基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。     

基于离散小波变换和变分自编码器的滚动轴承剩余使用寿命预测

针对噪声导致轴承振动信号有效退化信息难以提取的问题,采用离散小波变换对信号进行分解得到细节分量和近似分量,提取多种敏感特征输入变分自编码器进行融合降维来构建综合性能退化指标,从而有效抑制信号中的噪声分量,获得更有单调趋势性的退化指标;引入经过超参数优化的长短时记忆网络构建滚动轴承剩余寿命预测模型,采用分层抽样方法划分数据集并输入预测模型进行试验验证,结果表明：基于离散小波变换和变分自编码器所得深层退化特征能有效表征轴承的退化信息,获得更精准的轴承剩余使用寿命预测结果。     

流形模糊C均值方法及其在滚动轴承性能退化评估中的应用

滚动轴承全寿命周期性能退化监测是设备主动维修技术重要的组成部分,对损伤状态进行有效评估可以实现设备接近零停机运行,发挥机器的最大生产力。为有效描绘滚动轴承性能退化趋势,提出一种基于流形学习的模糊C均值(Fuzzy C-means algorithm,FCM)方法。首先提取监测信号的时域、频域特征及小波包时频域特征组成高维特征集,然后按确定的本征维数提取高维特征集的低维流形特征,进而建立基于局部线性嵌入流行学习(Locally linear embedding,LLE)的模糊C均值模型评估轴承当前运行状态。通过IMS滚动轴承全寿命试验,验证了该方法能够有效描绘滚动轴承性能退化阶段,为预知维修提供了重要信息。     

滚动轴承性能退化趋势预测综述

滚动轴承作为旋转机械的重要零部件之一,其在工业中占有重要的地位,其可靠性直接影响设备能否安全、稳定运行.文章首先阐述了滚动轴承性能退化趋势预测的研究意义;接着梳理了滚动轴承性能退化趋势预测中关键难点性能退化指标构建对故障特征提取、降维和融合方法,然后进行了有效的性能退化趋势预测模型分类.最后,对滚动轴承性能退化趋势预测...     

基于非线性降维和模糊均值聚类的滚动轴承的性能退化在线评估方法

为了得到滚动轴承的性能退化趋势,并且实现对滚动轴承退化指标的在线实时监测,提出基于局部线性嵌入(LLE)和模糊C均值(FCM)的滚动轴承性能退化在线评估方法,首先用自回归(AR)模型和小波包分解提取早期无故障信号和同型号同位置失效滚动轴承(简称同类轴承)的失效信号的特征,用LLE方法对总特征非线性降维,然后建立模糊C均值,将待测信号特征提取后通过保持模型不变连续迭代的方式输入到FCM模型中,用待测样本到正常和失效聚类中心的欧式距离作为性能退化指标,最后用滚动轴承外圈故障实例和希尔伯特包络解调验证提出方法的有效性和实用性。     

小波包能谱构建综合评估函数的轴承退化评估

针对传统的时域、频域特征不能明显地表征滚动轴承的早期退化特征的问题,提出了一种小波包能量谱结合主成分分析构建综合评估函数的滚动轴承早期性能退化评估方法。该方法以采集到的轴承正常工作时的振动信号作为训练样本,对样本进行小波包能量谱计算,得到高维特征向量;再利用主成分分析方法降维并建立综合评估函数对早期性能退化区的数据进行判断。运用实测的滚动轴承全寿命实验数据进行检验,结果表明该方法能实现对滚动轴承早期性能退化的评估。     

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%。     

基于TSNE和AW-SVR的滚动轴承退化状态预测

针对滚动轴承存在故障提取信息冗余、非平稳突变故障预测效果不佳的问题,提出了一种基于t分布随机近邻嵌入算法(T SNE)和自适应加权支持向量回归(AW-SVR)相结合的滚动轴承退化状态预测方法.该方法首先提取了滚动轴承的时域和频域指标,组成原始特征向量;然后通过T_SNE算法进行特征降维,获得二维退化特征集,并利用相对均...     

基于DBN-SVDD的滚动轴承性能退化评估方法

针对现有性能退化评估方法需要人工经验筛选特征指标,难以获取轴承故障状态下振动信号的问题,提出了一种基于深度置信网络(DBN)和支持向量数据描述(SVDD)相结合的滚动轴承性能退化评估方法。该方法以滚动轴承正常状态下的归一化幅值谱作为DBN的输入,利用DBN中的RBM构建特征自动提取模型,通过SVDD构建评估模型。使用不同工况下滚动轴承全寿命周期试验数据的分析表明,该方法能够很好地揭示轴承性能退化规律,而且摆脱了特征选择的人为干预,可以准确检测出滚动轴承早期微弱故障。     

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。     

基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估

滚动轴承是旋转机械中最重要也是最容易出现故障的零部件之一,如果能对滚动轴承的性能进行实时监测评估就能及时做出维修策略,故建立了自回归(AR)模型,提取滚动轴承全寿命周期的AR模型的自回归系数和残差,对提取到的特征降维后建立自联想神经网络(AANN)以及FCM模型,然后将AANN模型的输出与输入向量之差作为特征向量输入到FCM模型中,得到性能退化指标,再用实例对结论进行验证。实验表明,文中提出的性能退化方法得到的结论与轴承加速疲劳试验得到的结果是一致的。     

基于时序可拓的滚动轴承性能退化评估方法研究

针对滚动轴承性能退化方法研究问题，提出了基于时序可拓的滚动轴承性能退化方法研究。首先利用自回归AR模型提取振动信号的特征，然后将所得的特征进行最值归一化处理，再用Fisher比对归一化处理后的特征进行打分降维，最后将降维后的特征向量输入到可拓学模型中，进而对轴承性能进行定性定量评估，通过实验并且用包络谱分析验证结论的准确性，实验表明所提的方法能有效发现早期故障。     

基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别

滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。     

基于T-SNE样本熵和TCN的滚动轴承状态退化趋势预测

为了能够尽早发现滚动轴承开始出现显著退化的临界状态,精准预测滚动轴承的状态退化趋势,提出了T-分布随机近邻嵌入(T-SNE)样本熵状态退化特征指标和基于时间卷积网络(TCN)的轴承状态退化趋势预测方法。首先利用T-SNE算法提取原始振动信号的低维流形特征,再计算低维流形特征的样本熵作为状态退化特征,最后基于历史状态退化特征通过TCN算法预测轴承的状态退化趋势。实验结果表明,相较于传统特征指标,T-SNE样本熵特征指标能够至少提前50 min发现滚动轴承开始出现显著退化的临界状态,且TCN算法的预测误差仅为0. 45%,具有较高的工程应用价值。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

基于GG模糊聚类的滚动轴承退化阶段划分研究

针对滚动轴承退化特征提取以及性能退化阶段准确划分的问题,采用Logistic混沌映射,对谱熵在复杂度演化中的变化规律进行了研究。提出了一种基于均方根、谱熵、"弯曲时间参数"特征以及GG模糊聚类的滚动轴承退化阶段划分方法,并采用IMS轴承实验中心的滚动轴承全寿命试验数据进行了实例分析。研究结果表明:谱熵参数能够有效描述性能退化过程中的复杂度变化规律,对复杂度变化十分敏感,计算速度快;引入的Curved Time参数能够反映退化状态在时间尺度上的集聚特性,更符合机械设备的性能退化规律,因此GG模糊聚类方法能够实现对轴承等机械设备性能退化阶段的准确划分。     

基于多域特征与高斯混合模型的滚动轴承性能退化评估

视情维修可避免维修不足与维修过剩等问题,滚动轴承性能退化程度量化评估是实现视情维修的基础。提取滚动轴承早期无故障振动信号的时域、频域特征构建多域特征矢量,建立无故障轴承高斯混合模型(GMM)。将轴承后期振动信号的多域特征矢量输入该GMM模型,得到测试样本与无故障样本之间的量化相似程度,以此建立多域对数似然概率(MDLLP)值作为滚动轴承性能退化定量指标。MDLLP的取值上限为1,便于实际使用中确定轴承性能退化状态。轴承疲劳试验表明,该方法能及时发现轴承早期故障,并能很好地跟踪故障发展趋势,最优特征的选择与变换对评估效果具有较大影响。     

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型.为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术.最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别.     

改进Logistic回归模型的滚动轴承可靠性评估方法

为解决滚动轴承可靠性难以评估的问题,提出了一种基于改进Logistic回归模型(improved logistic regression model,简称ILRM)的滚动轴承可靠性评估方法。首先,计算滚动轴承的时域、频域和时频域特征,选出有效特征组成相对高维特征集;其次,利用主元分析(principal component analysis,简称PCA)选取贡献率大于95%的主元,作为改进Logistics回归模型的协变量;最后,利用改进Logistic模型求取滚动轴承的可靠度并绘制可靠度曲线。该方法可以提取轴承退化的有效特征量;兼顾轴承的退化趋势,能够真实反映轴承的状态;消除信号随机波动对可靠度预测的影响。通过辛辛那提大学智能维护中心(intelligent maintenance systems,简称IMS)滚动轴承全寿命试验,验证了该方法的有效性。     

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。