基于可变形卷积的轴承剩余寿命预测

针对在滚动轴承剩余寿命(RUL)预测任务中神经网络的普通卷积核提取到的特征分布不均问题,建立了基于注意力的深度可变卷积残差网络(ADRN)以提取轴承的退化特征并计算健康因子(HI)。通过连续小波变换(CWT)提取轴承的时频特征,采用ADRN提取轴承时频图中的退化特征,并通过Tanh激活函数得到HI。为提升对异常值的约束能力,在整个网络中采用提出的动态损失函数进行训练。使用Savitzky-golay滤波器平滑HI后,由多项式函数拟合HI得到回归方程,预测出轴承的RUL。在PHM2012数据集上的实验仿真证明,提出的方法得到了更准确的预测结果。

基于LFDA和稀疏表示的轴承故障诊断

由于轴承信号是含有大量噪声的多模态数据,故障识别困难,提出了一种LFDA和稀疏表示算法相结合的轴承故障诊断方法。首先,对采集到的多模态轴承故障数据进行LFDA降维处理,提取故障数据的局部Fisher特征,保持了不同类别之间的区分度;其次,构建自适应特征字典,使用正交匹配追踪算法对故障信号稀疏表示,减少了被测样本数据中包含的噪声,降低了数据的计算复杂度;最后,利用最小重构误差方法对测试样本进行分类。实验结果证明,该方法在诊断精度上优于其他对比方法。