结合GCN与LSTM的滚动轴承剩余寿命预测方法

针对滚动轴承剩余寿命预测因振动信号的非线性和非平稳性而缺乏刻画健康状态可靠指标的问题,提出了将图卷积网络与长短期记忆网络结合的预测方法.首先,对轴承振动信号进行经验模态分解得到内涵模态分量,并且对内涵模态分量进行归一化处理后计算邻接矩阵和特征矩阵;其次,将邻接矩阵和特征矩阵作为图卷积网络的输入,捕获数据关系,挖掘深层特征;然后,将深层特征和内涵模态分量输入长短期记忆网络从而实现时序关系建模,构建健康指标;最后,使用移动平均滤波消除振荡,对健康指标进行多项式拟合,并且计算达到阈值时刻,确定轴承剩余寿命.同时,以IEEE PHM 2012数据挑战赛数据集和XJTU-SY滚动轴承加速实验数据集为对象,验证所提方法.结果表明,使用图卷积网络与长短期记忆网络结合的模型构建健康指标进行滚动轴承剩余寿命预测时,预测结果能够较好地接近真实值,在实际应用中具有一定优势.

基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测

针对不同型号滚动轴承因结构尺寸、运行工况等差异导致轴承退化数据分布和特征尺度不一致,引起剩余寿命预测精度下降的问题,提出基于子空间域对抗判别网络的不同型号滚动轴承剩余寿命预测方法。首先,通过高效通道注意力机制提升特征提取器各通道中重要特征的权重,自适应获取不同型号滚动轴承的深层性能退化特征,并以此预训练标签预测器;然后,在对抗判别网络框架上将域判别器与特征提取器对抗训练,最小化源域和目标域在表征子空间上的正交基距离,利用表征子空间正交基不受特征缩放影响的性质克服特征尺度变化过大引起的回归性能下降问题,实现不同型号滚动轴承间的域自适应;最后,利用训练好的特征提取器提取待预测轴承退化特征,输入标签预测器得到剩余寿命。在PRONOSTIA、XJTU-SY和自测数据集上进行了验证,实验结果表明所提方法能充分学习源域特征分布信息,有效克服不同型号下的特征尺度差异,相比其他域自适应方法效果提升20%至40%。

基于SAE和BiGRU的滚动轴承剩余寿命预测

为提高对滚动轴承剩余使用寿命的预测准确性,提出了一种基于稀疏自编码器(SAE)和双向门控循环单元(BiGRU)的剩余寿命预测方法。首先利用四个评价指标对从滚动轴承振动信号中提取出来的时域、频域以及时频域特征进行筛选,构建敏感退化特征集。然后为解决各个特征之间存在的信息冗余问题,利用SAE网络对敏感退化特征进行融合降维。最后将融合敏感退化特征输入BiGRU模型中完成对滚动轴承剩余寿命的预测。采用公开的滚动轴承全寿命数据集进行验证,结果表明,与长短期记忆网络(LSTM)以及门控循环单元(GRU)相比,该方法具有更高的剩余寿命预测准确性。

改进CNN-LSTM模型的滚动轴承剩余寿命预测方法

在使用卷积层神经网络(Convolutional Neural Networks, CNN)和长短期记忆神经网络(Long Short-Term Memory, LSTM)模型对滚动轴承剩余寿命预测时,预测结果的准确性会受到实验参数的影响.为此,提出了一种使用鲸鱼优化算法对模型参数进行干预,降低参数调试复杂性的方法.首先,选用相关性、单调性、鲁棒性3种特征评价指标和相似相关系数对特征加权排序,建立特征筛选体系;其次,采用CNN-LSTM基本结构,通过内嵌鲸鱼算法进行参数寻优;最后,采用PHM2012滚动轴承数据集,实现轴承的剩余寿命预测,验证了改进后模型的预测性能更优.

基于蝗虫优化LSTM网络的滚动轴承剩余寿命预测

滚动轴承作为机械设备最基本的零件之一,其振动信号具有非线性、非平稳的特点,针对这一特点,提出了变分模态分解(variational mode decomposition,VMD)和蝗虫优化算法(gras-shopper optimization algorithm,GOA)与长短期记忆网络(long short-term memory,LSTM)相结合的滚动轴承剩余寿命预测方法。首先,利用VMD对包含噪声的原始振动信号进行分解,将其分解项去除噪声后再进行重构;然后,对降噪后的信号进行时域特征提取,将提取到的特征构造成连续的时间序列,作为输入特征值,并建立退化指标。利用GOA方法对LSTM模型的参数进行优化,构建基于GOA-LSTM的预测模型。最后,通过XJTU-SY滚动轴承加速寿命试验数据集对该方法的有效性进行验证。研究结果表明,与LSTM、VMD-LSTM模型相比,VMD-GOA-LSTM模型的预测精度更高,泛化能力更好,能够更好地对滚动轴承的剩余寿命进行预测。

基于AELSTM模型迁移学习的滚动轴承剩余寿命预测

滚动轴承是机械设备中的重要零件,其工作状态直接关系着设备的运行,一旦发生故障会引起整个设备的正常运行,甚至引发重大的安全事故,因此,对其剩余寿命预测对设备的健康管理具有重要意义。提出了一种基于自编码-长短时记忆网络(autoencoder-long short term memory, AELSTM)迁移学习(transfer learning, TL)的滚动轴承剩余寿命预测方法,首先采用自动编码器自动提取源域中原始振动信号中的特征,再构建双层LSTM模型对剩余寿命进行预测,通过源域中训练获得AELSTM模型,再用目标域中的数据对AELSTM模型训练,完成对模型参数的微调,最后用调整好的模型对目标域中的数据进行预测。通过参数共享和微调两种方法,大大简化了模型在目标域上的训练过程。试验结果表明,在同轴承不同工况下,所提出模型相比于其他4种迁移学习方法的均方根误差分别降低了45.9%、58.9%、42.8%以及83.8%;在不同轴承不同工况下,所提出模型的均方根误差分别降低了16.9%、18.9%、11.7%以及8.9%。

基于相似度特征融合和CNN的滚动轴承剩余寿命预测

滚动轴承作为机械系统中非常重要的部件之一,其剩余使用寿命的精确预测对系统保障具有重大意义。针对单个特征参量对滚动轴承性能退化过程表征的片面性与局限性,提出一种基于相似度特征融合、卷积神经网络的滚动轴承剩余使用寿命预测方法。通过计算时域和频域特征的时间序列与对应时间矢量的皮尔逊相关系数,构造相似度特征,再基于单调性和趋势性对特征进行敏感特征筛选,采用主成分分析法对筛选所得特征进行融合,构建健康指标,将其输入一维卷积神经网络退化模型进行训练,实现对轴承剩余寿命的预测。实例验证,与传统模型相比,该方法有更低的预测误差,对轴承的剩余寿命预测效果较好。

基于Dy Res Net-CBAM网络的滚动轴承剩余寿命预测

滚动轴承的工作状况关系到使用滚动轴承的机械能否正常运行,预测轴承的剩余使用寿命(RUL)是避免机械系统失效的关键。针对传统的轴承使用寿命预测方法无法自适应调节特征权重、提取有用特征,造成预测值误差过大的问题,提出了一种带有卷积块注意力模块(CBAM)的动态残差网络(Dy Res Net)用于预测轴承RUL。对振动信号进行快速傅里叶变换求得频域累积幅值特征,在动态残差网络中加入CBAM模块,并利用压缩激励模块进行特征细化得出预测结果,使用公开轴承数据集对所提模型进行评估。实验表明:与其他模型相比,Dy Res Net-CBAM模型能够充分提取特征信息,对轴承RUL预测的准确度高于其他模型。

基于LSTM‑ES‑RVM的滚动轴承剩余寿命预测方法

为解决滚动轴承在寿命预测时精度不高,且性能退化趋势及波动范围难以预测等问题,提出了基于LSTM‑ES‑RVM的滚动轴承剩余寿命预测方法。在无先验知识或人工经验的干扰下,利用长短期记忆(Long Short‑Term Memory,LSTM)网络直接对频率数据进行特征提取,构建退化过程的初步健康指标(Health Indicator,HI);为了消除HI曲线的局部剧烈振荡,提出了带斜率的极端拐点(Extreme Inflection Point with a Slope,ES)模型改善其整体单调性;使用相关向量机(Relevance Vector Machine,RVM)模型对HI曲线进行趋势预测,实现了滚动轴承的剩余寿命(Remaining Useful Life,RUL)预测。实验结果表明,所提方法相较于对比方法具有较好的预测精度。

基于N-BEATS神经网络的滚动轴承剩余寿命预测

针对轴承剩余使用寿命预测时采集到的信号序列复杂且不平稳,导致预测精度和性能较低的问题,采用经验模式分解对信号序列进行自适应分解,利用动态时间规整算法筛选主要退化特征,提取信号序列趋势特征,使用具有残差原理的深层神经网络N-BEATS进行预测。对于预测历史数据较少的问题,采用递归与直接相结合的预测结构对剩余寿命进行多步预测。将N-BEATS与长短时记忆神经网络、灰色预测模型进行比较,结果表明在不同工况下,所提出的方法预测结果的平均绝对误差相较于LSTM、灰色预测模型分别提升了3.2%以及3.3%,相对均方根误差分别提升了3.5%以及3.1%。

基于ResNet-ABiLSTM的滚动轴承剩余寿命预测

传统数据驱动的方法过度依赖先验知识且特征提取能力不足,从而导致预测精度不高等后果。针对这一问题,提出了一种带有自注意力机制(SAM)的残差网络(ResNet)与双向长短时记忆网络(BiLSTM)结合的剩余使用寿命(RUL)预测方法(ResNet-ABiLSTM)。首先,对采集的原始监测信号进行了标准化处理,并采用滑窗法对处理后的数据进行了重采样,以实现数据的扩充目标;然后,通过采用残差网络和双向长短时记忆网络,分别提取了数据空间维度和时间维度上的深层特征,同时引入了自注意力机制,关注了时空维度上反映设备退化趋势的更重要的特征;最后,采用PHM2012轴承数据集对预测效果进行了验证,并将其结果与CNN-LSTM、ResNet-BiLSTM、HI-GRNN、CNN-HI、ResNet-CBAM、DRN-BiGRU等方法的预测结果进行了对比分析。研究结果表明:采用ResNet-ABiLSTM方法的两项误差值(RMSE、MAE)分别取得了0.037、0.029的最低值,其效果显著优于其他对比方法;该结果验证了ResNet-ABiLSTM方法对轴承RUL预测的准确性和有效性。

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测,提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号,通过移动平均法进一步获取相关特征,并采用皮尔逊相关系数筛选高度相关特征指标,利用KPCA提取高度相关特征指标中的若干主成分;将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证,得到的轴承寿命预测RMSE值和可决策系数值分别为0.0543和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比,证明所提方法具有较高的精度。

基于CSPA-Informer的滚动轴承剩余寿命预测

针对传统的滚动轴承剩余使用寿命预测精度低、计算效率低等问题,提出了一种基于改进Informer深度学习模型结构的滚动轴承剩余使用寿命预测方法。为解决现有Informer模型中的self-attention结构存在内存占用高、计算复杂度高等问题,提出CSPA结构对输入数据进行处理,大幅度减少内存占用,提升计算效率的同时提高计算精度。因此,将CSPA替换原Informer模型中的self-attention结构,提出了基于CSPA-Informer的滚动轴承剩余寿命预测方法。输入数据分为两个通道进行特征提取和线性投影,并通过解码器快速生成预测序列。将CSPA-Informer与其他预测模型在公开数据集上的预测结果进行对比,其MAE、MSE和RMSE分别提升了21%、32%和17%以上,验证了该方法在滚动轴承剩余寿命预测方面的有效性。

基于层次散布熵的滚动轴承剩余寿命预测方法

针对滚动轴承寿命预测中提取的特征不准确以及预测精度低等问题,提出一种基于层次散布熵(HDE)和门控循环单元(GRU)的滚动轴承剩余寿命预测方法。首先将振动信号时间序列进行层次分析,计算各个节点的散布熵,将散布熵重构融合得到HDE;其次将相关性、单调性和鲁棒性组合形成综合指标,用来验证HDE的优越性;最后划分训练集和测试集,通过GRU网络进行寿命预测试验。结果表明,HDE的综合指标值最优,所提方法HDE-GRU的预测误差比RMS-GRU、DE-GRU和MDE-GRU分别低42.77%、39.57%和20.24%,且运行时间最短,预测精度更高,为滚动轴承健康管理提供了实际价值。

基于EMD和改进TCN的滚动轴承剩余寿命预测方法

鉴于当前在滚动轴承的剩余使用寿命预测领域中,轴承振动数据难以提取有效特征、数据维度小而难以满足需求、预测模型趋于复杂化而造成计算成本高的问题,本文提出了一种基于经验模态分解(empirical mode decomposition,EMD)的特征提取方法以及基于改进时间卷积网络(temporal convolutional network,TCN)的剩余寿命预测方法,并在PHM 2012轴承数据集上进行了验证。实验结果显示:改进的时间卷积网络在均方误差(mean square error,MSE)指标上比其他时间卷积网络降低46.43%,在评分函数(Score)指标上比其他时间卷积网络提升4.06%。此外,本文改进的时间卷积网络在MSE上比其他4种模型方法降低84.74%;在Score指标上比其他4种模型方法提升了163%,充分验证了本文改进TCN模型的有效性。

基于多通道融合的滚动轴承剩余寿命预测

针对工业生产中滚动轴承剩余使用寿命(RUL)预测任务中数据挖掘不足导致预测精度低的问题,提出了一种多通道融合的滚动轴承剩余寿命预测方法。该方法通过互补集合经验模态分解(CEEMD)对原始振动信号进行降噪化处理和特征增强并将其作为模型输入;构建三通道网络模型,引入3种不同的神经网络:时间卷积网络(TCN)、卷积长短时间记忆网络(ConvLSTM)、双向门控循环单元神经网络(Bi-GRU),从时序、空间、感受野等多维度对特征进行差异化提取;在结构基础上添加多头注意力机制(multi-head attention mechanism,MA),重新调整网络输出权重、加快模型收敛速度;最后,设计一个特征融合输出模块,实现对滚动轴承剩余寿命预测。在两种数据集上进行实验验证,并与其他文献中先进模型进行对比。结果表明,所提模型能够更准确地捕捉轴承寿命退化曲线并且在多种评价指标上均优于对比模型。

基于DL-Gamma的滚动轴承剩余寿命预测方法

针对滚动轴承特征提取困难、寿命分布难以获取的问题,将深度学习(Deep Learning)方法和伽玛过程(Gamma Process)结合提出了一种基于DL-Gamma的滚动轴承寿命预测方法。分别以振动信号典型时域频域特征和利用连续小波变换得到原始信号的时频图作为一维时间序列数据和二维图像序列数据,结合深度卷积神经网和双向长短时记忆网络构建混合输入网络,将一维时间序列数据和二维图像序列数据输入网络得到性能退化因子,利用伽玛过程对性能退化因子曲线进行建模,实现剩余寿命预测。试验结果表明,该方法可有效预测滚动轴承剩余寿命,且预测结果克服传统方法滞后性明显的缺点,有利于实际应用。

基于加权联合不同子空间学习的滚动轴承剩余寿命预测

针对在对不同工作条件下的滚动轴承进行剩余寿命预测时由于不同数据分布导致预测性能下降的问题,提出了一种基于加权联合不同子空间学习(WJDSL)的迁移学习方法进行轴承剩余寿命预测。首先,利用奇异值相关系数对轴承进行健康状态划分,并利用原始振动信号获取希尔伯特-黄(HHT)边际谱,将HHT边际谱作为堆叠降噪自编码器(SDAE)的原始输入进行深度特征提取。然后,提出了一种WJDSL迁移学习方法降低不同工况下的轴承退化序列之间的分布差异。该方法获得源域和目标域的2个耦合投影,将它们映射到各自的子空间中,分别考虑边缘分布和条件分布的重要性,并在模型中训练一个自适应回归函数来最大化源域与目标域边缘分布的流行一致性,保留域的固有属性。最后,利用迁移学习后的新特征建立双向长短时记忆网络(Bi-LSTM)预测模型。在IEEE PHM Challenge 2012数据集上的实验结果验证了该方法的有效性。

基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测

为解决有限状态数据下滚动轴承剩余寿命难以估算的问题,提出一种基于相对特征和多变量支持向量机(Multivariablesupport vector machine,MSVM)的剩余寿命预测的新方法。该方法利用不受轴承个体差异影响的相对方均根值(Relative rootmean square,RRMS)评估轴承性能衰退规律,运用相关分析选取敏感特征作为输入,构造兼顾多变量回归和小样本预测双重优势的MSVM模型预测轴承剩余寿命。与单变量支持向量机相比,MSVM克服了结构简单、信息匮乏等缺点,实现小样本数据潜在信息的最大挖掘。运用仿真数据和轴承全寿命试验数据对预测模型进行检验,结果表明MSVM可在小样本条件下利用尽可能多的有效信息获得准确的预测结果,具有较强的工程使用价值和通用性。

基于改进深度森林的滚动轴承剩余寿命预测方法

针对现有人工智能方法在滚动轴承剩余寿命预测中存在精度差、运算效率低的问题,提出一种基于深层迭代特征(deep iterative features,DIF)级联CatBoost(cascade catboost,CasCatBoost)的滚动轴承剩余寿命预测新方法。该方法是一种改进的新型深度森林算法,首先对由快速傅里叶变换得到的滚动轴承频域信号进行迭代计算,得到迭代特征。为了减小内存的消耗,将深度森林中的多粒度扫描结构替换为卷积神经网络,提取迭代特征的深层特征,并构建性能退化特征集。然后对可实现GPU并行加速的单一CatBoost模型进行集成,引入决定系数R2构建CasCatBoost结构以提高模型的表征能力,选取模型最后一个级联层的平均寿命百分比p表示输出。最后运用一次函数对p进行拟合,预测出轴承的剩余寿命。利用PHM2012数据库对滚动轴承剩余寿命进行预测,所提方法的预测平均误差为10.57%、平均得分为0.426。