预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。     

基于时频图像融合的轴承性能退化特征提取

基于数据驱动的轴承寿命预测方法主要采用轴承信号的滤波系数、时域和频域的统计量等作为反映轴承性能退化的特征量。进一步研究发现,这些指标要么对轴承早期缺陷敏感度不够,要么缺乏寿命预测所需要的上升或下降的性能退化特征。由于轴承在制造和工作过程中存在较多随机因素,即使同一种轴承在同一种工况下的工作寿命也会存在差异。因此,寻找一种稳定有效的特征值来刻画轴承的退化状态是十分重要的。提出基于时频图像融合的轴承性能退化特征提取方法。采用平滑伪威格纳-维尔分布(Smoothed pseudo Wigner-Ville distribution,SPWVD)表征轴承振动信号的时频能量分布特征,并利用灰度共生矩阵的统计特征作为轴承的性能退化特征;同时利用图像融合方法将同一轴不同方向的振动信号加以综合利用,消除一些随机因素对性能退化特征的影响。采用2012 PHM Competition的轴承数据集,验证了该方法在轴承的性能退化特征提取中的有效性。     

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。     

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。     

基于支持向量回归的滚动轴承性能退化状态研究

滚动轴承在全寿命阶段都处于性能不断退化的过程,对其退化状态进行有效而精确的评估能够有效避免机械设备发生相应的事故,也能为维修保障提供更直观的参考依据。运用小波包分解对滚动轴承振动信号进行特征提取,可以得到更全面的特征信息;针对特征过多不利于模型构建,采用等距特征映射(ISOMAP)这一非线性的降维方法对多个特征降维从而得到能够反映其退化状态的退化指标(DI)。并结合滚动轴承工程实际运用,对健康阶段和故障阶段区分开来构建相应的模型,从而更准确地预测滚动轴承的退化状态。最后通过试验数据验证了此方法的有效性,在性能退化状态的预测上达到了理想的效果。     

基于SVDD及ARIMA融合模型的给水泵退化状态监测方法

给水泵的退化状态监测对相关工业生产的有序运行具有重要意义。文中提出了一种给水泵退化状态监测方法,通过评估设备的健康状况和性能对设备退化趋势进行预测。该方法包括数据采集、特征提取、安全域构建、退化表征、退化过程建模和退化趋势预测6个步骤。该方法使用最易获取的健康数据作为训练集来构建安全域模型,然后利用超空间中更好的特征提取能力对退化过程进行表征和预测,最后使用异常数据测试预测模型的性能。文中使用一组真实的给水泵工业监测数据进行验证,并提出了一种退化趋势预测的评价方法。该方法通过5个量化指标从退化表征和预测性能两个维度对退化状态监测效果进行评估。实验结果表明,该方法不但较好地反映了给水泵的实际退化,而且实现了高精度的退化趋势预测,为给水泵智能运维提供了可靠的决策依据。     

基于声发射信号的机械密封寿命预测

针对国内外对机械密封寿命预测研究不足,不能明确退化模型等问题,提出了基于声发射特征抽取和SVR的机械密封寿命预测方法。首先基于声发射技术通过实验采集了多组机械密封的全寿命数据,对数据进行小波去噪,并进一步进行小波包分解,从中提取能够表征机械密封运行状态的时频域特征以及其他统计特征;利用KPCA对高维特征进行降维处理,再通过马氏距离进行特征融合得到机械密封退化指标,将之作为SVR的输入训练退化模型。实验结果显示,基于声发射特征提取的机械密封寿命预测方法有着较好的泛化能力和较高的精度。     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于融合FCM-SVDD模型的滚动轴承退化状态识别

针对滚动轴承在长期工作过程中性能会出现不同程度的退化,提出一种融合FCM-SVDD模型的方法。利用自回归模型(AR)对轴承全寿命周期数据进行特征提取,再将提取的特征参数经过归一化处理后,用正常和失效样本特征建立模糊C均值(FCM)模型,用正常样本的特征数据建立支持向量数据描述(SVDD)模型,再将测试样本特征输入建立的FCM和SVDD模型得到的两个退化指标,将得到的退化指标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。描绘性能退化曲线,并对信号进行包络谱分析,验证初始故障位置。结果表明该方法对轴承初始故障点更加敏感,退化趋势更加明显,利用美国辛辛那提大学智能维护中心的轴承全寿命周期数据验证该方法的有效性和优越性。     

基于改进MF-DFA的液压泵退化特征提取方法

针对液压泵振动信号通常具有非线性强和信噪比低的特点,提出了一种基于改进多重分形去趋势波动分析(multi-fractal detrended fluctuation analysis,简称MF-DFA)的液压泵性能退化特征提取方法。首先,引入滑动窗口技术改进传统MF-DFA方法在时间序列数据分割过程中存在的不足,提高了MF-DFA方法的计算精度;然后,利用改进的MF-DFA方法计算液压泵多重分形谱参数,分析了不同分形谱参数对液压泵退化状态的反映能力,选取奇异指数α0和多重分形谱宽度Δα作为退化特征量;最后,以液压泵不同退化状态下的实测数据为例验证了该算法的有效性。试验结果表明,该方法能够准确提取液压泵退化特征,提高了退化状态识别的准确率。