轴承温度区间预测与稳定性分析

通过温度检测装置测试了不同时刻下轴承的工作温度信息,获得2套轴承温度时间序列,每套包含50个数据。基于灰自助法对每组数据序列进行区间预测,利用前6个温度数据进行预报分析,后44个数据进行模型验证。预测结果表明,温度预测区间几乎包含所有试验值,误报率小,精度高。然后基于模糊集合理论进行轴承温度稳定性评估,挖掘出轴承温度变化趋势的本质特征及其性能退化迹象。     

基于灰自助法的轴承温度区间预测的数学模型研究

轴承温度是影响主轴系统刚度和运转精度的主要因素,若能实时预测轴承温度区间波动及其稳定性信息,可及时发现轴承工作性能失效隐患。基于灰自助法对每组数据序列进行区间预测,利用温度数据进行预报分析,对相关数据进行模型验证,预测结果表明温度预测区间几乎包含所有实验值,误报率小,精度高。然后基于模糊集合理论进行轴承温度稳定性评估,有效挖掘出轴承温度变化趋势的本质特征。     

滚动轴承振动性能序列动态预报研究

为了对轴承振动性能序列进行动态预报,将自助法与最小二乘法进行有效融合,提出了一种基于自助-最小二乘线性拟合的轴承振动性能序列动态预报模型。首先,采用自助法对紧邻的10个振动数据进行了模拟抽样,构造出了当前状态下多组振动侧面信息,将每组轴承振动信息利用自助-最小二乘法进行了线性拟合;然后,运用最大熵原理获得了拟合系数a和c的概率密度函数、真值及估计区间,进而得到了滚动轴承振动时间序列的真值拟合与区间拟合;通过不断更新紧邻的10个振动数据,实现了滚动轴承振动性能真值与区间的动态预报;最后,采用某轴承3个服役时间段的振动性能案例,对轴承振动性能序列动态预报模型的准确性进行了验证。研究结果表明：采用预报模型获得的预报值与实际值可保持良好的一致性,其最大预报误差仅为14.73%,同时预报区间差值小、精度高;该振动性能序列动态预报模型可较好地对应用于工程实际中的轴承进行健康监测及安全诊断。     

轴承性能时间序列的概率信息求取及退化分析

针对轴承性能时间序列概率信息求取及退化分析问题,对轴承振动、温度、摩擦力矩3种性能时间序列进行了研究,提出了一种基于自助最大熵法的概率密度函数,以及模糊等价关系的退化指标量化方案。利用自助最大熵原理,建立了轴承性能时间序列训练组的概率密度函数;依据验证组落入函数区间的频率证明了模型的准确性;根据模糊集合理论提取了轴承性能信号中的模糊等价关系,结合0.5阈值参数进行了轴承退化特征评估。研究结果表明:轴承振动、温度的区间误报率分别为2%和4%,最小退化系数分别为0.600和0.609,表明概率信息求取较为准确,且轴承的服役状况良好;轴承摩擦力矩区间误报率较高,为66%,最小退化系数为0.477,相对于训练组,验证组的变异显著,说明轴承具有明显的退化迹象。     

基于形态分形维数与改进ELM的轴承故障预测

将形态分形维数作为轴承故障预测特征量,形成轴承故障预测特征量序列。同时,为优化极限学习机(ELM)预测模型,综合考虑模型的精度、预测趋势及稳定性,提出一种序列关联度系数及其计算方法,对ELM预测模型进行优化,并利用提取的故障预测特征量序列对模型进行训练。用轴承全寿命数据进行验证,结果表明,形态分形维数的变化情况较好反映了轴承性能退化的过程,改进的ELM预测模型实现了对轴承故障的有效预测,且其精度及稳定性较原始ELM预测模型有一定提高。     

基于深度信念网络的风机主轴承状态监测方法

提出了一种基于深度信念网络（DBN）的风电机组主轴承状态监测方法。为了降低建模难度并减少训练时间,首先利用相关系数法选取建模变量,进而建立主轴承正常行为的DBN温度模型并用于主轴承温度预测。该模型克服了传统神经网络随机初始化网络权重、易陷入局部最小值等缺点,能有效提高主轴承温度的预测精度。然后采用指数加权移动平均法（EWMA）对主轴承温度残差序列进行分析,并利用核密度估计方法确定故障阈值。最后基于实测的数据采集与监视控制（SCADA）系统数据对主轴承故障进行模拟。结果表明,与传统预测方法相比,该方法能有效地实现主轴承的异常状态监测。     

深沟球轴承振动的灰自助评估

利用乏信息理论中的灰自助融合与灰预测,建立深沟球轴承振动特征参数的动态灰自助频率函数,并对振动特征参数进行区间估计、动态不确定度分析及基于振动时间段的稳定性分析。结果表明:动态不确定度可以准确描述深沟球轴承基于振动时间点的数据波动状况;平均不确定度可以定量而准确地描述轴承基于振动时间段的数据波动及离散状况,且试验结果与计算结果非常接近,满足工程需要。     

滚动轴承性能稳定性及可靠性分析

以摩擦力矩电流信号时间序列表征滚动轴承服役期间性能运转状况,将时间序列分段处理并建立本征序列;基于灰关系,对轴承运转过程中每段摩擦力矩电信号进行排序,分别与本征序列相匹对进而获取灰置信水平;以灰置信水平的大小判定轴承运转的性能稳定性情况。然后将所分数据段自助再抽样,用最大熵法建立其概率密度函数,在所对应灰置信水平下获取估计区间;凭借计数过程,模拟出变异强度的原始信息;基于泊松过程建立可靠性函数,实时监测滚动轴承性能可靠性演变历程。仿真案例与试验研究表明:所提模型可真实监控轴承运转的性能稳定性及可靠性,有效解决具有不确定的强烈波动和趋势变化的时间序列问题。     

基于小波及非线性预测的轴承故障诊断方法

在非线性时间序列预测研究的基础上,提出非线性预测效果的特征提取方法.首先对采集到的足够长轴承数据采用小波变换进行消噪处理及边界延拓,使其满足预测需要的无限长、无噪声的条件,这样延迟时间取任意值均能重构原系统相空间;然后采用基于可预测性的选取嵌入维数的方法确定轴承各种状态信号的嵌入维数,进行相空间重构.应用实验结果表明:该方法提取的特征值能明显地区分轴承各种状态信号,且对数据分段长度的稳定性好,可以作为识别轴承故障的一种新途径.     

基于PCA和多变量极限学习机的轴承剩余寿命预测

提出了一种基于主成分分析(PCA)和多变量极限学习机(MELM)的轴承剩余寿命预测方法。该方法首先利用PCA技术融合多个表征轴承运行状态与衰退趋势的时域频域特征指标来消除特征间的冗余性和相关性;进一步在单变量极限学习机(ELM)的基础上构建多变量极限学习机模型来预测轴承剩余寿命。该方法克服了传统单变量极限学习机结构简单、信息匮乏等缺点,能有效提高轴承剩余寿命的预测精度。运用全寿命轴承振动数据对模型进行验证,结果表明,相比单独应用ELM模型或MELM模型,基于PCA和MELM剩余寿命预测方法具有更高的预测精度和稳定性。     

用灰自助泊松方法预测滚动轴承振动性能可靠性的变异过程

将灰自助原理融入泊松过程,提出灰自助泊松方法,以预测滚动轴承振动性能可靠性的变异过程。凭借时间序列的计数过程,在短时间区间内获取轴承振动表现出的变异强度的极少量原始信息;经过对变异强度原始信息的自助再抽样,模拟出变异强度的大量生成信息;用灰预测模型处理生成信息,获取变异强度估计值;用泊松过程表征可靠性函数,实时预测轴承振动性能可靠性的变异过程。轴承振动时间序列可靠性的试验研究表明,性能可靠性变异状态可以被真实描述,预测值与检验值具有很好的一致性。     

基于神经网络和维修窗的轴承维修建模

运用前馈神经网络对轴承寿命分布进行预测,并提出了基于维修窗的维修决策模型。首先运用神经网络对轴承寿命分布的均值和方差进行预测,从而得到轴承的寿命分布,提出基于维修窗的维修决策模型,并与基于阈值限维修模型进行对比。并对不同的维修窗位置与最优维修点的关系进行分析。通过运用轴承全寿命退化数据对模型进行验证,计算出两种模型的维修费用率,得出在一定的时间区间采用基于维修窗的维修决策模型优于阈值限维修模型的结论。     

基于二元维纳过程的轴承剩余寿命预测

提出了一种基于二元维纳过程的轴承剩余寿命预测方法。首先,分析轴承两个相互垂直方向上的振动信号,分别构建表征轴承健康状态的性能指标;其次,针对轴承性能退化过程的特点,建立基于维纳过程的二元退化模型;然后,利用AIC(akaike information criterion)信息准则选择合适的Copula函数分析两个性能指标间的相关特性,并计算轴承剩余寿命的联合概率密度函数;采用极大似然估计法在线更新模型参数,预测轴承未来时刻健康状态的变化情况并得到其剩余寿命;最后,通过轴承数据对所提方法进行了验证分析,结果表明,所提方法能够有效的预测轴承的剩余寿命,与基于一元维纳过程的剩余寿命预测方法相比,具有更好的预测精度。     

基于MATLAB的齿轮箱轴承故障预诊与健康管理系统开发

设计开发了基于MATLAB的齿轮箱轴承故障预诊与健康管理无忧运行系统。该系统可对原始机床轴承振动数据进行特征提取和信息融合,并采用复合轴承健康评估算法定量计算轴承运行时候的健康度,对轴承样本进行故障识别。最后,预测预判模块可实现轴承剩余健康寿命的预测,实现轴承全生命周期的管理。     

基于变分模态分解和极限学习机轴承寿命预测

提出了一种基于变分模态分解(VariationalModeDecomposition,VMD)谱熵和极限学习机(ExtremeLearningMachine,ELM)的轴承寿命预测方法。首先,对轴承的振动信号提取变分模态分解谱熵特征,组成表征轴承健康因子的时间序列。其次,对健康因子时间序列进行变分模态分解并提取时间序列的趋势项,ELM对趋势项预测实现对轴承剩余寿命的预测。实例验证,VMD-ELM模型的对轴承健康因子时间序列的预测有良好的精度,准确预测了轴承的劣化趋势和轴承的剩余寿命。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

基于随机森林算法的改性水润滑轴承摩擦性能预测*

为验证随机森林算法在预测改性水润滑轴承摩擦学性能上的可行性,利用Python编写算法,并通过已知实验数据进行仿真建模。通过已知数据对算法的准确性进行验证,其接受者操作特征（ROC）曲线的均值为0.85,证明模型的准确性较高。在不同温度及载荷工况条件下通过实验对预测模型进行验证,实验结果与预测结果间的误差均在5%左右,表明构建的随机森林模型可以用于改性水润滑轴承的摩擦学性能预测。研究结果表明：温度对于该改性水润滑轴承的平均摩擦因数有较大的影响,而负载对平均摩擦因数的影响较小,但是对于轴承的运转稳定性影响较大。     

基于PIPs样本优化的机车车辆轴温实时预测方法

建立了一种基于最小二乘曲线拟合的轴温预测模型,并采用PIPs对样本进行优化改进,提高了预测精度。首先基于PIPs对建模样本点进行优化选择,选取历史温度数据中能表征温度变化趋势的重要点作为建模样本点,再利用最小二乘曲线拟合法建立实时温度预测模型对机车车辆轴承温度进行实时预测。以某型机车车辆履历轴承温度数据为例,采用本文模型对任意时刻温度的后5分钟温度进行预测,将预测结果与实际监测结果进行连续对比,验证了所建立的轴温预测模型及其改进模型的有效性:基于最小二乘曲线拟合预测模型的综合平均相对误差为3.47%,综合最大相对误差为20.27%,而进行PIPs改进后的综合平均相对误差为2.67%,同比降低了23.05%,综合最大相对误差为16.67%,同比降低了17.76%。     

基于振动时间序列的汽车轮毂轴承寿命威布尔估计

振动时间序列能够表征轴承的状态演变过程，该状态演变过程包含着疲劳特征信息，故采用威布尔估计方法分析汽车轮毂轴承疲劳寿命试验中监测的振动时间序列，将振动时间序列划分为多个子序列并开展统计分析以研究不同序列中威布尔分布参数的变化。对不同型号汽车轮毂轴承疲劳寿命试验数据的分析结果表明：大多数子序列的形状参数和尺度参数会在一定范围内波动，总有个别子序列会发生显著波动，说明威布尔估计方法能应用于轴承状态演变分析并能提前预报轴承的疲劳失效。     

基于UKF的轴承剩余寿命预测方法研究

针对轴承从早期故障发生到失效的非线性退化问题,提出一种基于无迹卡尔曼滤波算法(UKF)的轴承剩余寿命预测方法。该方法包括轴承性能评估和剩余寿命预测两个部分。在性能评估部分,首先利用轴承振动信号建立反映其健康状态的指数,基于对正常工作时指数的学习获得用于判断轴承健康状态的异常阈值并截取出轴承从早期故障发生到失效这一性能退化阶段的数据;在剩余寿命预测部分,利用双指数函数拟合分析轴承退化数据,构建出与轴承退化过程相符的非线性状态空间模型,模型参数利用Dempster-Shafer方法进行初始化后采用UKF算法对其进行更新,并预测轴承的剩余寿命。基于轴承全寿命周期试验数据的分析,结果显示所提方法有效地评估了轴承的健康状况,通过对比分析其他剩余寿命预测方法,发现所提方法较好地预测了轴承的剩余寿命。