基于Transformer-LSTM网络的轴承寿命预测

轴承是旋转机械设备中的重要部件,由于工况、材质、加工方式等原因,轴承寿命时长相差许多。传统的并行或串行神经网络预测方式,对数据集有一定要求。因此,需要一种能够适用于不同数据长短的轴承剩余使用寿命预测网络。为此提出了一种能够预测不同寿命时长的Transformer-LSTM串并行神经网络预测模型。通过将Transformer解码层进行重构,并与长短期记忆时序神经网络(long short-term memory,LSTM)网络结构融合,实现轴承寿命数据的串并行预测处理。试验结果表明Transformer-LSTM神经网络能够精准预测长、中、短不同寿命时长的轴承失效时间,具有较强的模型泛化能力,提升轴承寿命预测精度与模型的泛化能力。

基于状态追踪特征相空间重构的轴承寿命预测方法

针对滚动轴承剩余寿命预测中的特征选择及模型优化问题,提出了基于状态追踪特征相空间重构的轴承寿命预测方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出轴承性能退化的最优特征集。为了统一描述各个特征对轴承退化状态的表征信息,采用自适应混沌粒子群算法(Adaptive Chaos Particle Swarm Optimization,ACPSO)优化支持向量数据描述(Support Vector Data Description,SVDD)方法构建轴承健康指数,该健康指数对轴承运行状态进行了准确划分。最后,以轴承衰退期的相空间重构指数为基础,采用ACPSO-GRNN预测轴承剩余寿命。通过试验表明,该方法不仅能及早发现轴承运行的衰退时间点,且相比于SVR和BP神经网络寿命预测具有更高的预测精度。

面向轴承寿命预测的特征评估与模型优化

针对滚动轴承剩余寿命预测中的特征评估及模型优化问题,提出了面向轴承寿命的特征评估与模型优化的方法。该方法在轴承特征进行单调性与敏感性评估的基础上,对轴承运行状态跟踪能力进行量化评估,进而筛选出表征轴承性能退化的多维特征集。为了减少多维特征集之间相关冗余信息对寿命预测的影响,采用相似近邻传播(affinity propagation,简称AP)聚类方法对多维特征集进行聚类和筛选。为了统一描述AP聚类后的特征对轴承退化状态的表征信息,采用自组织神经网络(self-organizing feature map,简称SOM)构建轴承健康指数。最后,利用自适应混沌粒子群算法(adaptive chaos particle swarm optimization,简称ACPSO)优化双指数模型预测轴承剩余寿命。试验表明,该方法可以准确描述轴承运行状态时期,并有效地预测了轴承的剩余寿命。

动态状态空间模型及粒子滤波方法在滚动轴承寿命预测中的应用研究

针对滚动轴承物理模型难以准确建立,全寿命失效样本难以获取的问题,提出一种基于动态状态空间模型的滚动轴承寿命预测方法。该方法通过改进公式,构建模型参数定时更新的动态状态空间模型。将已知的滚动轴承运行状态数据输入动态状态空间模型,应用粒子滤波算法估计滚动轴承运行状态,实现滚动轴承寿命预测。运用滚动轴承全寿命实验数据对所提出方法进行验证,并将预测结果与Gamma模型预测结果对比分析,结果表明该方法优于Gamma模型预测方法,具有较强的工程实用性。

基于Weibull分布的双馈风力发电机轴承寿命预测

针对双馈风力发电机轴承寿命难以预测的问题,提出了基于Weibull分布的双馈风力发电机轴承寿命预测方法.通过对实测振动数据的分析处理,计算得到反映轴承寿命的可靠度;其次,应用最小二乘法辨识Weibull分布可靠度函数中的Weibull分布参数,由此推得基于Weibull分布的轴承期望寿命计算公式;最后进行了双馈风力发电机轴承的期望寿命预测.预测结果表明:基于Weibull分布的轴承寿命预测方法能够很好地利用现场实测数据预测双馈风力发电机轴承的寿命.

基于自回归求和滑动平均模型的风力发电机轴承寿命预测

提出了基于自回归求和滑动平均(ARIMA)模型的风力发电机轴承寿命预测方法。以经小波包去噪、平稳化处理后轴承振动信号的均方根值为特征量,利用贝叶斯信息准则确定ARIMA模型的自相关阶数和滑动平均阶数,并用矩估计方法求出ARIMA模型的参数。利用求得的ARIMA模型得出振动信号均方根值的变化趋势,进而预测出风力发电机轴承的寿命。仿真结果表明,基于ARIMA模型的风力发电机轴承寿命预测方法能够有效地利用实时数据对轴承寿命进行预测,为风力发电机组的设计和维护提供理论依据。

反应堆内置式控制棒滚动轴承磨损寿命的自动预测

提出一种反应堆内置式控制棒滚动轴承磨损寿命自动预测方法,通过研究滚动体间的接触关系计算滚动轴承内部滚道的接触力,根据轴承的磨损形式和内部滚道的接触力计算径向游离缝隙增量,将其作为评估滚动轴承磨损程度的指标计算得到磨损速率。结合轴承的初始状态建立轴承磨损退化函数,利用退化函数失效阈值计算出滚动轴承的最小健康指数,得到滚动轴承在特定磨损形式下的寿命估计,实现轴承磨损寿命的自动预测。实验表明:所提方法可以有效预测轴承的磨损寿命,且准确度较高。

基于图卷积网络的轴承剩余使用寿命预测

预测轴承的剩余使用寿命虽然已经引入了许多数据驱动的方法,但很少有研究考虑不同传感器之间的时空相关性,这种相关性可以用来识别不同传感器之间的特征,以提高预测模型的鲁棒性。因此,针对多传感器的复杂性特征,构建了一种动态加权图卷积网络(DW-GCN),进行轴承的剩余寿命预测。首先利用不同节点间的空间相关性和时序相关性构建动态加权图,其次利用GCN对样本关联图的空间特征进行提取,最后将提取的特征输入到预测网络中进行剩余使用寿命预测。对轴承数据集进行测试,DW-GCN方法能够有效预测轴承剩余使用寿命,具有较高的预测精度。

基于可变形卷积的轴承剩余寿命预测

针对在滚动轴承剩余寿命(RUL)预测任务中神经网络的普通卷积核提取到的特征分布不均问题,建立了基于注意力的深度可变卷积残差网络(ADRN)以提取轴承的退化特征并计算健康因子(HI)。通过连续小波变换(CWT)提取轴承的时频特征,采用ADRN提取轴承时频图中的退化特征,并通过Tanh激活函数得到HI。为提升对异常值的约束能力,在整个网络中采用提出的动态损失函数进行训练。使用Savitzky-golay滤波器平滑HI后,由多项式函数拟合HI得到回归方程,预测出轴承的RUL。在PHM2012数据集上的实验仿真证明,提出的方法得到了更准确的预测结果。

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。

基于主元特征融合和SVM的轴承剩余寿命预测

为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据样本条件下轴承剩余寿命难以估算的问题,提出了一种基于主元特征融合和支持向量机(SVM)的轴承剩余寿命预测方法。该方法采集振动加速度信号构建数据样本,提取有效值、峰值、小波熵等表征轴承退化趋势的特征指标;采用主元分析融合多个特征指标,消除特征间的冗余和相关性,构造出相对多特征的退化特征量;将退化特征量输入SVM模型中进行轴承剩余寿命预测。现场工程应用结果表明,基于主元特征融合和SVM的轴承剩余寿命预测方法可在小样本条件下筛选出包含信号绝大部分信息的主元,从而在保证预测精度的同时,减少了计算量。

煤机设备轴承剩余寿命预测方法研究

煤机设备轴承剩余寿命预测对设备维护具有重要意义。现有的轴承剩余寿命预测方法或难以建立精确的轴承失效数学模型,或预测精度受样本完备性和准确性的制约,且退化特征量通常采用时域、频域指标,受煤机恶劣工作环境影响较大,导致预测精度不高。针对该问题,提出一种基于经验模态分解(EMD)和灰色模型(GM)的煤机设备轴承剩余寿命预测方法:采用EMD对煤机设备轴承振动加速度信号进行滤波处理;提取滤波信号的均方根作为表征轴承健康状态的退化特征量,形成退化特征量序列;采用退化特征量序列训练GM,进而建立GM轴承剩余寿命预测模型来预测退化特征量的变化趋势,以退化特征量达到设定阈值的时间间隔作为剩余寿命预测值。试验台试验和工程应用结果表明,该方法可有效预测煤机设备轴承剩余寿命,预测精度较高,预测结果能指导现场设备维护。

利用FPGA实现轴承三维力采集的高速采集卡设计

轴承的受力检测应用场合广泛,这里采用一种便携式采集卡的方式实现轴承三维力的检测、信号处理、模数转换和上传。信号采集采用应变测量的方式,信号处理采用放大隔离和AD转换的方式,然后通过FPGA实现分时分段采集,可实现多路力信号采集和处理。应变片通过一个特殊设计的支撑体组装成一个三维力传感器,经模拟量信号处理后,通过AD转换传输给FPGA,再经过FPGA的逻辑处理和USB的通讯协议处理,经过USB上传至电脑。