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%。     

基于深度可分离卷积神经网络轴承剩余寿命预测

为进行轴承剩余寿命(Remaining Useful Life, RUL)预测,采用小波-谱峭度分析方法,首先对轴承振动序列信号进行小波包分解,并以谱峭度作为指标,确定故障特征频带并进行信号重构,然后,根据其频谱特征判断轴承是否发生故障,最终确定轴承振动序列信号的初始故障点(Incipient Fault Point, IFP)。在此基础上,将引入注意力(Attention)机制的一维深度可分离卷积神经网络用于轴承初始故障点之后振动信号特征的提取,相比传统卷积神经网络,深度可分离卷积层可减少网络训练参数个数,加快网络训练速度。实验结果表明,注意力机制的引入使网络能够聚焦信号中关键的特征,为重要特征赋予较大权重,避免人工处理特征的不足,利于有效特征提取,最终预测结果好于SVR、CNN、RNN等常用数据驱动方法。     

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（Convolutional long short-term memory neural network,ConvLSTM）的健康指标生成网络模型,该网络利用卷积神经网络的局部特征提取能力和长短时记忆网络的时间依赖特性,可直接从采集到的原始信号中挖掘反映退化程度的特征,构建健康指标,实现了高维原始数据向低维特征的映射转化,并利用Sigmoid函数将其归至[0,1]区间内,实现了阈值的统一;然后,利用粒子滤波更新双指数寿命模型,实现剩余寿命结果的输出。利用轴承全寿命试验对所提方法进行了验证,并与其他相关方法进行对比,结果表明本文方法所构建的健康指标具有更好的趋势性、单调性和鲁棒性,同时剩余寿命预测的准确率更高。     

结合声发射和卷积神经网络的轴承RUL预测方法

根据声发射信号具有对早期损伤敏感性高和频带宽等特点,提出一种结合声发射信号和卷积神经网络的方法,实现滚动轴承的RUL预测。该轴承RUL预测方法主要包括：对原始信号的分频段滤波和特征值提取得到高维特征集;将高维特征集组合成二维神经元作为卷积神经网络的输入,并构建和训练网络以达到预测剩余寿命的目的。通过从实验中得到的数据验证了该预测方法的可行性,并且具有较高的准确性。结合使用卷积神经网络后不但解决了特征值数量大和如何合理利用高维特征问题,而且还得到了较好的RUL预测效果。     

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RRMS的地铁牵引电机轴承剩余寿命预测

为了评估滚动轴承的可靠性和预测剩余寿命,提出一种基于RRMS特征和神经网络相结合的轴承剩余寿命预测方法。选取地铁牵引电机轴承为研究对象,首先在轴承疲劳寿命试验台上进行疲劳寿命试验,采集轴承振动信号;其次通过小波包对原始信号进行分解,提取振动信号的RRMS特征,将其作为表征轴承性能衰退变化趋势的指标,并确定轴承失效阈值;最后基于BP神经网络对轴承的剩余寿命进行预测。试验结果表明:预测值与实际值基本吻合,均方根误差小于0.015,验证了该方法的有效性。     

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。     

基于一维卷积神经网络的轴承剩余寿命预测

现有的轴承剩余使用寿命预测模型多依赖于对轴承的时域特征或频域特征进行降维后构建特征工程,然而可能丢失重要的信号信息,因此尝试利用轴承的振动水平加速度信号和垂直加速度信号,构建一维卷积神经网络实现对特征的自动提取,无需人工提取特征,并且基于人工神经网络的局部连接和参数共享机制,大大减少了训练参数,减少了训练时间。训练模型之前,通过设置轴承样本的开始退化点,使训练样本的剩余使用寿命值更为准确。研究发现,该模型能较为准确的对轴承的退化状态进行预测,进而预测剩余寿命。数据集来自于FEMTO-ST研究所的轴承退化数据集。     

基于卷积GRU注意力的设备剩余寿命预测

为了直接利用神经网络从采集的全寿命振动信号中自动提取特征信息,避免对人工提取特征的依赖,提出了一种基于卷积门控循环单元（convolutional gated recurrent unit,简称ConvGRU）注意力的剩余寿命预测方法。首先,对于采集的设备振动信号预处理,输入ConvGRU注意力模型,ConvGRU通过卷积神经网络（convolutional neural networks,简称CNN）提取设备状态的空间局部特征,门控循环神经单元（gate recurrent unit,简称GRU）提取时序特征信息,从而有效提取设备状态特征;其次,利用注意力机制对特征信息分配不同的权重;然后,进行中间网络层特征输出的可视化实验,验证了本研究方法特征提取的有效性;最后,进行了2个机械设备数据集PHM2012轴承数据集和NASA发动机数据集的实验,并与已有方法进行对比。实验结果表明,笔者提出的基于ConvGRU注意力的剩余寿命预测方法预测准确性更好,并具有较好的泛化性。     

基于TCN的滚动轴承振动趋势与剩余寿命预测研究

滚动轴承作为旋转机械的关键零件,在旋转机械的运行维护中是关注重点。对滚动轴承振动趋势和剩余寿命进行预测,可以有效地预防设备故障,减小故障造成的损失。近年来,随着机器学习和深度学习方法在计算机视觉、自然语言处理等领域的应用,越来越多的机器学习和深度学习方法被应用在滚动轴承的剩余寿命预测研究中。滚动轴承的振动数据,作为一种序列数据,可以有效地应用LSTM循环神经网络、RNN和CNN等深度学习方法进行预测,但是预测效果还有待进一步的提升。时间卷积网络(Temporal Convolution Network, TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对滚动轴承的振动趋势预测,并且将TCN结合注意力机制进行了滚动轴承的剩余寿命预测研究;最终证实了TCN可以用于滚动轴承的振动趋势预测和剩余寿命预测,并得到了更好的预测效果。     

基于深度学习和迁移学习的液压泵健康评估方法

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间的地点变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。     

基于CNN的高速铁路侵限异物特征快速提取算法

高速铁路异物侵限检测系统用来检测是否有异物侵入高速铁路安全限界。为增加系统的可靠性,提出了一种基于卷积神经网络(CNN)的特征快速提取算法。针对特征计算速度缓慢的问题,提出简化的全连接网络结构;针对准确率因简化网络结构而下降的问题,提出将卷积层的卷积核进行预先训练;最后为防止因全连接而导致的对称性特征提取,提出加入稀疏性参数的快速特征提取算法。改进后的卷积神经网络,在保证准确率的基础上加快了计算速度,同时满足了实时性和高准确率的要求。实验表明处理单幅图像的速度为0.15 s,准确率为99.5%。     

基于 CNN-LSTM-AM 动态集成模型的电站风机状态预测方法

针对电站负荷变化时风机状态预测模型精度降低的问题,提出一种基于卷积神经网络(CNN) 、长短时记忆( LSTM) 网络与注意力机制(AM)的动态集成状态预测方法。 首先,利用 CNN 将样本数据划分为边界有重叠的不同类别,实现风机 运行状态的软分类;其次,在传统的 LSTM 网络的中引入 AM 层,构造不同工况下的 LSTM-AM 子模型,并将 CNN 输出的软分 类标签作为初始权值,使用遗传算法对权值偏置进行搜索寻优;最后,对各个子模型的输出值加权求和,得到风机不同运行 状态下的集成预测值。 实验结果表明,相较各个 LSTM-AM 子模型和单一 LSTM-AM 模型,本文提出的基于 CNN-LSTM-AM 的 动态集成模型在电站风机变负荷运行时可以将预测结果的均方根误差分别减小 11. 5% 和 22. 3% ,说明此模型具有更好的鲁 棒性和适用性。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

基于三级级联架构的接触网定位管开口销缺陷检测

针对高铁接触网定位管开口销在列车长期运行振动中容易松脱并且松脱样本数量匮乏的问题,本文提出一种基于深度卷积生成对抗网络(DCGAN),扩充缺陷样本集后,再训练卷积神经网络(CNN)检测开口销缺陷的三级级联架构。该架构首先采用中心点法提取训练需要的相同规格开口销图像。然后通过改进的DCGAN生成模拟缺陷样本,并搭建轻量级CNN网络对生成的模拟缺陷样本进行筛选。最后将添加了模拟缺陷样本的扩充缺陷样本集与正样本集输入优化后的VGG16卷积神经网络中,以训练分类模型,检测开口销缺陷。实验结果表明,本文所提方法检测接触网定位管开口销缺陷的准确率高达99%。     

Frequency response similarity-based bolt clamping force prediction method using convolutional neural networks

This paper proposes a convolutional neural network (CNN)-based method with which to predict bolt clamping force using the frequency response of bolted structures. The dynamic characteristics of the bolted structure change with the bolt clamping force, which is predicted using a CNN trained with massive frequency response data. Big data required for training the CNN is constructed using prestressed frequency response analysis according to the clamping force of individual bolts. The numerical efficiency is increased using the Krylov subspace-based model order reduction (MOR) method. The frequency response for each set of bolt clamping forces calculated from the MOR method is converted into form of the magnitude and shape (MS) similarity spectrum by using the MS similarity function. Finally, an MS similarity map is generated by stacking the MS similarity spectrum at several output points. A CNN that is trained using massive MS similarity maps as training data, is used to predict the clamping force of bolted structures. To validate the efficiency and accuracy of a trained CNN in practical applications, the prediction results of the trained network in terms of computation time and accuracy were compared according to the size of the training input data.

     

基于差分数据图和深度学习的短时交通流预测

交通流量预测(TFP)是提高交通出行效率、减少智能交通系统(ITS)交通拥堵的重要问题。为了从交通流特征提取的角度提高TFP精度,该文提出了一种新的方法DG-CNN-SVR。该方法的基本思想依赖于2个方面:交通流数据趋势和不同工作日的细微差别。因此,引入差分运算来消除趋势分量,然后构建交通数据图以帮助解释复杂特征。通过卷积神经网络(CNN)进行特征学习,并使用支持向量回归(SVR)进行交通流量预测。通过测试数据集的实验结果表明,所提出的TFP方法比单独使用CNN和SVR的情况更有效。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。