基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network, CNN)和长短时记忆(Long and Short-Term Memory, LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。     

基于CNN-BiLSTM网络及注意力机制的智能滚动轴承剩余寿命预测方法

为了充分利用数据间的时序特性,实现对滚动轴承剩余使用寿命(RUL)的精确预测,提出了一种基于卷积神经网络(CNN)和双向长短时记忆网络(BiLSTM)的滚动轴承RUL智能预测方法。首先,提取出数据中的12个时域特征和4个频域特征作为神经网络的输入;然后,设计了一种基于注意力机制的CNN-BiLSTM算法,对输入数据进行了退化特征提取,并进一步解决了BiLSTM在远距离信号传输中信息丢失的问题;最后,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台,验证了所提方法的有效性,并将其结果与FCNN、CNN-BiLSTM和CNN-LSTM-AM算法所得结果进行了对比分析。研究结果表明:与采用其他方法所得结果相比,采用本文所提方法得到的轴承RUL预测RMSE值分别降低了25.85%、7.32%和10.59%,Score得分则分别提高了3.65%、2.12%和1.58%,该结果验证了本文所提方法在轴承RUL预测应用方面的优越性。     

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。     

基于ResNeXt网络的滚动轴承剩余使用寿命预测

为了准确掌握滚动轴承剩余寿命信息,评估轴承的退化状态,提出了一种基于深度学习理论的卷积神经网络模型,对轴承剩余使用寿命进行预测。通过选取最新的ResN eX t作为网络骨干,设计卷积神经网络模型。该网络模型可以堆叠大量的卷积层从而抽取到丰富的语义特征,即使在训练数据较少时仍然具有很好的泛化能力。最后在公开数据集上对算法进行了训练和验证,表明该方法可以根据滚动轴承的振动信号较为准确地对轴承的剩余使用寿命进行预测。     

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。     

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型：其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明：与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、...     

基于并行多通道卷积长短时记忆网络的轴承寿命预测方法

在预测轴承剩余使用寿命时,数据间的时序特性是一个可以利用的重要隐藏信息。为了更好地提取具有时序信息的特征用于预测,提出了一种基于并行多通道卷积长短时记忆网络(PMCCNN-LSTM)的剩余使用寿命预测模型。该模型主要由两部分组成:前端为并行多通道卷积网络(PMCCNN),提取信号特征,挖掘数据的时序特性,并采用逐层训练和微调的方式提升参数的收敛性;后端为长短时记忆(LSTM)网络,基于特征进行剩余使用寿命预测,并采用加权平均的方法对预测结果进行平滑处理。在一个轴承加速寿命实验的公开数据集上使用留一法验证了该模型的准确性,实验结果表明:所提模型的平均误差与最大误差分别比传统的卷积神经网络(CNN)低23.38%和15.84%,比传统的LSTM低24.14%和19.01%,比卷积长短时记忆网络(CNN-LSTM)低30.32%和23.09%。     

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。     

基于劣化机理的轴承剩余使用寿命预测

滚动轴承作为工业设备的关键部件之一,一旦发生故障容易造成严重损失。因此提出了一种基于Paris公式相关轴承劣化理论和扩展卡尔曼滤波结合的剩余使用寿命预测方法,通过选用10个特征参数构成备选特征集,基于单调性、鲁棒性、相关性进行特征评估,结合等距特征映射法对敏感特征集进行特征融合,得到单个敏感特征值进行剩余寿命预测,最后针对试验获取的振动信号分别用基于劣化机理的模型和指数模型进行对比,验证了其有效性。     

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。     

深度卷积长短期记忆网络的轴承故障诊断

针对传统数据驱动故障诊断方法难以从轴承信号中自适应提取有效特征、没有充分利用故障数据的时序特点以及缺乏自适应处理动态信息能力的问题,提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法.本文方法构建的深度模型能够从轴承原始信号中自适应地提取鲁棒性特征,然后利用长短期记忆网络学习特征中的时间依赖关系实现了高...     

一种基于空间卷积长短时记忆神经网络的轴承剩余寿命预测方法

传统的基于数据驱动的轴承剩余预测方法仍需要一定的先验知识,比如:特征指标选取、健康指标构建、失效阈值选定等等.预测结果严重依赖人工经验,为了克服这一缺点,基于深度学习方法提出了一种用于轴承剩余寿命预测的新方法,该方法的核心包括健康指标构建和剩余寿命计算.首先提出了一种无需先验知识的基于空间卷积长短时记忆神经网络(Con...     

线性回归与EEMD的滚动轴承剩余寿命预测

滚动轴承的剩余使用寿命(Remaining useful life,RUL)预测是轴承健康管理的关键一环。然而,对于滚动轴承RUL预测的两个关键问题:开始预测时间点(Start prediction time, SPT)的选择;对于寿命虚假波动的处理。为了解决这两个问题,提出一种基于数据驱动的滚动轴承RUL预测方法。该方法先利用集合经验模态(Ensemble empirical mode decomposition,EEMD)对振动信号进行降噪处理,然后依靠均方根(Root mean square,RMS)梯度来选择SPT点进行RUL预测,最后,在RUL预测的同时,使用线性回归来进行寿命虚假波动修复。为了验证方法的有效性,采用仿真模拟数据,以及真实数据进行了验证。实验结果表明,所提出的方法能够有效选择合适的SPT以及修复寿命虚假波动。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以...     

振动图像结合CNN的轴承振动信号分析方法研究

本文以强背景噪声下振动信号特征提取和建模分析为研究目标,提出将振动信号转换为振动图像的信号变换方法,以深沟球轴承故障诊断振动信号和轴承质量等级评估振动信号为实验数据集,基于振动图像的卷积神经网络模型（VI-CNN）,并采用正确识别率（CRR）作为模型精度的评价指标。实验结果表明:对于轴承故障诊断和质量等级评估的定性判别,采用VI-CNN对比其他建模方法正确识别率分别为100%和98.16%,模型有更好的稳健性。     

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。     

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。     

一种融合多传感器数据的数模联动机械剩余寿命预测方法

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有据可依,推动机械剩余寿命预测进入了大数据时代.但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战.基于模型的寿命预测方法大多仅针对单一监测...