控机床刀架系统平均故障间隔时间的因素较多,采用单一的模型作预测无法充分提取已知数据中的隐含信息,导致预测困难。应用基于STL进行时间序列分解的组合模型预测算法,将原始故障数据分解为趋势项、季节项和随机项,应用指数平滑法和支持向量机回归分别对前两项数据进行预测,根据时序分解的加法模型将其结合,得到组合模型预测结果,并将组合模型与单一的预测模型进行对比分析。实例证明:组合模型预测优于单一模型预测。此方法应用于MTBF的预测,有助于工作人员针对故障发生时间点提前采取措施,同时为数控机床可靠性评估提供了新的研究方法。     

融合轧制机理和深度学习的带钢精轧宽度预测

宽度精度是热轧带钢成形过程的重要指标,准确预测精轧宽度有助于及时修正粗轧宽度设定模型,提高成品带钢的宽度精度。然而,依据轧制机理建立的宽度预测模型偏离实际工况从而精度较低,依据神经网络建立的模型由于过程黑箱导致可信度低。为此,提出了一种融合轧制机理和人工神经网络的热轧带钢精轧宽度组合预测模型,以基于Hill公式的机理模型计算精轧宽度的预测基准值,以基于深度置信网络(DBN)的深度学习模型预测精轧宽度的修正值。选取实际生产的2 730组数据中的49个特征值作为试验数据进行建模分析,结果表明:该组合模型预测精度高、稳定性好且预测时间短,其均方根误差为0.428 15 mm,相比机理模型降低了79.6%,相比神经网络模型降低了6.2%,实现了精轧宽度的高精度预测。     

机电设备趋势状态的支持向量机智能预示

将支持向量机用于某机组振动烈度的预示，并运用FPE(Final Prediction Error)准则优化嵌入维数，采用径向基函数和适当的损失函数，取得了较好的预测效果，证明该算法对机电设备运行状态的监测与故障趋势具有较好的预示能力。     

基于改进Lemaitre损伤模型的圆锥滚子孔型斜轧过程损伤预测

根据圆锥滚子热斜轧成形过程中的特点以及轧件的受力状态分析,改进了传统的Lemaitre损伤模型,充分考虑了正、负静水压应力状态下损伤演化的差异性,以及应变速率和变形温度变化对损伤演化的影响。将改进的Lemaitre损伤模型借助SIMUFACT平台的二次开发技术嵌入到圆锥滚子孔型斜轧有限元模型中,创建了圆锥滚子孔型斜轧的损伤预测模型。同时,采用同样的建模技术建立了轴承钢球孔型斜轧损伤预测模型,并与文献中的实验结果对比,验证了改进的Lemaitre损伤模型的可靠性。圆锥滚子孔型斜轧损伤预测模型的模拟结果表明,圆锥滚子热斜轧过程中损伤程度较大的区域主要为连接颈轴心及靠近连接颈轴心的区域,而且滚子小端心部损伤程度明显大于滚子大端。     

基于ANN和SVM的轴承剩余使用寿命预测

为了提高现代制造业设备的可靠性和高效性,轴承剩余使用寿命(RUL)的预测已经成为越来越重要的研究方向.提出一种基于人工神经网络(ANN)和支持向量机(SVM)的轴承剩余使用寿命预测方法.该方法首先将获取的18维反映轴承衰退的时域特征和频域特征输入到ANN模型中做特征抽取,再将输出的18维特征向量作为SVM模型的输入,进...     

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。