基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的风电机组变桨轴承退化状态评估

针对风电机组变桨轴承服役过程环境噪声干扰严重、退化状态评估精度低的问题,提出一种基于多元精细复合多尺度波动散布熵和累积欧氏距离矩阵测度的退化状态评估模型。该模型将监测数据状态特征获取过程由单通道拓展为多通道进行,通过提出的多元精细复合多尺度波动散布熵算法来获取多通道监测数据的多尺度状态特征,并将累积和检验算法与欧氏距离矩阵测度方法相结合,用于定量衡量基准样本与待分析样本间的差异,从而实现变桨轴承退化状态评估。风电机组变桨轴承全寿命周期加速疲劳实验验证结果表明:该模型能够及时捕捉到变桨轴承的初始退化时刻并且准确跟踪整个退化过程。

基于振动信号排列熵和集成支持向量机的滚动轴承退化状态评估

针对滚动轴承振动监测信号的非平稳、非线性、非高斯等复杂特点,提出一种基于排列熵和集成支持向量机的退化状态评估方法。通过自适应噪声完备集合经验模态分解算法分解得到振动信号的本征模态函数,再以重构相空间分析本征模态函数的排序模式、提取排列熵作为滚动轴承状态特征,最后利用集成支持向量机来实现不同退化状态的智能评估。滚动轴承正常、内圈和滚动体不同退化程度下的实验数据分析结果表明,与样本熵特征、支持向量机模型相比,基于排列熵的集成支持向量机获得了更高的评估准确率,该文方法可以有效用于滚动轴承的退化评估。

基于AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。

基于深度信念网络多参数智能融合的滑靴副性能退化状态评估方法

滑靴副磨损过程的性能退化状态受到表面形貌、摩擦特性等多个方面的影响,单独提取其中任何一个表征参数作为指标,评估其性能退化状态都是不准确的,为提高评估精度,提出基于深度信念网络多参数智能融合的滑靴副性能退化状态评估方法。应用分形理论从滑靴表面形貌特征中提取分形维数、尺度系数和特征粗糙度等分形参数作为表面形貌评估指标,应用摩擦因数作为摩擦特性参数评估指标,构建性能退化状态评估指标体系;计算摩擦因数信号与完全平稳的高斯白噪声序列信号之间的灰色关联度,并根据灰色关联度的大小对性能退化状态进行区域划分;应用深度信念网络理论对多指标参数进行智能融合和特征提取,建立性能退化状态评估模型;开展滑靴副磨损过程模拟试验,分析指标参数和灰色关联度对性能退化状态的影响规律,通过构建出的样本数据集,对评估模型进行训练和测试验证,结果表明评估模型对性能退化状态的评估准确率能够达到97%以上,由此证实该方法对滑靴副性能退化状态评估的有效性,且具有较高的评估精度。

智能化滚珠丝杠副退化状态的评估方法

现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集.针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性.研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.

水电机组状态退化评估与非线性预测

提出了基于Shepard曲面、经验模态分解法(ensembleempirical mode decomposition,EEMD)、混沌理论和灰色理论的水电机组状态退化评估与趋势预测模型。该方法首先用Shepard曲面建立综合考虑有功功率、工作水头作用的水电机组状态退化趋势模型。然后将水电机组状态退化趋势进行EEMD分解,得到若干个相对平稳的固有模态函数(intrinsic mode function,IMF)分量和一个余项分量,对每个IMF分量进行特性识别,根据其不同属性,选用混沌预测模型或灰色模型预测,同时对余项分量进行灰色预测。最后将所有分量的预测结果进行重构,获得最终预测结果。实例分析表明,该方法能有效地评估水电机组状态的退化过程,且能提高退化趋势的预测精度。

基于混合域相对特征和FOA-XGBoost滚动轴承退化评估

针对使用多域特征进行滚动轴承退化评估建模时准确度较低的问题,提出一种基于果蝇优化算法(fruit fly optimization algorithms,简称FOA)集成极限梯度提升树(extreme gradient boosting,简称XGBoost)的轴承退化状态评估方法。提取滚动轴承全寿命周期的时域、频域及时频域等多维特征参数,构建混合域相对特征集,利用相对方均根值初始化轴承退化相应参数,进而利用混合域特征训练XGBoost模型并结合FOA算法对退化评估模型进行参数调优。结果表明:所构建的退化评估模型比常用的支持向量回归(support vactor regerssion,简称SVR)模型在2个数据集上的性能分别提高了27.15%和34.96%,所提方法可以准确有效地评估轴承退化状态。

特征融合与灰色回归的滚动轴承性能退化评估

针对传统退化指标无法准确反映滚动轴承全寿命周期内退化状态的问题,提出一种特征融合与灰色回归的滚动轴承性能退化评估方法.该方法提取滚动轴承振动信号的高维退化特征,构建基于单调性、相关性和鲁棒性的综合评价准则,选择有效退化特征并构建敏感指标集;提出核独立成分分析(Kernel Independent Component Analy⁃sis,KICA)和马氏距离(Mahalanobis Distance,MD)相结合的方法,计算敏感退化指标KICAMD;融合灰色回归模型和3δ原则,判定敏感退化指标KICAMD是否存在虚假波动并修复,获得轴承健康指标(Health Index,HI);最后,基于HI时间序列的转折突变点,自适应确定初始故障时间和定量评估轴承退化状态.两组滚动轴承全寿命周期振动实验数据及对比分析表明,所提方法构建的性能退化指标能有效表征轴承全生命周期的运行状态.

基于性能退化指标的轴承剩余寿命预测及其应用

为确保系统可用性和降低维修成本,提出基于性能退化指标的轴承剩余使用寿命(remaining useful life,RUL)预测模型预测轴承的RUL。通过局部均值分解(local mean decomposition,LMD)将轴承原始振动数据分解为若干积性函数(PF)分量,并根据峰度准则选取有效的PF分量重构原始信号;提取重构原始信号的时域退化特征量,利用基于人工神经网络(artificial neural network,ANN)训练的注意力机制模型选择高质量特征;引入K_均值聚类算法与分段拟合获得健康的退化指标(health degradation indicator,HI),利用灰色回归模型(grey regression model,GM)评估轴承退化可信度范围,并建立基于HI的粒子群优化最小二乘支持向量机模型(particle swarm optimization least squares support vector machine,PSO_LSSVM)预测轴承RUL。实验结果表明,该方法在预测可靠性上取得良好的效果。

多元可逆深度概率学习及齿轮退化分析研究

齿轮退化状态的准确评估对于设备安全运行具有重要意义。常规的齿轮退化状态评估方法的效果受特征提取、预处理等因素的影响。基于生成模型的状态评估方法利用原始观测进行评估,能够降低人为因素的影响。但传统生成模型如变分自编码器(VAE)存在边缘估计不准确的缺点。本文提出了多元可逆深度概率学习(MIDPL),通过叠加可以被优化的可逆变换实现从既定初始分布到未知观测分布的转换,将分布特性复杂的多观测序列转换至既定初始分布进行边缘概率计算继而实现状态评估。本文通过齿轮退化实验验证了MIDPL的有效性,与VAE相比,MIDPL在点蚀和断齿数据集下的评估误差分别降低了30.92%和69.25%,MIDPL能够实现更为稳定和准确的齿轮退化过程评估。