基于少数据样本的滚动轴承寿命分段预测方法

针对少数据样本下,滚动轴承难以准确预测剩余使用寿命(RUL)的问题,提出了一种结合卷积长短期记忆网络(ConvLSTM)与对抗性判别域自适应网络(ADDA)的轴承寿命分段预测方法。首先,利用稀疏概率自注意力机制对特征集进行了筛选,提取了具有时变性的特征集,以获取最优全局特征,确定分段点以作为ADDA模型的输入;然后,针对不同阶段的退化特点建立了相应的健康评估指标;对处于健康状态的轴承,利用ConvLSTM网络预测了轴承健康阶段的寿命,将健康阶段预测数据作为局部特征输入ADDA网络与最优特征集(全局特征),进行了对抗训练,以实现故障阶段的寿命预测,并使用全连接层输出滚动轴承的预测剩余使用寿命;最后,采用PHM2012数据集与工程试验数据分别对模型进行了验证。研究结果表明:相较于ConvLSTM模型、RNN-HI模型、CNN-LSTM模型,ConvLSTM-ADDA寿命预测方法的平均绝对误差分别降低了78.16%、53.14%、67.13%,平均得分分别提高了66.42%、92.81%、32.37%;相较于LSTM模型、CNN-LSTM模型以及Transformer模型,ConvLSTM-ADDA寿命预测方法的均方误差分别降低了80.11%、54.95%、55.94%。因此,该算法模型能够实现对较少数据样本的轴承寿命进行RUL预测的目的,且具有较高的精度。

随机激励下声学黑洞梁疲劳寿命预测

针对含截断厚度的声学黑洞(acoustics black hole, ABH)悬臂梁结构,从解析角度,采用随机载荷和四种典型载荷谱,建立了随机激励下声学黑洞梁的数值模型,进行了疲劳可靠性分析。结果表明,特征频率的偏差和位移功率谱密度(power spectral density, PSD)预测的精度,都处于工程应用可接受误差范围内。ABH区域的振动疲劳寿命变化情况随载荷谱的不同而不同,最安全的点是ABH梁的尖端位置。均匀梁的最小振动寿命明显高于ABH梁。另外,不是截断厚度h_0越大,声学黑洞半径r_(ABH)越小,ABH梁就越安全,这还与随机振动载荷谱有关,不同类型的载荷谱,对梁振动疲劳寿命变化情况的影响不同。