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。     

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。     

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。     

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。     

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SCADA温度数据的风电机组发电机驱动端轴承异常识别方法

为及时识别发电机驱动端轴承的异常运行状态，利用风电机组数据采集与监视控制(SCADA)系统参数序列之间存在的内在相关性，提出一种基于协整和向量误差修正模型的发电机驱动端轴承异常识别方法。首先，对所选温度SCADA参数序列的平稳性进行检验，分析各参数的单整阶数；然后，通过协整检验来确定所选参数之间的长期均衡关系；最后，在协整关系的基础上构建适用于温度SCADA参数的向量误差修正模型，计算模型预测残差的均方根误差，使用指数加权移动平均值设定阈值对发电机驱动端轴承的运行状态进行监测。利用内蒙古某风场的一组发电机驱动端轴承故障数据进行验证，结果表明该方法能有效识别发电机驱动端轴承的异常状态，及时发现早期故障。     

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。     

轴承实测波纹度的动力学建模与振动特性分析方法

针对基于实测波纹度来预测轴承振动特性的研究方法较少的问题,提出了一种基于插值重采样的轴承实测波纹度动力学建模方法。以NU307E型圆柱滚子轴承为例,建立轴承波纹度的动力学模型,通过对轴承外圈、内圈和滚子的实测波纹度数据进行插值重采样,获得波纹度离散序列,并将其耦合到振动模型,建立轴承实测波纹度动力学模型进行仿真分析。最后进行了试验,验证了建模方法的正确性。     

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.     

角接触轴承寿命的灰色预测分析

文中利用灰色预测研究方法对角接触轴承的寿命进行计算与分析。研究结果表明,灰色预测理论可以在原始实验数据不充分的情况下,通过建立模型构造角接触轴承磨损寿命数据序列,解决由于实验数据不足而造成的结果偏差。利用灰色预测研究方法对角接触轴承进行寿命测试,不但可以减少实验的经费,而且可以缩短试验时间,与传统的可靠性评估相比更具优势。     

基于产品设计数据的装配序列定量化评价方法

为充分利用产品三维模型与仿真数据,客观评价可选装配序列,提出一种基于区间逆序数和逼近理想解法的装配序列综合评价方法。建立了包含零件级和系统级指标的装配序列综合评价指标体系,针对零件级指标引入区间逆序数方法进行定量化评价,同时定义了各个系统级指标的定量化方法。采用逼近理想解法方法综合评价候选装配序列,确定最佳序列。以某航天产品某部件的三种装配序列为例,验证了该方法的有效性和实用性。     

基于多SVM误差加权的轴承剩余寿命预测

针对传统的以概率统计为基础的轴承寿命预测方法需要大量的轴承寿命试验数据,且运行周期较长,难以满足特定工况下轴承寿命状态预测的问题。通过多SVM的预测误差进行加权获得轴承的剩余寿命。首先采集多个轴承的全过程寿命振动数据,针对获取的多个轴承的振动数据进行特性提取并利用主成分分析进行特性约简,实现对轴承运行寿命评估特性指标的建立,并利用粒子群算法改进的多个支持向量机模型进行剩余寿命预测建模,利用所建立的多个模型对要预测的轴承特征数据进行预测,并通过各个模型的误差权重来实现轴承剩余寿命的准确预测。通过实验分析验证了模型的有效性。     

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 CFD 和 LightGBM 算法的建筑室内温度 全局预测模型

温度控制对建筑节能意义重大,室内温度准确预测是建筑温度精确控制的前提。本文提出一种基于计算流体动力学(CFD)和LightGBM算法的建筑室内全局温度预测模型实现对同一时间全局温度模拟和全局时间序列温度变化预测。基于空间建筑结构、传感器精度范围和实际温度控制范围简化的CFD简化模型满足精度要求同时解决了数据冗余的问题,更具备实践性。在此基础上通过LightGBM和LSTM算法模拟全局区域温度空间序列变化规律,采用LightGBM算法预测温度时间序列变化实现对室内温度全局预测。试验采用某地区烟草储存库全年建筑运行数据和室内外温度监测数据,构建室内全局温度预测模型,通过实际测量温度数据实验验证,建筑全局5 h温度分布预测准确系数为0.955 4,60 h温度范围预测准确系数为0.994 0,对比ANN,BP,LSTM算法,本文模型平均准确系数提高0.022 4~0.014 7。