基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。

基于MCEA-KPCA和组合SVR的滚动轴承剩余使用寿命预测

为了准确预测滚动轴承的剩余使用寿命(RUL),提出一种多评价标准有效性分析(MCEA)、核主成分分析(KPCA)和组合支持向量回归(SVR)相结合的滚动轴承RUL预测方法。该方法对提取的特征计算每个评价标准的有效性得分,自适应地确定每个评价标准的权重,筛选出有效性总得分高于其整体平均值的特征,进一步利用KPCA去除已筛选特征之间的信息冗余,建立约简后的特征矩阵。将多个轴承约简后的特征分别作为SVR的输入,当前使用寿命与全寿命的比值p即RUL作为输出,建立多个SVR模型,并采用自适应的方法确定各模型的权重,最终构建组合SVR预测模型。最后,对与训练不同的轴承进行测试,将约简后特征输入到组合SVR预测模型中,预测轴承的p值,实验结果表明,所提方法可准确地对滚动轴承进行RUL预测。

基于改进宽度模型迁移学习的不同负载下滚动轴承状态快速分类方法

针对深度学习网络训练耗时以及不同负载下滚动轴承的源域数据和目标域数据分布差异较大的问题,该文提出一种基于改进宽度模型迁移学习的滚动轴承状态快速分类方法。该方法首先对不同负载下滚动轴承振动信号进行快速傅里叶变换,构建频域幅值序列数据集,并选取某种或某些负载数据集作为源域,其他负载数据集作为目标域;其次以循环扩展的方式建立宽度学习系统(BLS)的增强节点窗口,并在增强层引入Maxout激活函数构建改进的BLS网络,同时引入遗传算法优化网络节点结构,建立基于源域数据的预训练模型;最后将预训练模型的网络参数、特征层和增强层的权重参数迁移至目标域网络,并利用少量目标域样本微调网络建立状态分类模型。实验结果表明,所提方法平均训练时间为32.6 s,平均测试准确率为98.9%。对比其他方法,所提方法可以在更短的时间内建立分类模型并获得良好的分类准确率。

基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。

结合CNN和LSTM的滚动轴承剩余使用寿命预测方法

针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命(remaining useful life,简称RUL)预测困难的问题,提出一种结合卷积神经网络(convolution neural networks,简称CNN)和长短时记忆(long short term memory,简称LSTM)神经网络的滚动轴承RUL预测方法。首先,对滚动轴承原始振动信号作快速傅里叶变换(fast Fourier transform,简称FFT);其次,将预处理所得到的频域幅值信号进行归一化处理后,将其作为CNN的输入,并利用CNN自适应提取局部内在有用信息,学习并挖掘深层特征,避免传统算法需要专家大量经验的弊端;然后,再将深层特征输入到LSTM网络中,构建趋势性量化健康指标,同时确定失效阈值;最后,运用移动平均法进行平滑处理,消除局部振荡,再利用多项式曲线拟合,预测未来失效时刻,实现滚动轴承RUL预测。实验结果表明,所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性,预测结果能够较好地接近真实寿命值。

基于深度在线迁移的变负载下滚动轴承故障诊断方法

针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM (convolutional neural networks-incremental support vector machine)变负载下滚动轴承故障诊断方法.该方法运用短时傅里叶变换得到不同负载下滚动轴承振动信号的频谱图并构建数据集;使用源域数据建立CNN-ISVM预训练模型并保存模型参数;利用迁移学习将源域共享模型参数迁移至目标域CNN-ISVM模型训练过程中,快速建立分类模型;分类模型中的ISVM分类器在保留已学到知识的基础上,在线处理目标域新增数据,无需重新训练.经实验验证,所提出方法可实现数据按照序列方式采集的变负载下滚动轴承多状态在线分类,并具有较好的稳定性及较高的准确率.