轴承温度区间预测与稳定性分析试验研究

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。本文所做试验通过轴承温度检测装置,测试了不同时刻下轴承的温度服役信息,获得两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,以后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。     

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。     

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。     

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。     

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。     

基于多元回归法的酸洗线和镀锌线用轴承维修策略

针对传统维修导致设备"带病工作"和"无病诊断"的现象,以视情维修为基础,设计了一种基于多元回归法的轴承温度预测方法,该方法能够对采集的数据进行合理筛选,有效提高模型的预测精度,减少因轴承温度偏高而产生的维修费用,有效降低维修成本和设备故障率。     

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.     

基于贝叶斯理论的双列圆锥滚子轴承可靠性分析

为了研究高速火车轴承的可靠性,结合该轴承实际工作状况,采用定时截尾的方法进行仿真试验,试验获得数据为无失效试验数据。针对试验得出的无失效数据,通过改变贝叶斯估计的先验分布区间大小,进行传统贝叶斯可靠性估计。以实际工作过程中的可靠度为约束条件,确定先验分布的区间范围。得出的结论与理论值进行对比,效果较好。研究成果,可为火车轴承的可靠性预测提供理论参考。     

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。     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

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。     

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。     

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于特征选择的轨道车辆轴承温度预警方法

在现有轨道车辆轴承温度预警研究中,因监测数据复杂度不一致导致特征难以选择,同时现有预警方法往往只能在轴承故障发生前的几分钟进行预警,为此,提出一种基于特征选择的轨道车辆轴承温度预警方法.首先采用皮尔逊系数计算特征相关性后分析引入关联轴承,然后依据线性相关性将低线性相关特征数据与关联轴承数据一起输入LightGBM模型,以对特征进行再次选择;其次,利用大量正常状态下的履历数据,基于深度学习模型双向门控循环单元构建轴承温度预测模型;最后利用某轨道车辆实测数据进行预警方法验证.结果表明:对于正常轴承,轴承温度预测模型的温度预测值和实际值的差异小于4℃且稳定;而对于异常轴承,在轴承故障发生前的数小时即可发现两者间存在大于4℃以上的持续显著差异.     

基于谱峭度和AR模型的滚动轴承故障诊断

提出基于自回归(Autoregressive,简称AR)预测滤波的谱峭度分析方法,将其应用于滚动轴承的早期故障诊断。通过结合AR预测滤波器提取轴承故障信号共振衰减成分的特性,利用谱峭度方法对AR预测滤波器滤波后的信号进行处理,实现了滚动轴承早期微弱故障的识别。通过滚动轴承的疲劳全寿命加速实验获取滚动轴承的自然故障信号,克服了传统轴承故障诊断人工加工故障的不足。通过试验数据的分析表明,基于AR预测滤波的谱峭度方法不仅能够消除干扰成分提取故障特征,还能增加谱峭度方法的稳定性。     

基于稳健理论的一种精密轴承性能退化评估方法

精密轴承的性能演变过程可以实现轴承性能评估及寿命预测,对精密设备运行的可靠性与安全性有重要意义。针对精密轴承性能演变的未知分布特征,文中基于稳健理论,采用中位数估计与Huber M估计融合方法研究其性能稳健性及置信水平。为有效在线监测精密轴承性能的演变过程,提出了一种基于稳健理论算法的精密轴承性能退化评估方法。首先,对服役期间轴承振动数据进行定时采集,构成评估对象;然后,用中位数估计与Huber M估计融合方法进行稳健数据分析,以中位数与平均值接近的程度为稳健标准,按照Huber M方法分析采集数据的稳健性,获取不同时间阶段轴承性能的稳健数据与显著性水平;最后,根据参数非参数方法特征,获取轴承性能本征区间、变异率、中位数,以及平均值特征构成评估体系,评估精密轴承性能演变的动态过程。实例验证结果表明：该评估体系参数的变化趋势与滚动轴承性能变化趋势保持一致,变异率与轴承性能失效评价标准完全一致,可以很好评估精密轴承性能退化。因此,该方法无需知道性能数据的分布及置信水平,可以很好地评估精密轴承的性能退化。