基于DRSN和优化BiLSTM的轴承剩余寿命预测方法

针对传统轴承寿命预测方法过度依赖先验知识、缺乏自适应性及退化特征难以提取导致的预测误差大的问题,提出一种自适应特征提取的基于深度残差收缩网络(DRSN)和双向长短时记忆网络(BiLSTM)的轴承剩余寿命预测方法。首先,无需任何先验知识利用DRSN对轴承原始信号进行自动特征学习,提取退化特征并构建健康指标;然后,采用麻雀搜索算法优化BiLSTM隐藏层神经元个数和学习率,基于优化的BiLSTM网络建立轴承剩余寿命预测模型;最后,进行对比实验验证:分别对比DRSN、残差网络、均值特征3种方法提取的健康指标的性能和不同的轴承剩余寿命寿命预测模型进行对比实验。实验结果表明DRSN网络提取的健康指标性能最优,同时基于优化后的BiLSTM轴承剩余寿命预测模型的误差最小,基于优化后BiLSTM、BiLSTM和长短时记忆网络(LSTM)的3种轴承剩余寿命预测模型的均方根误差分别为1.41%、2.71%、5.64%,验证了方法的有效性。

基于四阶累积量的供水管道泄漏振动信号自适应时延估计

在相关高斯噪声干扰下,特别是在低信噪比时基于互相关的供水管道泄漏振动信号时延估计性能严重下降。因此,提出基于四阶累积量及递归最小二乘(RLS)自适应滤波的供水管道泄漏振动信号时延估计方法。首先,通过自、互四阶累积量分割信号频带,获得含有泄漏振动信号特征的一维切片;然后,引入可变步长的RLS算法,提高收敛速度;最后,利用RLS算法对上述一维切片进行迭代计算,分析滤波器权系数曲线及误差曲线得出时延估计结果。仿真与实验结果表明,该方法能够有效的实现供水管道泄漏定位:在低信噪比与相关高斯噪声背景下,互相关方法失效;与四阶累积量-互相关方法相比,所提方法的平均相对定位误差减少了2.56倍,标准差减小了1.736倍。

基于VMD-SVD自优化的管道微泄漏信号增强方法

针对复杂环境噪声下管道微泄漏特征难以提取的问题,提出基于变分模态分解-奇异值分解(VMD-SVD)自优化的管道微泄漏信号增强方法。首先,采用遗传迭代算法对VMD参数对[α,K]进行自适应优化,采用奇异值峭度差频谱对SVD重构阶次进行自适应优化;然后,采用参数优化的VMD对泄漏信号进行分解,并采用峭度分析法对分解的模态分量进行筛选并重构;最后,采用阶次优化的SVD对重构信号进行非线性滤波,从而提高微泄漏信号的信噪比。仿真与实验结果表明,信号增强方法使仿真信号的信噪比提高了9.32 dB,使管道微泄漏信号的相关性提高了5.92倍,使互相关泄漏相对定位误差减少了14.34%。