联合频域相关分析和改进粒子滤波的滚动轴承寿命预测方法

为了解决滚动轴承退化状态识别难、剩余使用寿命（Remaining Useful Life, RUL）预测误差大这两个关键问题，提出一种联合频域特征相关分析及改进粒子滤波的寿命预测方法。基于滚动轴承在退化过程中频域特征存在短期相似性和长期差异性这一特点，对不同时间序列傅里叶变换后的幅值谱进行相关分析，构建平均相关系数（Average Correlation Coefficient, ACC）曲线。当ACC达到设定阈值时，利用初始故障时间（Degradation Initial Timepoint, DIT）将轴承状态划分为正常和损伤两阶段。利用损伤阶段的归一均方根值作为观测样本输入，构建考虑了全局指数式退化趋势与局部波动双重因素的粒子滤波（Dual Factor Particle Filter, DFPF）模型，实现粒子分布校正并完成RUL预测。试验结果表明，所提方法相比传统的均方根值法和峭度法能够更准确地识别轴承初始故障时间。在寿命预测精度方面，相比传统粒子滤波（Particle Filter, PF）算法，所提方法减小了异常观测值对预测趋势的影响，具有更高的RUL预测精度。     

滚动轴承寿命预测的相似性匹配优化方法研究

传统相似性寿命预测方法忽视退化过程的局部演变特性,导致预测精度较低;传统时、频域等特征指标难以实现早期故障监测,且退化后期局部波动较大。引入高斯函数趋势拟合策略,提出改进的相似性匹配优化方法。提出基于高斯混合模型的Jensen-Renyi散度健康指标,准确跟踪滚动轴承退化演变趋势。由于实际全生命周期退化信号难以大量获取,因此构建双指数函数模型,模拟退化信号,并验证仿真数据扩充参考字典集的有效性。采用高斯函数拟合退化数据并提出参数相似性原则,实现剩余使用寿命预测。滚动轴承全生命周期退化实验数据分析结果验证了所提方法可以有效提高剩余寿命预测精度。     

结合LSTM和Self-Attention的滚动轴承剩余使用寿命预测方法

为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命（Remaining Useful Life,RUL）的预测精度,提出了一种结合长短期记忆（Long-ShortTermMemory,LSTM）和自注意力（Self-Attention）机制的神经网络模型（LSTM-SA）用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM-SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self-Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Stan...     

基于多频率尺度模糊熵和ELM的滚动轴承剩余寿命预测

针对滚动轴承剩余寿命预测问题,利用经验模态分解对滚动轴承全寿命振动信号进行分解,得到有限个IMF分量,对这些IMF分量分别进行模糊熵分析,提取出滚动轴承故障特征信息,得到多频率尺度模糊熵值。然后采用PCA进行降维,建立滚动轴承性能退化评估指标。把经PCA融合后的IMF模糊熵值输入到ELM极限学习机中,训练ELM预测模型,对滚动轴承进行短期退化趋势预测,以及剩余寿命预测,并与经PCA融合后的IMF样本熵值的预测性能进行对比,证明所提指标的预测精度较高且预测结果趋于保守,更适合用于滚动轴承的剩余寿命预测。     

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

基于SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life, RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman filters)和Bayes结合的滚动轴承性能退化建模与剩余使用寿命预测方法。结合滚动轴承振动信号性能监测数据,采用SKF方法识别出轴承性能退化的变点;利用随机效应指数退化模型描述轴承性能退化过程,结合同类轴承性能数据给出模型未知参数极大似然估计;利用KF单步预测对当前时刻监测数据进行修正,基于Bayes方法对模型中的随机参数进行实时更新,推导出轴承剩余使用寿命分布模型,计算滚动轴承剩余使用寿命;通过对滚动轴承试验数据分析,验证了该方法的适用性和有效性。     

基于相似度特征融合和CNN的滚动轴承剩余寿命预测

滚动轴承作为机械系统中非常重要的部件之一，其剩余使用寿命的精确预测对系统保障具有重大意义。针对单个特征参量对滚动轴承性能退化过程表征的片面性与局限性，提出一种基于相似度特征融合、卷积神经网络的滚动轴承剩余使用寿命预测方法。通过计算时域和频域特征的时间序列与对应时间矢量的皮尔逊相关系数，构造相似度特征，再基于单调性和趋势性对特征进行敏感特征筛选，采用主成分分析法对筛选所得特征进行融合，构建健康指标，将其输入一维卷积神经网络退化模型进行训练，实现对轴承剩余寿命的预测。实例验证，与传统模型相比，该方法有更低的预测误差，对轴承的剩余寿命预测效果较好。     

双指数粒子滤波模型的硅泡沫材料剩余寿命预测

针对传统基于模型的硅泡沫材料长时使用寿命评估方法存在的物理模型解释性差、预测精度不高等问题,本文提出了一种双指数粒子滤波模型的剩余寿命预测方法。选取硅泡沫结构的载荷保持率作为特征量,基于硅泡沫材料的应力松弛失效机制,建立了更具解释性的双指数应力退化模型。首先利用最小二乘法对观测数据进行拟合,初始化模型参数和健康状态,然后通过贝叶斯理论对历史样本进行状态跟踪建模,更新状态传递函数,实现载荷保持率退化趋势预测和剩余寿命评估。通过仿真和实验验证了双指数粒子滤波模型预测硅泡沫材料剩余寿命的泛化适用性和准确性,同时与传统指数模型预测结果进行了对比,结果表明本文所提方法预测精度和稳定性更优。     

基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network, TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%～77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。     

基于威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测

为有效描述滚动轴承的退化趋势,提出结合威布尔分布及最小二乘支持向量机的滚动轴承退化趋势预测新方法。用威布尔分布形状参数作为滚动轴承的性能退化指标,将该指标作为最小二乘支持向量机的输入构造退化趋势预测模型。鉴于最小二乘支持向量机模型参数对模型的推广预测能力影响较大,选粒子群算法(PSO)优化最小二乘支持向量机模型参数,并用实测滚动轴承全寿命实验数据进行检验。结果表明该方法能获得准确的预测结果。     

一种基于UPF的轴承剩余寿命预测方法

剩余寿命预测能够确保系统的安全性、可用性与高效工作,并且能够降低维修费用,因而成为状态维修中的一个重要课题。基于模型的寿命预测方法主要包含两部分内容:退化模型构建和系统状态估计。粒子滤波算法(PF)是一种广泛用于系统状态估计的方法,已经应用于轴承剩余寿命预测中,但PF方法存在粒子退化问题。提出一种基于无迹粒子滤波算法(UPF)的轴承剩余寿命预测方法。利用随机过程模型对轴承退化过程进行建模,再利用UPF算法对轴承的退化状态进行追踪,并更新模型参数。使用试验数据对提出方法进行验证,结果表明:与PF方法相比,该方法能在一定程度上降低粒子退化程度,进而更加准确地预测轴承剩余寿命。     

融合多源数据的非线性退化建模与剩余寿命预测

针对目前基于单个传感器剩余寿命预测方法存在预测精度不高的问题,该文提出一种融合多源传感器数据的非线性退化建模与剩余寿命预测方法。该方法包括复合健康指标的构建、模型参数的估计和传感器融合系数的确定,在确定融合系数后,结合设备历史寿命数据与实时监测数据,利用Bayesian参数更新公式推导出设备的剩余寿命概率分布,实现设备的剩余寿命在线预测。最后通过由商用模块化航空推进系统仿真生成的发动机退化数据集进行仿真实验,结果表明该文所提方法能够有效提高设备剩余寿命预测的准确性。     

融合失效样本与截尾样本的滚动轴承寿命预测

针对常规寿命预测方法依赖于失效样本、无法有效利用截尾样本的局限性,提出一种融合失效样本和截尾样本的滚动轴承寿命预测方法。基于函数型主成分分析方法对反映轴承退化的特征量建立趋势模型,将各特征量分解为均值、特征向量和主成分得分向量;通过最小化截尾样本与失效样本主成分得分向量间的相似性指标估计各截尾样本最优寿命值;基于特征量趋势模型估计各样本全寿命阶段内特征值,生成训练数据;采用最小二乘支持向量机建立预测模型用于轴承寿命估计。滚动轴承寿命预测试验表明该方法能利用截尾样本提高寿命预测精度,且对一定程度的数据缺失具有鲁棒性。     

基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测

针对现有滚动轴承性能退化趋势预测方法存在退化指标选取困难、预测精度较低的问题,提出基于自编码器和门限循环单元神经网络的滚动轴承退化趋势预测方法。首先,构建轴承振动信号混合域高维特征集,采用指标综合评价值初步筛选敏感性高、趋势性好的性能退化指标;然后,利用自编码器融合高维特征集,消除混合域特征之间的冗余信息;在此基础上,将融合后的特征输入门限循环单元(gated recurrent unit, GRU)神经网络模型以完成滚动轴承退化趋势预测。试验结果表明,所提方法能获得更加准确的滚动轴承退化趋势预测结果。     

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。     

齿轮箱状态识别与剩余寿命预测的MoG-BBN法

基于混合高斯输出贝叶斯信念网络模型的齿轮箱退化状态识别与剩余寿命预测新方法,应用聚类评价指标对全寿命过程退化状态数进行优化,通过计算待识别故障特征向量的概率值来确定齿轮箱退化状态,在退化状态识别的基础上,提出了剩余寿命计算方法。再利用齿轮箱全寿命实验数据对此进行验证。结果表明,该方法可以有效地识别齿轮箱故障状态并实现剩余寿命预测,平均预测正确率为96.47 %,为齿轮箱的健康管理提供参考。     

无限隐Markov模型在缺失数据轴承退化趋势预测中的应用

相比较于在完整数据下设备性能退化预测，缺失数据下的预测是更加困难的，也是更有意义的。然而，现有的轴承性能退化预测方法都未考虑缺失数据下的预测，基于此，提出了一种基于无限隐马尔可夫模型的缺失数据下轴承退化预测方法。在提出的方法中，通过建立无限隐马尔可夫预测模型，预测了滚动轴承样本数据在振荡阶段所缺失的数据点，形成新的完整数据。同时，再使用建立的预测模型对新的完整数据进行单步预测。实验结果表明，与真实值对比，得到的预测数据具有较小的平均误差值；对比真实值、完整数据下的预测值和新的完整数据下的预测值，验证了提出方法的有效性，能够反映滚动轴承退化的变化趋势。提出的方法可为数据缺失下滚动轴承的退化趋势预测提供一种思路，具有重要的理论价值和工程应用价值。     

基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测方法研究

提出了基于混合高斯输出贝叶斯信念网络模型的设备退化状态识别与剩余使用寿命预测新方法,将变量消元和期望最大化算法相结合对模型进行推理,应用聚类评价指标对状态数进行优化,通过计算待识别特征向量的概率值来确定设备当前的退化状态,在退化状态识别的基础上,提出了剩余使用寿命预测方法。最后,分别应用50组轴承全寿命仿真数据和3组轴承全寿命实验数据对模型进行验证。结果表明,该模型可有效地识别设备的退化状态并对剩余使用寿命进行预测。     

基于1DDCNN和PCA信息融合的滚动轴承FLHI智能提取方法

滚动轴承故障预测方法的核心在于健康指数(HI)的构建,绝大部分已经提出的HI都是基于专家经验人工构造的,且往往只能适用于部件某一特定退化阶段的趋势分析。为解决上述问题,结合振动信号的一维特性,提出一种基于一维深度卷积神经网络(1DDCNN)结合主成分分析(PCA)的滚动轴承全寿命健康指数(FLHI)智能提取法;利用1DDCNN对原始时域信号自适应提取特征,深度挖掘能够表征研究对象健康状态的退化特征矩阵,而后利用PCA法对提取的特征矩阵进行融合,从而实现研究对象的FLHI智能提取。滚动轴承试验振动信号实测结果表明,相较于传统健康指数,FLHI在趋势性、鲁棒性和单调性方面更具有优势。