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VMD和ELM＿AdaBoost滚动轴承剩余寿命预测

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM＿AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析（PCA）进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM＿AdaBoost预测模型中,训练ELM＿AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM＿AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。     

基于AOA-LSTM的施工升降机电机轴承剩余寿命预测

针对施工升降机电机轴承剩余寿命预测问题,提出一种基于算术优化算法（AOA）和长短时记忆网络（LSTM）融合算法的轴承剩余寿命预测方法。首先,对原始振动信号提取时域和频域特征指标,利用随机森林算法对提取的特征指标进行重要度分析,并构建退化特征决策表;然后,通过AOA优化算法优化LSTM中的超参数,选择最优超参数建立预测模型;最后,把退化特征输入预测模型中进行预测,并通过均方根误差（RMSE）和平均绝对误差（MAE）评估预测模型。XJTU-SY数据集实验验证,结果表明：AOA-LSTM模型RMSE和MAE分别为5.56%和4.37%,与MLP模型相比,RMSE和MAE分别降低31.58%和29.61%;与循环神经网络（RNN）模型相比,RMSE和MAE分别降低24.66%和25.49%,验证所提方法的有效性。     

基于性能退化的数控机床剩余寿命预测

数控机床寿命预测技术是数控机床健康管理和维修维护的关键技术,面向数控机床研究基于性能退化的剩余寿命预测方法。在分析了剩余寿命与性能退化规律和性能阈值分布有关的基础上,建立单性能退化的维纳过程模型和融合多性能退化的维纳过程模型,从而得到数控机床的多性能退化量分布模型。依据失效原则,得到数控机床的性能阈值分布模型。由此,建立基于阈值分布的剩余寿命预测模型得到剩余寿命概率密度函数。在数控机床进给系统试验平台上进行试验,验证了融合多性能退化的维纳过程模型和剩余寿命预测方法的正确性和有效性。     

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。     

多参数相似性信息融合的剩余寿命预测

针对常规基于相似性信息的寿命预测方法的退化指标难以建立的问题,提出一种多参数相似性信息融合的剩余寿命预测方法。该方法并不进行退化指标的建立,而是利用单个原始参数数据直接进行基于相似性的寿命预测,然后将各参数对应的寿命信息进行融合得到设备的剩余寿命。为提高信息融合时的合理性,给出一种以相关性Spearman系数为基础的设备退化敏感性关键参数量化筛选及剩余寿命融合权重分配方法,结合各参数对应的剩余寿命信息,加权融合实现设备的剩余寿命预测。实验结果表明,相比于常规方法,所提方法在剩余寿命预测的准确性及改善预测精度方面更具优势。     

基于性能衰退的航空发动机剩余寿命组合预测方法

以民用航空发动机为研究对象,运用性能退化可靠性理论和贝叶斯更新方法,对发动机的剩余寿命进行了研究.首先通过分析发动机性能退化过程,利用贝叶斯更新方法得到了基于性能衰退信息的航空发动机剩余寿命分布;然后利用免疫粒子群优化算法建立了航空发动机剩余寿命组合预测模型.实例证明:该方法预测精度明显高于各个参与组合的预测模型,可操...     

基于核密度估计的实时剩余寿命预测

现有的许多设备由于自身故障样本数据不足、少有同类故障样本数据等,寿命预测研究时往往需要进行模型结构假设及参数估计。针对这类研究方法估计不够准确的问题,提出一种基于核密度估计的非参数实时剩余寿命预测方法。该方法利用能表征部件连续退化的特征量构建退化分布的核密度估计模型,进而得到剩余寿命的概率分布函数。在实时监测不断获得新的退化特征数据后,利用已知样本的核密度估计不断递推更新得到新增样本后的核密度估计,从而进一步实现对预测剩余寿命分布的更新。通过实例分析,验证了该方法在剩余寿命预测中的有效性。     

基于加速退化试验的机械密封磨损寿命预测

针对目前机械密封应用领域高可靠性的要求,提出了基于随机过程的可靠性分析及磨损寿命预测方法。以密封端面磨损量为研究对象,设计适用于机械密封的加速退化试验以获得磨损退化数据。基于退化模型Gamma过程描述其磨损退化过程,引入双应力逆幂率模型作为加速模型描述转速、弹簧力与退化速率间的关系,从而建立机械密封可靠性分析与寿命预测模型。通过极大似然估计法求解模型参数,结合加速模型外推出多个应力水平下的模型参数并进行失效概率分析,对机械密封在不同可靠度需求下的可靠寿命及不同工作条件下的平均寿命作出了预测。结果表明,Gamma过程适用于描述机械密封的磨损退化过程,通过双应力逆幂率模型外推获得各应力水平下的可靠度及寿命,此方法比传统的机械密封寿命预测方法具有更好的实用性和灵活性,可为密封产品确定维修周期及保证安全运行提供重要参考。     

基于ANFIS的外啮合齿轮泵寿命预测研究

从流量退化趋势的角度提出了基于自适应网络模糊推理系统的寿命预测方法。首先利用改进的集合经验模态分解(MEEMD)方法对加速退化试验的振动数据进行多尺度重构降噪,提取重构信号的峭度值、均方频率、小波包能量,与转矩、转速、压力信号作为齿轮泵性能退化特征;然后使用核主元分析方法(KPCA)进行多特征融合,进而实现外啮合齿轮泵退化评估指标的建立和分析;再利用其退化评估指标与流量信号作为输入量对自适应网络模糊推理系统模型(ANFIS)进行训练,得到的齿轮泵剩余寿命预测模型,为了进一步验证该算法的有效性将其与liner回归模型、三次指数预测模型算法进行了比较,最后基于蒙特卡罗样本扩充方法实现外啮合齿轮泵的可靠性评估。结果表明,该方法的结果与实际阈值的预测误差约为8%,能够对外啮合齿轮泵的寿命进行比较准确的评估。     

基于Wiener过程的功率变换器剩余寿命评估方法

针对功率变换器难以准确建立表征其性能退化过程物理模型的问题,提出一种基于Wiener随机过程的剩余寿命评估方法实现其剩余寿命预测。通过分析电路关键元器件退化对电路性能的影响,选用输出电压均值为DC-DC变换电路失效特征参数,利用Wiener过程建立电路性能退化模型,通过逐步递推预测寿命特征参数值并结合电路失效阈值从而实现功率变换器剩余寿命预测。以闭环SEPIC电路为例,分析了建模数据与建模尺度对剩余寿命预测结果的影响,实验验证了该方法的有效性。     

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。     

基于声发射数据融合与特征提取的起重机故障诊断

声发射特征的有效提取是起重机故障诊断和寿命预测的关键,且数据融合是通过融合多个原始特征来提取重要特征的方法。文中利用各种信号处理技术,从起重机重要部件的原始声发射信号中提取声发射特征,并采用随机森林方法从提取的特征中选择相关的特征子集。随后,选用8种降维方法对所选特征进行融合,来提取二维故障特征和健康指标。最后,利用巴氏距离和支持向量机验证故障诊断的准确性,计算出一种新的指标来选择合适的预测健康指标,并利用长短期记忆方法来预测起重机的剩余使用寿命,由实际工程中的起重机声发射数据验证了所提方法的有效性。     

基于支持向量数据描述的剩余寿命预测方法

为了解决工业设备关键部件的故障预测问题,基于支持向量数据描述(SVDD),定义了表征设备部件健康状态的退化指数,并由此提出一种剩余寿命预测方法。首先利用小波包分解从历史传感器状态监测数据中提取特征向量;然后通过粒子群优化算法选择能够使训练集退化指数取值的变化趋势更加接近指数规律的核函数参数,进而利用目标部件处于健康状态的特征向量训练SVDD模型,得到相应的超球面;最后通过待测样本点和SVDD超球面间的距离计算退化指数,确定目标部件的健康状态并预测其剩余寿命。最后通过实验验证了所提剩余寿命预测方法的有效性。     

基于Copula理论的多部件系统剩余寿命核密度预测方法

各类工业系统的功能结构日趋复杂,部件间存在复杂的随机相关性是进行系统剩余寿命预测建模中不可忽视的重要因素。针对多部件系统,在研究部件间随机相关性特征及其对连续退化状态影响的基础上,提出基于Copula理论的多部件系统实时剩余寿命非参数核密度预测方法。首先通过核密度估计得到各部件的退化分布函数;并采用Copula函数表征部件退化的随机相关性,利用赤池信息准则进行Copula函数优选;然后建立考虑存在连续退化随机相关性影响条件下可实时递推的部件剩余寿命预测模型;最后通过齿轮箱试验台进行试验,验证了所提模型的有效性和准确性。     

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。     

一种基于数据驱动和贝叶斯理论的机械系统剩余寿命预测方法

针对复杂机械系统剩余寿命预测问题,提出一种基于数据驱动方法和贝叶斯理论的机械系统剩余寿命预测方法。该方法基于数据驱动方法,对相同或相似系统的历史状态监测数据进行融合,并建立表征系统退化程度的健康指示量和预测剩余寿命的状态模型;基于贝叶斯理论,建立状态模型参数的贝叶斯模型;在此基础上,基于待估系统的实时状态监测数据和贝叶斯模型,利用马尔科夫链蒙特卡洛方法来更新模型参数并预测待估系统的剩余寿命;通过一个航空发动机的预测问题,来说明该方法的有效性。     

基于竞争失效的航空发动机剩余寿命预测

航空发动机作为典型的复杂机电系统,具有失效模式多样性的特点。多失效模式相互作用,实质上是竞争失效的关系,导致航空发动机剩余寿命预测的复杂性。针对航空发动机失效模式及失效规律特点,提出基于竞争失效的航空发动机剩余寿命预测方法,解决航空发动机健康管理的核心和关键问题。分析航空发动机两类失效模式——性能退化失效和突发失效的作用机制及相关性,构建基于竞争失效的航空发动机剩余寿命预测体系。结合航空发动机不同失效模式及数据特点,分别针对性能退化失效和突发失效建立剩余寿命预测模型。利用贝叶斯线性模型融合状态监测信息,建立航空发动机性能退化轨迹模型,实现针对不同性能退化情况下的航空发动机剩余寿命预测。以分析性能退化规律为基础,利用航空发动机故障信息,建立混合Weibull可靠性模型,量化性能退化失效对突发失效的影响,实现航空发动机突发失效剩余寿命预测。通过算例,验证提出方法的有效性。结果表明,考虑竞争失效的多模型剩余寿命预测技术能客观、准确描述航空发动机寿命变化规律。     

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。