轴承退化状态表征的流形融合指标构建方法

针对传统数据融合构建的轴承退化状态表征指标易受噪声影响,存在波动和难以兼顾轴承退化状态的全局结构和局部结构等问题,提出了基于一致流形近似与投影的轴承退化状态表征的融合健康指标构建方法。首先,分别在时、频域内计算轴承退化状态表征指标,构建原始高维退化趋势特征集;然后,建立退化状态敏感特征筛选准则,从高维特征集中筛选出较好表征轴承退化状态的特征指标;最后,引入一致流形近似与投影算法和指数加权滑动平均对筛选出的敏感特征进行融合与平滑,构建轴承退化状态表征指标。通过两组全寿命轴承振动数据对所提方法进行验证,结果表明,与单一指标以及传统的指标融合构建方法相比,该方法可以克服单一指标表征能力有限和传统指标融合方法能力不够全面等缺点,能有效提高轴承健康指标的单调性与趋势性,以准确表征轴承的退化状态。

基于VMD-LSTM的滚动轴承退化状态识别

针对滚动轴承退化信号的非平稳、非线性特点以及全寿命退化状态难以有效识别的问题,提出一种基于变分模态分解(VMD)和长短时记忆神经网络(LSTM)相结合的滚动轴承退化状态识别方法。该方法首先采用麻雀搜索算法(SSA)对VMD的两个参数(模态分量个数和惩罚因子)进行优化;然后将滚动轴承振动信号分解成若干个本征模态函数(IMF),再根据皮尔逊相关系数选择VMD分解得到的敏感IMF分量,对其重构后进行特征提取;最后将多维退化特征输入LSTM模型训练,建立退化状态模型。实验结果表明该方法能够准确识别轴承的退化状态,验证了该方法的优越性。

基于ACNN—LSTM网络的轴承状态退化预测

为了便于大型机组的维护和检修,确定机组齿轮箱轴承的更换时间,需要预知轴承的工作状态。根据轴承数据特点,提出卷积神经网络(CNN)的改进算法ACNN-LSTM网络。ACNN-LSTM是结合融入注意力机制的卷积神经网络与长短期记忆网络(LSTM),实现对轴承的退化预测。选取轴承退化敏感特征,利用主成分法建立退化指标。ACNN的注意力模块(CBAM)能够准确提取退化特征,经五点三次平滑法处理突出退化状态。为验证ACNN-LSTM网络的有效性,搭建风机齿轮箱平台。实验结果显示,预测退化曲线和实际退化曲线基本重合,到达失效阈值的时间接近,表明该改进算法能够准确预测轴承状态退化趋势,为评估轴承的运行状态提供依据。

基于混合域相对特征和FOA-XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法(fruit fly optimization algorithms,简称FOA)集成极限梯度提升树(extreme gradient boosting,简称XGBoost)的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明:所构建的退化评估模型比常用的支持向量回归(support vactor regerssion,简称SVR)模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。