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。     

气动准零非线性隔振器的刚度特性与参数调控

为解决滚动轴承剩余寿命预测问题，提出一种基于长短期记忆网络（long short-term memory, 简称LSTM）的剩余寿命预测方法。首先，从时域、频域及时频域特征中提取特征参数；其次，定义三个评价指标定量评估表征轴承退化过程的特征参数效果，筛选得到退化特征参数集，搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络；最后，用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明，该方法可以准确预测滚动轴承剩余寿命，并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机（support vector regression machine，简称SVRM）的预测效果对比，验证了提出方法的有效性。     

基于长短期记忆网络的滚动轴承寿命预测方法

为解决滚动轴承剩余寿命预测问题,提出一种基于长短期记忆网络(long short-term memory,简称LSTM)的剩余寿命预测方法。首先,从时域、频域及时频域特征中提取特征参数;其次,定义三个评价指标定量评估表征轴承退化过程的特征参数效果,筛选得到退化特征参数集,搭建长短期记忆网络预测模型并以归一化寿命值为标签训练神经网络;最后,用训练好的神经网络实现滚动轴承剩余寿命预测。通过滚动轴承全寿命试验证明,该方法可以准确预测滚动轴承剩余寿命,并与反向传播(back propagation machine,简称BP)神经网络和支持向量回归机(support vector regression machine,简称SVRM)的预测效果对比,验证了提出方法的有效性。     

KPCA和改进SVM在滚动轴承剩余 寿命预测中的应用研究

为解决支持向量机模型在预测滚动轴承剩余寿命时准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在剩余寿命预测中的应用进行了研究。采用核主成分分析方法融合轴承振动信号时域、频域特征指标并提取第一主成分评估轴承性能退化情况,并将满足要求的多个KPCA主成分作为输入,建立KPCA-LSSVM模型来对轴承剩余寿命进行预测。采用轴承全寿命试验数据对该方法的有效性进行验证,结果表明,该方法提取的轴承性能退化评估指标能够更为全面地表征轴承性能退化情况,建立的KPCA-LSSVM模型可在滚动轴承剩余寿命预测工作中获得良好的预测效果。     

PKPCA-LRM在滚动轴承性能退化评估中的应用

滚动轴承作为旋转机械最重要的零部件之一,其可靠性和寿命直接影响着机器的可靠性和寿命,为解决滚动轴承可靠性难以估计的问题,提出一种基于概率核主成分分析(Probabilistic Kernel Principal Component Analysis,PKPCA)和Logistic回归模型(Logistic Regression Model,LRM)的滚动轴承可靠性评估方法。首先提取轴承的时域、频域和时频域特征值组成高维混合域特征集,并引入相对特征值降低轴承个体差异;然后用PKPCA挑选能够表征轴承退化状态的特征值作为Logistic回归模型的协变量;最后用Logistic回归模型对滚动轴承可靠性进行评估。通过IMS滚动轴承全寿命试验,验证了该方法的有效性。     

基于混合域相对特征和FOA⁃XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法（fruit fly optimization algorithms,简称FOA）集成极限梯度提升树（extreme gradient boosting,简称XGBoost）的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明：所构建的退化评估模型比常用的支持向量回归（support vactor regerssion,简称SVR）模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。     

剩余寿命预测新方法及其在滚动轴承中的应用

针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life,简称RUL）预测困难的问题,提出了基于均方谐噪比（mean square harmonic noise ratio,简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter, 简称RPF）相结合的剩余寿命预测方法。首先,在局部均值进行信号分解的基础上,通过MSHNR指标实现轴承退化过程的特征提取;其次,分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型,并利用基于欧式距离的核函数实现重采样过程的改进,实现轴承健康状态评估和剩余寿命预测;最后,通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据,提高公众对核动力旋转设备运行的认识与信赖。     

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%。     

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。     

基于多分辨奇异值分解和ECNN-LSTM的滚动轴承寿命预测

针对现有滚动轴承剩余寿命预测时寿命特征表征能力不足的问题,提出了多分辨奇异值分解和ECNN-LSTM的滚动轴承剩余寿命预测方法.首先,采用多分辨奇异值分解方法获取滚动轴承全寿命振动时域信号中具有不同分辨率的近似和细节信号,以多分辨展现信号不同层次的概貌和细节特征;其次,根据初时刻标准差划分健康阶段,划分出滚动轴承平稳运行阶段和能提供退化信息的快速退化阶段;然后,在两层一维卷积神经网络结构上加入高效通道注意力机制模块,在不降维的情况下自适应调整卷积核进行多通道交互,充分自提取轴承退化特征;最后,利用MSE损失函数统一评价尺度,在LSTM上完成剩余寿命预测.通过辛辛那提全寿命数据进行验证,证明了所提方法的可行性和有效性.     

滚动轴承寿命动态预测新方法

由于传统可靠性分析方法是基于大量的失效试验数据和经验知识建立的静态模型,无法实现滚动轴承退化过程的跟踪以及准确进行可靠性评估和寿命预测,提出了基于主成分分析(principal component analysis,简称PCA)和相空间重构的滚动轴承寿命动态预测方法。首先,通过PCA将实时监测的多个滚动轴承性能指标进行融合;其次,使用相空间重构技术实现当前退化过程和历史退化过程的对比,得到寿命预测值,并结合历史失效时间进行统计推断,得到更准确的平均寿命。随着观测样本的不断积累,可实现平均寿命的动态更新。试验结果表明,本研究提出的动态寿命预测模型能够实时预测滚动轴承的寿命,具有较强的工程实用价值。     

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。     

GFD和核主元分析的机械振动特征提取

针对旋转机械非线性特征提取的问题,提出了广义分形维数(generalized fractal dimension,简称GFD)和核函数主元分析(kernel principal component analysis,简称KPCA)的旋转机械振动特征提取方法。首先,通过广义分形维数进行初次特征提取,形成高维特征空间;其次,通过核主元分析方法对高维特征空间降维并进行第二次特征提取;最后,利用核主元分析方法和KN近邻(KNN)方法对转子和轴承不同状态下的特征进行了分类。研究表明,GFD-KPCA方法对旋转机械进行了有效的特征提取,对不同状态的数据有高精度的分类,对参数选取有较低的依赖性。轴承微弱振动特征提取结果显示,GFD-KPCA性能优于常规的KPCA特征提取算法,具有更好的精度和适用范围。     

Classification of fault location and performance degradation of a roller bearing

Effective fault location classification and especially performance degradation assessment of a roller bearing have been the subject extensive research, which can reduce costs and the nonscheduled down time. In this paper, a new fault diagnosis method based on multiple features, kernel principal component analysis (KPCA) and particle swarm optimization-support vector machine (PSO-SVM) is put forward. First, traditional features of the vibration signals in time-domain and frequency-domain are calculated, and then two types of features referred to as singular values and AR model parameters based on ensemble empirical mode decomposition (EEMD) are introduced. After that, the original feature vectors are mapped into higher dimensional space and the kernel principal components are extracted as new feature vectors, which are used as inputs to PSO-SVM. The experimental results show that the new diagnosis approach proposed in this paper can identify not only the fault locations but also the performance degradation of the roller bearing.     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

基于Wiener过程的万能式断路器附件剩余寿命预测*

万能式断路器作为一个复杂的机械系统,其操作附件的剩余寿命预测对于维护断路器的可靠性至关重要。为准确掌握操作附件剩余寿命情况,提出了一种基于Wiener过程的万能式断路器操作附件剩余机械寿命预测方法。首先,通过对操作附件动作过程中线圈电流波形的分析选取了动作时间作为性能退化特征量;其次,考虑到断路器操作附件性能退化过程具有线性非单调的特点,采用Wiener过程建立了操作附件的性能退化模型,并利用极大似然估计法对退化模型参数进行估计;然后,基于首达时间的概念建立了剩余寿命预测模型,推导出剩余寿命概率密度函数解析式。最后对安装于万能式断路器上的分励脱扣器和释能电磁铁两种操作附件进行全寿命试验及其剩余寿命预测,预测结果验证了所提方法的有效性。     

基于CFOA-MKHSVM的滚动轴承健康状态评估方法

为了更有效评估滚动轴承性能退化程度,提出一种混沌优化果蝇算法(CFOA)与多核超球体支持向量机(MKHSVM)相结合的滚动轴承健康状态定量评估方法。该方法针对滚动轴承各状态数据分布不均匀、单一核函数分类存在局限性的问题,提出利用多核核函数的凸组合来优化超球体支持向量机。为消除人为选择分类器多参数的盲目性、避免果蝇优化算法陷入局部最优,将果蝇算法与混沌理论相结合,对多参数进行寻优。同时构建混沌优化果蝇算法-多核超球体支持向量机(CFOAMKHSVM)模型,并提出归一化差别系数评估指标。通过实验研究,与支持向量数据描述(SVDD)算法评估指标进行对比,验证了所提指标的有效性,实现了滚动轴承健康状态的定量评估。     

基于复合非齐次泊松过程的不完美维修设备剩余寿命预测

针对现有不完美维修设备剩余寿命预测方法难以准确反映设备真实维修规律的问题，提出一种基于复合非齐次泊松过程的不完美维修设备剩余寿命预测方法。基于非线性Wiener过程构建设备随机退化模型；假设不完美维修次数存在上限值，并据此建立基于复合非齐次泊松过程的不完美维修模型；然后，基于设备的随机退化模型与不完美维修模型构建综合退化模型，并采用极大似然方法估计模型参数；基于首达时间的概念，推导出不完美维修设备剩余寿命的概率密度函数。实例分析表明，所提方法能够有效提升不完美维修设备剩余寿命预测的准确性，具备工程应用前景。