基于改进HMM和Pearson相似度分析的滚动轴承自适应寿命预测方法

基于数据驱动思想,提出了一种相同工况下的滚动轴承寿命预测方法。针对轴承全寿命监测数据,根据K-means聚类算法划分轴承运行状态空间,考虑到隐马尔科夫模型主链为状态链的不足,对状态转移矩阵重新定义,将主链改进为寿命链,建立了基于改进HMM的全寿命状态驻留时间模型;将观测轴承数据、实时与建模数据进行Pearson相似度分析,构造寿命比例调节系数,实现寿命模型参数的动态修正和观测轴承寿命的自适应预测。采用美国辛辛那提大学实验中心轴承试验数据开展了应用研究,通过一组轴承全寿命数据实现了对其它轴承不同阶段及全寿命的预测,与传统的隐马尔科夫模型、灰色模型预测等方法预测结果相比,所提算法兼具较好的预测准确性和模型的泛化性。

基于HDP-HMM的机械设备故障预测方法研究

针对隐马尔科夫模型状态数必须预先设定的不足,提出了一种基于分层狄利克雷过程-隐马尔科夫模型(HDP-HMM)的机械设备故障预测方法。该算法通过构造HDP作为HMM参数的先验分布,利用HDP分层共享和自动聚类的优点,实现了模型结构动态更新,获得设备运行过程中的隐状态数;基于HDP-HMM所建立的退化状态动态转移关系,确定设备早期故障点和功能故障点,实现设备的健康等级评估和故障预测。利用美国USFI/UCR智能维护系统中心提供的滚动轴承全寿命数据进行了应用研究。结果表明,针对多观测序列,HDP-HMM能有效实现组合聚类,识别结果不依赖于算法初始参数的选择,具有较强的鲁棒性;与基于K-S检验的退化评估算法比较表明,HDP-HMM更能有效描述设备实际退化过程。

海洋工程装备材料腐蚀疲劳裂纹扩展研究综述

对海洋工程装备材料腐蚀疲劳进行综述。介绍了环境因素、力学因素以及材料自身因素对腐蚀疲劳裂纹扩展的影响。总结了描述腐蚀疲劳裂纹扩展速率的理论模型,分析了各种模型的优缺点。最后,指出了腐蚀疲劳裂纹扩展模型的研究趋势。

基于Dirichlet过程混合模型的滚动轴承运行状态识别

针对滚动轴承的运行状态识别问题,利用典型DP混合模型良好的聚类特性,提出了基于DPMM的滚动轴承运行状态识别算法,并推导了算法聚类的详细步骤。利用轴承状态监测数据进行了验证和分析,结果表明:DPMM算法不依赖于训练样本,模型结构能够随着观测数据的变化实现自适应变化和动态调整,自动识别轴承的运行状态数;同时,识别结果不依赖于DPMM算法初始参数的选择,具有较强的稳定性和适应性。

改进自适应形态学滤波的滚动轴承故障检测

针对形态学滤波算法最佳结构元素尺度难以确定的不足,提出了峭度-均方根准则优化结构元素尺度参数,实现自适应滤波和故障信号特征频率提取。采用变分模态分解(Variational Mode Decomposition,VMD)对滚动轴承振动信号进行模态分解,根据互信息法选取有效模态分量进行求和重构;提出一种峭度-均方根准则自适应寻求最佳结构元素尺度,采用形态学滤波算法提取振动信号故障特征,并通过仿真数据与轴承全寿命实验数据开展了应用研究。结果表明,与粒子群算法优化和峭度准则优化结构元素的自适应形态学滤波等方法相比,能有效提取出滚动轴承故障特征频率,检测早期故障。

结合狄利克雷过程和连续隐马尔科夫模型的滚动轴承性能退化评估

针对隐马尔科夫模型(Hidden Markov model,HMM)定义中状态数必须预先设定的不足,提出了一种基于狄利克雷过程(Dirichlet process,DP)和连续隐马尔科夫模型(Continuous hidden Markov model,CHMM)的滚动轴承性能退化评估方法。该方法基于DP扩展混合模型(Dirichlet process mixture model,DPMM)良好的聚类特性和分层狄利克雷过程(Hierarchical Dirichlet process,HDP)的分层共享原理,利用多组状态特征值,获得了轴承的运行状态数,解决了CHMM模型结构设置的问题,实现了滚动轴承运行中的退化状态识别和性能评估。利用美国USFI/UCR智能维护中心轴承全寿命试验进行了应用研究,并与基于Kolmogorov-Smirnov(K-S)检验的滚动轴承性能退化评估进行了对比。结果表明,结合狄利克雷过程和连续隐马尔科夫模型的算法能有效地监测滚动轴承运行中的不同退化状态,为基于状态的设备维修提供了参考。