基于MRSDAE-KPCA结合Bi-LST的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命预测方法在提取数据特征时没有充分考虑数据的内部分布,且在构建健康因子时还需要专家经验进行人工提取等问题,提出一种基于流形正则化堆栈去噪自编码器、核主成分分析并结合双向长短时记忆网络的滚动轴承剩余使用寿命预测方法。首先采用无监督的堆栈去噪自编码器网络对原始振动数据进行深层特征提取,并使用核主成分分析法进一步降维,以提高健康因子的指标稳定性;然后在堆栈去噪自编码器中加入流形正则化,最大程度保留编码器隐藏层内部的数据分布结构,提高模型提取数据特征的有效性。最后使用双向长短时记忆网络预测轴承的剩余使用寿命,并采用AdaMax优化算法对网络模型的超参数进行自适应寻优。分析结果表明,提出的滚动轴承剩余使用寿命预测方法具有更高的精度。

基于优化VMD-GRU的滚动轴承剩余使用寿命预测

为了提高滚动轴承剩余使用寿命(RUL)的预测精度,提出了一种变分模态分解(VMD)和门控循环神经网络(GRU)融合算法的滚动轴承RUL预测模型VMD-GRU。首先,该模型通过阿基米德优化算法(AOA)优化的VMD算法对原始振动信号进行分解;然后,利用最小包络熵准则选择最佳模态分量进行退化特征提取;再通过核主成分分析进行特征降维;最后,为保证模型准确率,通过鹈鹕优化算法(POA)优化GRU中的超参数,并根据不同故障类型建立GRU剩余寿命预测模型。使用XJTU-SY标准数据集进行剩余寿命预测验证,实验结果表明:与传统未结合故障类型提取退化特征和建立预测模型方法相比,VMD-GRU模型均方根误差和平均绝对误差分别降低了26.28%和27.17%。

基于Bi-TCN-LSTM的滚动轴承剩余使用寿命预测方法

由于时间卷积网络(temporal convolutional networks, TCN)感知场不足,轴承的关键退化信息常常被忽略,导致轴承剩余使用寿命(remaining useful life, RUL)预测结果不佳;而长短期记忆网络(long short-term memory, LSTM)随着数据量及序列长度的增加,长期依赖问题仍可能得不到很好解决。因此,课题组提出了一种基于双向时间卷积网络和长短期记忆(Bi-TCN-LSTM)的滚动轴承寿命预测方法。首先对多传感器数据进行归一化并做融合处理,然后采用Bi-TCN-LSTM进行数据特征提取与深度学习,其中对TCN模块引入卷积注意力机制(convolutional attention module, CAM),将LSTM的3个门简化为1个门,有效加快了预测模型学习的速度并提高了预测模型的精确度;采用IEEE PHM 2012轴承数据集作为实验数据集,进行了RUL预测实验。结果表明:与其他先进的预测模型相比,Bi-TCN-LSTM方法预测结果的误差相对较低,预测性能较好。

基于迁移学习的滚动轴承剩余使用寿命预测

为解决轴承剩余使用寿命预测模型预测泛化能力低,不能准确预测出未训练轴承剩余使用寿命的问题,本文提出了一种迁移轴承状态知识的剩余使用寿命的方法。利用计算时域、频域特征以及模糊熵作为预测特征,使用“3σ”准则将轴承全寿命过程划分为正常阶段、退化阶段,以实现对退化阶段轴承剩余使用寿命的预测。构建基于门控循环单元的轴承剩余使用寿命预测模型,并使用某一轴承的全寿命周期数据进行训练,使模型学习到新轴承的状态信息。研究表明:相较于未使用迁移学习的方法,其预测所有轴承的轴承剩余使用寿命平均均方根误差减小了52.53%,平均百分比误差减少了68.87%。本文提出的方法可以有效、准确地预测出轴承的轴承剩余使用寿命。

正交约束域适应的跨工况滚动轴承剩余使用寿命预测方法

针对跨工况轴承剩余使用寿命(RUL)预测模型的决策边界不明显、特征可辨识性低的问题,该文提出一种正交约束的最大分类器差异方法(MCD_OC)。首先,将采集的轴承原始振动信号进行快速傅里叶变换,得到振动信号的频域信号作为模型的输入;然后,通过卷积神经网络(CNN)和门控循环神经网络(GRU)提取轴承信号的深层时空特征,利用最大分类器差异将源域和目标域特征对齐,并对目标域轴承深层特征进行正交约束,增大无标签目标域样本特征之间的可辨识性;最后,基于轴承寿命数据集开展了跨工况轴承寿命预测对比实验,对该文所提方法进行评估,并在多组实验中取得最优结果。

基于深度学习的滚动轴承剩余使用寿命预测

滚动轴承是机械传动设备的“关节点”,对其进行剩余使用寿命预测对机械设备安全生产和维护有重要意义,本文提出一种基于粒子群优化算法配合深度学习的滚动轴承剩余使用寿命预测模型。首先,对滚动轴承振动信号进行时域、频域和时频域特征提取,利用单调性和鲁棒性筛选出能够反映轴承退化过程的敏感特征;其次,基于高斯混合模型提取健康因子,解决单一特征指标无法有效反映退化趋势的问题;最后,将粒子群优化后的网络结构参数输入模型中进行轴承的剩余使用寿命预测,通过两组数据集的预测结果比较发现,粒子群优化后双向长短时记忆神经网络模型预测精度比双向长短时记忆神经网络的模型提高约10.6%和24.7%。

基于自注意力CNN-BiLSTM的滚动轴承剩余使用寿命预测

针对现有滚动轴承剩余使用寿命(RUL)预测方法特征提取能力单一,无法充分利用数据中蕴含的时空信息等问题,提出了一种基于自注意力卷积神经网络(CNN)和双向长短期记忆网络(BiLSTM)的RUL预测方法。将振动信号的不同时域指标输入改进的自注意力CNN模块,提取不同指标间的空间特征信息并进行自注意力加权以强化特征提取效果,然后通过BiLSTM层提取时序数据中的退化特征信息并经过全连接层后输出轴承的RUL预测值。使用FEMTO-ST滚动轴承数据集进行验证的结果表明,相比CNN,BiLSTM和CNN-BiLSTM模型,自注意力CNN-BiLSTM模型的RUL预测误差更低,性能评价指标更好,CNN与BiLSTM的融合以及自注意力机制的应用使模型的预测精度提高且更倾向于进行超前预测,有利于开展预测性维修。

基于EWM和SVR的滚动轴承剩余使用寿命预测方法

为解决滚动轴承有限全寿命监测数据情况下退化特征分布失真导致轴承剩余使用寿命(RUL)预测精度不高的问题,提出一种基于熵权法(EWM)和支持向量回归(SVR)的轴承RUL预测方法。首先,提取振动信号的时域和频域特征,并对特征进行对数变换;然后,通过EWM确定指标权重实现特征选择;最后,采用麻雀搜索算法(SSA)优化SVR模型,以主成分分析(PCA)降维后的低维特征作为优化后的SVR模型的输入,RUL占比作为输出,从而实现轴承剩余寿命的预测。结果表明:在有限监测数据情况下,与其他方法相比,所提方法不但预测性能更加稳定,而且预测的绝对误差平均降低19.51%,均方误差(MSE)平均降低17.73%。

滚动轴承剩余使用寿命预测综述

滚动轴承作为旋转机械的关键零部件,其剩余使用寿命(RUL)预测对生产维修和人身安全具有重要意义。由于滚动轴承复杂多变的工作环境,使得同工况的参考样本少而变工况的参考样本较多,具有不平衡、不完整、无标签及噪声干扰等特性,增加了滚动轴承RUL预测的困难。随着大数据时代的来临和人工智能的发展,滚动轴承RUL预测方法也变得更加丰富。因此,在故障预测与健康管理(PHM)的框架下,对滚动轴承失效模式和故障数据特点进行阐述,对故障特征提取、降维和融合方法以及得到的性能退化指标分别进行了分类和对比分析。结合数据驱动算法,对滚动轴承RUL的预测方法、模型选择和评估标准进行了梳理和对比。最后对滚动轴承RUL预测未来的发展趋势进行了展望。

基于Transformer模型的滚动轴承剩余使用寿命预测方法

准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率,提出一种基于Transformer模型的轴承RUL预测方法,充分利用其自注意力机制与编码器-解码器结构的优势,解决轴承RUL预测中序列过长而导致的记忆力退化问题,挖掘出输入特征与轴承RUL之间复杂映射关系。同时,采用三角函数变换与累积变换来修正输入特征的单调性与趋势性,使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明:所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%,平均得分分别提高了2.78%、19.79%、29.38%;在XJTU-SY数据集上的实验结果表明,所提方法相比于对比方法均方根误差降低了17.4%,平均得分提高了18.6%,进一步证明了其可行性与优越性。

结合LSTM和Self‑Attention的滚动轴承剩余使用寿命预测方法

为了构建准确表征滚动轴承退化过程的趋势性健康度指标,提高滚动轴承剩余使用寿命(Remaining Useful Life,RUL)的预测精度,提出了一种结合长短期记忆(Long‑Short Term Memory,LSTM)和自注意力(Self‑Attention)机制的神经网络模型(LSTM‑SA)用于滚动轴承RUL预测。利用包络解调获得原始信号的包络谱,再将包络谱分段并计算对应频段的皮尔逊相关系数,得到具有单调性和趋势性的退化特征;将退化特征归一化处理后作为LSTM‑SA模型的输入,并利用LSTM自适应提取退化特征时间上的内部相关性以及Self‑Attention对关键信息的筛选,消除无用信息的干扰,挖掘深层次特征,构建健康度指标并得到退化曲线;确定失效阈值,利用最小二乘法拟合退化曲线,预测寿命失效点,实现滚动轴承的RUL预测。在PHM2012数据集上的实验结果表明,所提出的方法相比于其他文献,平均绝对误差分别降低了43.18%,62.57%和59.44%,平均得分分别提高了10.87%,45.71%和34.21%;在工程实际数据中的实验结果表明,所提出方法的平均预测误差分别比Standard‑RNN和CNN方法降低了39.58%和74.86%。

基于空洞CNN和LSTM的滚动轴承剩余使用寿命预测

针对滚动轴承剩余使用寿命预测方法中出现的退化阶段起始点识别困难和退化特征难以提取的问题,提出了一种基于空洞卷积神经网络(Convolutional Neural Network,CNN)和长短时记忆(Long and Short-Term Memory,LSTM)网络的滚动轴承剩余使用寿命预测方法。首先,对归一化幅值后的滚动轴承数据集构建了二次函数退化标签,避免滚动轴承退化阶段起始点的识别。其次,采用空洞CNN提取滚动轴承的退化特征,将提取的退化特征输入到LSTM网络中进行学习,并通过全连接层来进行退化特征到剩余使用寿命标签的映射,从而实现滚动轴承的剩余使用寿命预测。最后,通过PHM2012滚动轴承数据集对所提出的滚动轴承剩余使用寿命预测方法的有效性进行了验证。试验结果表明,所提方法具有较好的预测效果。

基于注意力机制的滚动轴承剩余使用寿命预测方法

现有的轴承振动信号特征的提取方法过分依赖于专家的经验,同时在轴承的寿命预测过程中,存在因序列过长而导致的记忆力退化等问题,为此,结合卷积神经网络-注意力机制网络(CNN-attention)和基于注意力机制的Encoder-Decoder方法,提出了一种滚动轴承剩余使用寿命(RUL)的预测模型(方法)。首先,利用快速傅里叶变换(FFT)方法,将滚动轴承的初始振动信号转换成频域幅值信号;然后,设计了一种基于注意力机制的模型:其中,利用CNN-attention进行了退化特征提取,利用基于注意力机制的Encoder-Decoder网络进行了RUL预测,并进一步在远距离信号传输中解决了循环神经网络记忆衰退的问题;最后,为了验证特征提取模型以及寿命预测模型的有效性,采用PHM 2012轴承退化数据集,通过轴承加速退化PRONOSTIA实验平台进行了实验,并将其所得结果与未采用注意力机制模型的预测结果以及其他文献方法所得结果进行了对比。实验结果表明:与其他方法相比,基于注意力机制模型的方法平均绝对误差分别降低了29.41%、32.00%、29.56%、32.34%,平均得分分别提高了0.39%、0.98%、0.82%、15.46%。研究结果表明:在轴承RUL预测方面,基于注意力机制的轴承剩余使用寿命预测模型(方法)是有效的。

基于猎人猎物优化算法改进粒子滤波的滚动轴承剩余使用寿命预测技术

针对目前滚动轴承剩余使用寿命(RUL)预测存在的预测精度不高、预测模型累计误差大等问题,提出一种融合Hodrick-Prescott(HP)趋势滤波边界线(HPTF-BL)、猎人猎物优化算法改进粒子滤波(HPO-PF)的滚动轴承剩余使用寿命预测方法。该方法首先将HP趋势滤波与退化边界线构建相结合,对表达轴承退化信息的特征指标进行处理,得到上下退化边界与主要退化趋势,然后利用猎人猎物优化算法(HPO)改进粒子滤波(PF)的重采样过程,再使用改进的方法对特征指标进行趋势预测,最后结合设定的失效阈值线得到最终的剩余使用寿命。使用美国辛辛那提大学智能维护系统(IMS)中心的轴承实验数据验证了所提方法的可行性与有效性。

基于Autoformer的滚动轴承剩余使用寿命预测

滚动轴承剩余使用寿命(RUL)预测的数据驱动方法显示出了巨大的潜力,但仍有提升的空间。为此,提出了一种基于Autoformer模型的滚动轴承RUL预测方法。结合领域内的专家知识对滚动轴承原始信号进行人工特征提取并优化特征,利用Transformer类模型强大的多维特征提取能力挖掘输入特征与RUL之间的复杂映射关系。针对滚动轴承振动信号的周期性特点采用Autoformer模型将时间序列进行分解对趋势项和周期项分别处理。实验结果表明,所提出的预测方法在PHM2012数据集上的表现相比于其它文献的方法,平均得分分别提高了50.03%、21.31%、19.93%。证明了该方法的优越性。

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。

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。

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SKF-KF-Bayes的滚动轴承剩余使用寿命预测方法

准确预测滚动轴承的剩余使用寿命(remaining useful life,RUL)对机械设备安全可靠运行有着至关重要的作用,针对滚动轴承寿命预测中存在的未能准确区分滚动轴承退化阶段与如何有效地利用历史退化数据与实时监测数据等问题,提出了一种SKF(switching Kalman filters)、KF(Kalman filters)和Bayes结合的滚动轴承性能退化建模与剩余使用寿命预测方法。结合滚动轴承振动信号性能监测数据,采用SKF方法识别出轴承性能退化的变点;利用随机效应指数退化模型描述轴承性能退化过程,结合同类轴承性能数据给出模型未知参数极大似然估计;利用KF单步预测对当前时刻监测数据进行修正,基于Bayes方法对模型中的随机参数进行实时更新,推导出轴承剩余使用寿命分布模型,计算滚动轴承剩余使用寿命;通过对滚动轴承试验数据分析,验证了该方法的适用性和有效性。

基于BiLSTM的滚动轴承剩余使用寿命预测

滚动轴承是重要的机械标准件,在机器中被大量使用,但轴承本身易出故障且比不易排查,预估轴承剩余使用寿命,能够提前对轴承开展有效的维护保养,保障机器的正常运行,因此,滚动轴承的剩余使用寿命有非常大的研究价值。针对滚动轴承开展研究,首先对传感器采集到的轴承振动信号计算时域特征,作为输入特征值,并预设寿命退化值,然后使用双向长短期记忆神经网络BiLSTM建立轴承退化模型,并根据模型拟合出轴承的剩余寿命曲线。通过在公开数据集上进行验证,基于BiLSTM的模型能准确预测出轴承的剩余使用寿命。