基于改进JRD及误差修正的轴承剩余寿命预测方法

目前,风电机组齿轮箱性能发生初始退化时难以识别,现有退化指标易出现剧烈波动、单调性较差,且无法准确预测齿轮箱关键部件如轴承的剩余使用寿命(RUL),针对该问题,提出了一种基于改进杰森-瑞丽散度(JRD)及误差修正的双指数模型轴承RUL预测方法。首先,提取了振动信号样本的多域特征指标,利用高斯混合模型(GMM)与指数型权重JRD,得到了样本的后验概率分布向量,再经归一化处理得到置信值(CV);然后,对轴承从初始健康状态退化至当前检查时刻的CV值进行了相空间重构,提取了CV序列的动力学特征,并将其作为相关向量机(RVM)的训练集,获得了支撑整个退化轨迹的相关向量;最后,利用双指数模型拟合了相关向量,外推趋势至失效门限以计算RUL,并引入了差分整合移动平均自回归模型(ARIMA),对拟合相关向量产生的拟合误差进行了预测,以修正预测的结果。实验结果表明:改进后的退化指标单调性指标提高14.3%;且在不同工况、不同时刻下,经误差修正后的轴承的RUL预测结果较未修正之前有明显提高。研究结果表明:该预测方法可为风电机组齿轮箱重要部件的预测性维护提供参考。

基于局部特征尺度分解和JRD距离的液压泵性能退化状态识别方法

针对液压泵振动信号通常具有非线性强与信噪比低的特点,提出了基于局部特征尺度分解(Local Characteristic-Scale Decomposition,LCD)与JRD(Jensen-Renyi Divergence)距离的液压泵性能退化状态识别方法。该方法首先对原始振动信号进行局部特征尺度分解,得到不同特征尺度下的内禀尺度分量(Intrinsic Scale Component,ISC);然后,提取包含主要退化特征信息的ISC分量的Renyi熵,以此作为退化特征量;最后,通过计算不同特征量之间的JRD距离来判断液压泵的退化状态。将该方法应用于液压泵实测数据,结果表明,基于局部特征尺度分解和JRD距离的退化状态识别方法能够有效识别液压泵的性能退化状态。

基于改进AILF与JRD算法的轴承损伤量化评估研究

在对轴承损伤进行量化评估时,在特征提取算法方面易出现模态混叠、收敛速度慢的现象,同时在轴承损伤的评估指标方面,由于工况的变化也容易导致其鲁棒性差、精确度不高,而难以满足实际的需求,针对上述一系列问题,提出了一种以改进的自适应局部迭代滤波(ALIF)算法作为性能退化特性提取算法,以频带间能量JRD距离作为评估指标的轴承损伤量化评估算法。为了提高AILF算法的收敛速度和精度,首先,将具有主成分分析(PCA)特性的奇异值分解(SVD)算法作为AILF算法的前置滤波单元;然后,采用AILF将通过前置处理的信号进行自适应迭代分解;最后,以频带间能量的JRD距离作为评估指标,对轴承的损伤状态进行了量化评估实验以及加速寿命实验。研究结果表明:在量化评估轴承损伤和监测其全寿命性能退化状态方面,该评估算法具有较好的效果;在外界工况发生变化时,与其它的相关算法相比,该量化评估算法具有更好的鲁棒性和量化积聚性,能够更加灵敏地辨识轴承的早期性能退化,因此,该算法在工程实际中具有良好的应用前景。

基于JRD和CUSUM的滚动轴承性能退化状态识别与评估

退化特征提取是滚动轴承性能退化状态识别和评估的关键,JRD克服了传统特征无法准确反应轴承当前技术状态的不足,但在全寿命阶段上稳定性、单调性差,应用累积和(CUSUM)对其进行改进,从而准确识别和评估轴承性能退化状态。应用小波包变换对原始信号进行降噪;计算不同技术状态下信号的Renyi熵,并对比与标准状态的相似程度得出JRD值,作为滚动轴承退化状态特征;应用CUSUM增强JRD值对于寿命微弱变化的敏感性及轴承全寿命的单调性。通过试验验证,滚动轴承性能退化状态的识别率能达到100%,同时能够分阶段、单调性地评估轴承性能退化状态。

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。

寻找水稻DNA编码与非编码区边界方法的比较研究

在分析DNA序列复杂度、预测基因编码区和非编码的DNA边界识别等问题中,以熵为基础构造的离散量度量提供了一种强有力的工具。为改进寻找水稻基因编码与非编码区边界的效率,提出了两个新的离散量度量(αKL离散量与αJensenShannon离散量),根据密码子的GC含量对氨基酸对应密码子构建了粗粒化向量。比较了融合JensenShannon离散量、JensenRenyi离散量、αKL离散量和αJensenShannon离散量等不同向量所获得的精度,结果表明,在对水稻基因编码区‘终止子’的识别效率上,构建的密码子粗粒化向量融合新引进的度量方法比Bernaola等人的方法(2000)提高了4～5倍。