CN109460618B - 一种滚动轴承剩余寿命在线预测方法及*** - Google Patents
一种滚动轴承剩余寿命在线预测方法及*** Download PDFInfo
- Publication number
- CN109460618B CN109460618B CN201811348544.1A CN201811348544A CN109460618B CN 109460618 B CN109460618 B CN 109460618B CN 201811348544 A CN201811348544 A CN 201811348544A CN 109460618 B CN109460618 B CN 109460618B
- Authority
- CN
- China
- Prior art keywords
- layer
- degradation
- rolling bearing
- convolution
- bearing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开了一种滚动轴承剩余寿命的在线预测方法,在滚动轴承从健康状态运行到损坏状态这一过程,提取轴承运行过程的原始信号样本和对应的退化能量指标,将运行原始信号样本作为五层卷积神经网络模型输入,将退化能量指标作为卷积神经网络模型输出,训练得到退化能量状态模型;实时采集待测滚动轴承的运行原始信号;将待测滚动轴承的运行原始信号输入退化能量状态模型,估算得到退化能量指标;进而利用估算的能量退化指标预测待测滚动轴承的剩余寿命。本发明的预测过程仅需采集轴承原始运行信号,无须提取和筛选特征,克服了现有技术采用特征提取、特征筛选和回归预测的方式存在特征提取困难、精确度受限的技术问题。
Description
技术领域
本发明属于滚动轴承退化状态监测技术领域,具体涉及一种滚动轴承 剩余寿命的在线预测方法及***。
背景技术
机械制造领域随着计算机和自动化技术的发展,正朝着智能化方向发 展。制造装备的实时状态监测是加工过程得以持续、稳定运行的基本保障。 滚动轴承作为旋转机械结构的基本元素,其健康状况直接关系到制造装备 的安全运行。据文献记载,接近一半的电机故障是由滚动轴承的失效引起。 特别是在高速重载等极端的工作环境下,滚动轴承极易产生故障,无疑会 对机械装备的整体寿命造成严重威胁,甚至波及人身安全。机械结构的剩 余寿命能够代表机械的实时状态,因此,对轴承剩余寿命的精确预测对机 械制造***的可靠性和安全性具有关键意义。
轴承寿命的预测方法可分为基于模型的方法和基于数据驱动的方法。 对于基于模型的方法,很难建立一种模型能够适应复杂的环境噪声和退化 机理,从而预测的精度难以满足实际生产加工;而对于数据驱动的方法能 够基于机器学习和信号处理技术从采集的传感器信号中提取有用的信息, 却不考虑复杂的内部机理,以端对端的方式实现剩余寿命预测。通常,数 据驱动的方法能够以简捷的分析手段得到更加精确的结果。
目前,基于数据驱动的轴承剩余寿命预测的常用方法由三部分构成: 特征提取、特征筛选和回归预测。特征提取是从原始的传感器信号中提取 时域特征、频域特征以及时频域特征构成向量以代表信号的全部信息;特 征筛选利用主成分分析(Principalcomponents analysis,PCA)等降维技术, 从上述提取的特征中筛选更加有效的特征而减弱冗杂的信息;回归预测利 用支持向量回归(Support Vector Regression,SVR)等方法,将训练集的整 个退化过程建立特征与线性的退化健康指标的映射关系,再对测试集指定时刻提取的特征进行剩余寿命预测。然而,上述方法中特征提取的优劣直 接关系到预测精确度,因此特征提取的难度很大。同时线性的退化健康指 标并不能实际代表退化过程,例如轴承的早期退化速度相比晚期较慢。因 此上述方法的预测性能有限。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提出一种滚动轴承 剩余寿命的在线预测方法及***,仅需采集轴承运行信号,便可准确预测 剩余寿命,克服了现有技术采用特征提取、特征筛选和回归预测的方式存 在特征提取困难、精确度受限的技术问题。
为实现上述目的,本发明采取的技术方案如下:
一种滚动轴承剩余寿命的在线预测方法,所以方法包括离线训练步骤 和在线预测步骤:
所述离线训练步骤为:
在滚动轴承从健康状态运行到损坏状态这一过程,提取轴承的运行原 始信号样本和对应的退化能量指标,将运行原始信号样本作为五层卷积神 经网络模型输入,将退化能量指标作为卷积神经网络模型输出,训练得到 退化能量状态模型;
所述在线预测步骤为:
实时采集待测滚动轴承的运行原始信号;将待测滚动轴承的运行原始 信号输入退化能量状态模型,估算得到退化能量指标;进而利用估算的能 量退化指标预测待测滚动轴承的剩余寿命。
进一步地,所述提取退化能量指标的具体实施方式为:
(11)在滚动轴承从健康状态运行到损坏状态这一过程,采集N组滚动 轴承运行原始信号样本,第i组原始信号样本定义为时间ti的采样阶段;
ti=[ti1,...,tip],i=1,2,...,N,p=1,2,..P,
式中,每个采样阶段ti存在P个采样点,将轴承原始信号Si表示为:
Si=[Si(ti1),...,Si(tip)],i=1,2,...,N;
得到瞬时振幅和瞬时频率:
对本征模态函数的希尔伯特谱求和得到第i组信号的希尔伯特谱 Mi(fi,ti):
式中,h(ai,j,fi,j,ti)表示本征模态函数的希尔伯特谱密度函数;
(13)将得到的希尔伯特谱Mi(fi,ti)对时间积分可以得到第i组信号的 希尔伯特边际谱Mi(fi):
Mi(fi)=∫Mi(fi,ti)dti。
(14)将轴承构件即轴承内圈、外圈和滚珠的固有频率finner、fouter以 及fball代入到第i组信号的希尔伯特边际谱中Mi(fi),取其最大值得到第i 组的退化能量指标Li:
进一步地,所述训练退化能量状态模型的具体实施方式为:
(21)将轴承运行原始信号样本Si输入第一层卷积层: K为卷积核的数量,式中,为第1层卷积 层对应于第k个卷积核的第m个输出,m=1,2,...,V1,为输入到 卷积层的第e个子向量,表示o1长度的实数,o1是卷积核大小,和B1,k∈R分别为连接输入层至卷积层的第k个卷积核的权重 和偏差,‘*’代表卷积运算,R表示实数;
(24)将S1输入第2层卷积层,按照步骤(21)-(23)的方式得到第 2层卷积层和池化层的输出结果u2,k和P2,k;
(25)第二层池化层得到的结果是K维的向量,压平层将K维变成一 维的向量;
(27)以损失函数z最小化为目标,通过反向传播和迭代,训练得到 最优化的模型参数。
进一步地,还将原始信号样本和对应的退化能量指标归一化。
进一步地,所述利用估算的能量退化指标预测待测滚动轴承的剩余寿 命的具体实施方式为:
∈支持向量回归的训练集X表示为:
基于训练集X,通过优化限制距离∈和惩罚系数C训练出支持向量回归 模型;
本发明将采集的轴承运行原始信号代入训练的五层卷积神经网络模型, 得到退化能量状态模型,进而利用估算的能量退化指标预测待测滚动轴承 的剩余寿命。预测过程仅需采集轴承原始运行信号,无须提取和筛选特征, 克服了现有技术采用特征提取、特征筛选和回归预测的方式存在特征提取 困难、精确度受限的技术问题,从而能够更加准确的预测轴承的剩余寿命, 在实际的制造过程具有可实现性。
本发明的核心思路是摒弃特征提取的方式,转用基于原始信号自动在 线预测的方式,在具体实施过程中,退化能量状态模型的选择是一个难点 和重点。由于原始信号的采样频率大且冗杂各种噪声很难用传统的方法处 理,同时退化能量指标随时间变化波动明显但一般的滤波方法会损失其部 分退化特性,需要一种能对高频率原始信号和波动退化能量指标进行学习 的方法,达到很好的拟合学习效果,在本发明中设定为卷积神经网络模型, 这是申请人研究发现卷积神经网络的离散卷积和反向传播的优势可以快速 的从原始信号和能量指标之间学到映射关系。而进一步的,本发明将卷积 神经网络模型优化设定为五层卷积神经网络模型,更深层的卷积神经网络 训容易对数据过拟合而更少层的网络容易欠拟合,本发明的五层神经网络 对于该轴承数据集具有最优的学习效果。
进一步的,本发明在提取退化能量指标中,考虑了轴承的动力学特性, 从时频域角度提取内圈,外圈和滚珠的固有频率随时间的能量退化,具有 能代表轴承实际动力学特性随时间退化的技术效果。
附图说明
图1为本发明方法流程图。
图2为本发明提取的非线性能量退化指标和经典的线性退化指标,以 及剩余寿命的示意图。
图3为使用希尔伯特-黄变换提取的训练轴承的退化能量指标,图3(a) 是直接提取的退化能量指标,图3(b)是经过归一化的退化能量指标。
图4为使用卷积神经网络预测的退化能量指标。图4(a)是训练样本 的预测结果,图4(b)、4(c)、4(d)是测试样本的预测结果。
图5为支持向量回归的示意图。
图6为测试轴承的剩余寿命预测图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清晰,以下结合附图及实 施例,对本发明进行进一步详细说明。
如图1所示,一种滚动轴承剩余寿命的在线预测方法,所以方法包括 离线训练步骤和在线预测步骤:
所述离线训练步骤为:
提取滚动轴承由健康状态运行到损坏状态的原始信号样本和对应的退 化能量指标,将原始信号样本作为五层卷积神经网络模型输入,将退化能 量指标作为卷积神经网络模型输出,训练得到退化能量状态模型;
所述在线预测步骤为:
实时采集待测滚动轴承的运行原始信号;将待测滚动轴承的运行原始 信号输入退化能量状态模型,估算得到退化能量指标;进而利用估算的能 量退化指标预测待测滚动轴承的剩余寿命。
所述退化能量指标是指单位采样时间的轴承内圈、轴承外圈和滚珠中的 固有频率的最大能量值。退化能量指标的获取方式有时域、频域和时-频域 提取,本发明给出一种优选的方式,具体如下:
(11)对于训练滚动轴承,轴承由健康状态运行到损坏状态,利用加 速度传感器采集N组滚动轴承运行原始信号样本,第i组原始信号样本定 义为时间ti的采样阶段;
ti=[ti1,...,tip],i=1,2,...,N,p=1,2,..P
式中,每个采样阶段ti存在p个采样点,因此将轴承原始信号Si表示为:
Si=[Si(ti1),...,Si(tip)],i=1,2,...,N
得到瞬时振幅和瞬时频率:
对本征模态函数的希尔伯特谱求和得到第i组信号的希尔伯特谱 Mi(fi,ti):
式中,h(ai,j,fi,j,ti)表示本征模态函数的希尔伯特谱密度函数;
(13)将得到的希尔伯特谱Mi(fi,ti)对时间积分可以得到第i组信号的 希尔伯特边际谱Mi(fi):
Mi(fi)=∫Mi(fi,ti)dti
将所关心的不同轴承构件(包含轴承内圈、外圈、滚珠)的固有频率 finner(221Hz),fouter(168Hz)以及fball(215.4Hz)带入到每组信号的希尔 伯特边际谱中Mi(fi),取其最大值可得到第i组的退化能量指标Li:
由此得到整个训练轴承的退化能量指标L,并对其归一化得到Lnorm:
Lnorm=[L1,L2,...,LN]。
图3为使用希尔伯特-黄变换提取的训练轴承的退化能量指标,图3(a) 是直接提取的退化能量指标,图3(b)是经过归一化的退化能量指标。
所述步骤(2)中,卷积神经网络模型优选五层卷积神经网络模型, 选练的具体过程为:
(21)将轴承运行原始信号样本Si输入两层卷积层: 式中,为第k层卷积层的第m个输出,为第k-1 卷积层的第e个子向量,ok是第k层卷积核大小,和Bk∈R分别 为训练得到的连接k-1层至k层的权重和偏差,‘*’代表卷积运算;
(24)将S1输入第2层卷积层,按照步骤(21)-(23)的方式得到第 2层卷积层和池化层的输出结果u2,k和P2,k;
(25)第二层池化层得到的结果是K维的向量,压平层将K维变成一 维的向量;
(27)以损失函数z最小化为目标,通过反向传播和迭代,训练得到 最优化的模型参数。
所述步骤(2),对于测试轴承,传感器采集Q组原始信号Si,i=1,…,Q, 输入步骤(3)中训练得到的卷积神经网络模型可以估算针对测试能量退化 指标Ltest=[L1,test,...,LQ,test,]。
图4为使用卷积神经网络预测的退化能量指标。图4(a)是训练样本 的预测结果,图4(b)、4(c)、4(d)是测试样本的预测结果。
图2为本发明提取的非线性能量退化指标和经典的线性退化指标,以及 剩余寿命的示意图。
∈支持向量回归的训练集X表示为:
基于训练集X,通过优化限制距离∈和惩罚系数C训练出支持向量回归 模型;
图5为支持向量回归的示意图,图6为测试轴承的剩余寿命预测图。
式中|E%|越大表示误差越大,ETA越小表示预测误差越大。
下面结合实例来验证本发明的有效性和正确性,数据来源于 PRONOSTIA实验台上滚动轴承加速寿命试验。其采集的数据集广泛用于 验证滚动轴承的故障诊断和状态监测方法。该试验台由负载***、传动系 统和数据采集***三部分构成。本发明模型使用滚动轴承的转速是 1800rpm,负载是4000N。采样频率是25.6kHz,每10s持续采样0.1s, 因此每10s将采集2560个数据点。在轴承座的水平和竖直方向上分别安装 一个加速度传感器,采集振动信号。本发明中只使用了退化特征更为明显 的水平方向的振动信号。
本发明使用卷积神经网络建立原始信号和退化能量指标的映射关系, 卷积神经网络的层数、卷积核个数、卷积核大小和卷积核的滑动步长等参 数是经过反复实验,得到能使训练效果最优的参数,如表1所示,对于上 述实验数据,不同层的输出尺寸也在相应的变化。
表1
图4为原始信号使用训练好的映射模型来预测的退化能量指标。图(a) 为训练的轴承,图(b)(c)(d)为测试的轴承。可以看到,训练的轴承 由于包含全生命周期的退化过程,其退化程度相对于测试轴承更加明显。 根据训练轴承最后时刻的退化能量,设置0.9756为退化阈值。
根据预测的退化能量指标,利用图5所示的支持向量回归的方法,设 置窗口大小为50,窗口滑动步长S为1。取每个窗口内部退化能量的均值 和方差作为支持向量回归的输入,每个窗口的下一个能量指标作为输出, 以滑动的方式预测测试轴承未知的能量指标,直到达到与阈值的交点。最 后的剩余寿命预测结果如图6所示。同时,为了验证本发明的有效性,本 发明的预测结果与其它的方法进行了比较。表2比较了本发明与C1方法(以 线性退化能量指标代替希尔伯特-黄变换提取的指标,再利用本发明的训练 和预测方法)、C2方法(直接利用支持向量回归对希尔伯特-黄变换提取的 指标进行剩余寿命预测),RUL即代表剩余寿命;表3比较了本发明与已 发表文献的预测结果的比较。从表2和表3中可以看出,本发明在测试轴 承上的预测误差Er%分别为:-0.29%,7.45%,-1.37%,5.57%和1.55%,预 测精度上都具有极大的提升。
表2
表3
本发明提供的融合模型,将希尔伯特-黄变换、卷积神经网络和支持向 量回归应用于滚动轴承的复杂退化过程,以实现轴承的实时在线监测;所 述融合模型只需提取一次轴承全生命周期的退化能量指标,便能基于传感 器原始信号预测测试轴承的退化能量指标,并能在线预测测试轴承的剩余 寿命;所述方法可实现旋转机械的实时状态监测,对到达退化晚期的滚动 轴承及时更换,避免由于高转速、高负载情况下轴承的突然损坏造成巨大 损失。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等 同替换和改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种滚动轴承剩余寿命的在线预测方法,其特征在于,所以方法包括离线训练步骤和在线预测步骤:
所述离线训练步骤为:
在滚动轴承从健康状态运行到损坏状态这一过程,提取轴承的运行原始信号样本和对应的退化能量指标,将运行原始信号样本作为五层卷积神经网络模型输入,将退化能量指标作为卷积神经网络模型输出,训练得到退化能量状态模型;
所述在线预测步骤为:
实时采集待测滚动轴承的运行原始信号;将待测滚动轴承的运行原始信号输入退化能量状态模型,估算得到退化能量指标;进而利用估算的能量退化指标预测待测滚动轴承的剩余寿命;
提取退化能量指标的具体实施方式为:
(11)在滚动轴承从健康状态运行到损坏状态这一过程,采集N组滚动轴承运行原始信号样本,第i组原始信号样本定义为时间ti的采样阶段;
ti=[ti1,...,tip],i=1,2,...,N,p=1,2,..P,
式中,每个采样阶段ti存在P个采样点,将轴承原始信号Si表示为:
Si=[Si(ti1),...,Si(tip)],i=1,2,...,N;
得到瞬时振幅和瞬时频率:
对本征模态函数的希尔伯特谱求和得到第i组信号的希尔伯特谱Mi(fi,ti):
式中,h(ai,j,fi,j,ti)表示本征模态函数的希尔伯特谱密度函数;
(13)将得到的希尔伯特谱Mi(fi,ti)对时间积分可以得到第i组信号的希尔伯特边际谱Mi(fi):
Mi(fi)=∫Mi(fi,ti)dti;
(14)将轴承构件即轴承内圈、外圈和滚珠的固有频率finner、fouter以及fball代入到第i组信号的希尔伯特边际谱中Mi(fi),取其最大值得到第i组的退化能量指标Li:
训练退化能量状态模型的具体实施方式为:
(21)将轴承运行原始信号样本Si输入第一层卷积层: K为卷积核的数量,式中,为第1层卷积层对应于第k个卷积核的第m个输出,m=1,2,...,V1,为输入到卷积层的第e个子向量,表示o1长度的实数,o1是卷积核大小,和B1,k∈R分别为连接输入层至卷积层的第k个卷积核的权重和偏差,‘*’代表卷积运算,R表示实数;
(24)将S1输入第2层卷积层,按照步骤(21)-(23)的方式得到第2层卷积层和池化层的输出结果u2,k和P2,k;
(25)第二层池化层得到的结果是K维的向量,压平层将K维变成一维的向量;
(27)以损失函数z最小化为目标,通过反向传播和迭代,训练得到最优化的模型参数。
2.根据权利要求1所述的滚动轴承剩余寿命的在线预测方法,其特征在于,还将原始信号样本和对应的退化能量指标归一化。
3.根据权利要求1或2所述的滚动轴承剩余寿命的在线预测方法,其特征在于,所述利用估算的能量退化指标预测待测滚动轴承的剩余寿命的具体实施方式为:
∈支持向量回归的训练集X表示为:
式中,L(g-l)S+l+1表示第g个滑动窗口的下一个退化能量指标;
基于训练集X,通过优化限制距离∈和惩罚系数C训练出支持向量回归模型;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811348544.1A CN109460618B (zh) | 2018-11-13 | 2018-11-13 | 一种滚动轴承剩余寿命在线预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811348544.1A CN109460618B (zh) | 2018-11-13 | 2018-11-13 | 一种滚动轴承剩余寿命在线预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109460618A CN109460618A (zh) | 2019-03-12 |
CN109460618B true CN109460618B (zh) | 2023-02-10 |
Family
ID=65610280
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811348544.1A Active CN109460618B (zh) | 2018-11-13 | 2018-11-13 | 一种滚动轴承剩余寿命在线预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460618B (zh) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992872B (zh) * | 2019-03-27 | 2020-07-28 | 西安交通大学 | 一种基于层叠分离卷积模块的机械设备剩余寿命预测方法 |
CN110147827B (zh) * | 2019-04-25 | 2021-04-30 | 北京航空航天大学 | 一种基于iaalo-svm与相似性度量的故障预测方法 |
CN110188920A (zh) * | 2019-04-26 | 2019-08-30 | 华中科技大学 | 一种锂电池剩余寿命预测方法 |
CN110232249B (zh) * | 2019-06-17 | 2023-04-18 | 中国人民解放军陆军装甲兵学院 | 一种滚动轴承剩余寿命预测方法 |
CN110263474A (zh) * | 2019-06-27 | 2019-09-20 | 重庆理工大学 | 一种数控机床的刀具寿命实时预测方法 |
CN110377984B (zh) * | 2019-07-02 | 2023-08-18 | 中国科学院深圳先进技术研究院 | 一种工业设备剩余有效寿命预测方法、***及电子设备 |
CN110609524B (zh) * | 2019-08-14 | 2020-07-28 | 华中科技大学 | 一种工业设备剩余寿命预测模型及其构建方法和应用 |
CN110610035B (zh) * | 2019-08-28 | 2022-12-16 | 武汉科技大学 | 一种基于gru神经网络的滚动轴承剩余寿命预测方法 |
JP7290221B2 (ja) * | 2019-09-30 | 2023-06-13 | 国立大学法人大阪大学 | 余寿命予測システム、余寿命予測装置、および余寿命予測プログラム |
CN110705181B (zh) * | 2019-10-13 | 2022-06-24 | 重庆交通大学 | 基于卷积长短时记忆循环神经网络的滚动轴承剩余寿命预测方法 |
CN110988537B (zh) * | 2019-12-08 | 2022-03-15 | 中国航空综合技术研究所 | 基于位置反馈的电动舵机剩余寿命预测方法 |
CN111680446B (zh) * | 2020-01-11 | 2022-11-15 | 哈尔滨理工大学 | 一种基于改进多粒度级联森林的滚动轴承剩余寿命预测方法 |
CN111258297B (zh) * | 2020-01-17 | 2021-06-04 | 北京大学 | 基于数据融合网络的设备健康指标构建及寿命预测方法 |
CN111340282B (zh) * | 2020-02-21 | 2021-04-23 | 山东大学 | 基于da-tcn的设备剩余使用寿命的估计方法及*** |
CN111399474B (zh) * | 2020-02-29 | 2021-05-14 | 中南大学 | 一种基于健康指标的均衡控制模块寿命预测方法及装置 |
CN111611744B (zh) * | 2020-03-31 | 2023-05-02 | 华电电力科学研究院有限公司 | 基于循环卷积网络及变分推理的滚动轴承寿命预测方法 |
CN111832216B (zh) * | 2020-04-14 | 2022-07-12 | 新疆大学 | 基于eemd-mcnn-gru的滚动轴承剩余使用寿命预测方法 |
CN111931625B (zh) * | 2020-08-03 | 2022-07-19 | 浙江大学 | 基于非对称损失神经网络的产品关键零件剩余寿命预测方法 |
CN112347898B (zh) * | 2020-11-03 | 2024-04-09 | 重庆大学 | 一种基于dcae神经网络的滚动轴承健康指标构建方法 |
CN113033881B (zh) * | 2021-03-08 | 2024-03-29 | 沈阳大学 | 一种滚动轴承剩余寿命预测方法 |
CN113052060B (zh) * | 2021-03-22 | 2024-02-09 | 六盘水师范学院 | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 |
CN112949097B (zh) * | 2021-04-19 | 2022-09-16 | 合肥工业大学 | 一种基于深度迁移学习的轴承剩余寿命预测模型和方法 |
CN113917271B (zh) * | 2021-11-23 | 2023-10-27 | 江苏科技大学 | 一种风电滑环退化状态在线追踪预测方法 |
CN116579247B (zh) * | 2023-05-24 | 2023-12-19 | 石家庄铁道大学 | 基于maml元学习的滚动轴承剩余寿命预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010190901A (ja) * | 2010-03-17 | 2010-09-02 | Chugoku Electric Power Co Inc:The | 転がり軸受の余寿命診断方法 |
CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
CN106980761A (zh) * | 2017-03-29 | 2017-07-25 | 电子科技大学 | 一种滚动轴承运行状态退化趋势预测方法 |
-
2018
- 2018-11-13 CN CN201811348544.1A patent/CN109460618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010190901A (ja) * | 2010-03-17 | 2010-09-02 | Chugoku Electric Power Co Inc:The | 転がり軸受の余寿命診断方法 |
CN106909756A (zh) * | 2017-03-29 | 2017-06-30 | 电子科技大学 | 一种滚动轴承剩余寿命预测方法 |
CN106980761A (zh) * | 2017-03-29 | 2017-07-25 | 电子科技大学 | 一种滚动轴承运行状态退化趋势预测方法 |
Non-Patent Citations (2)
Title |
---|
《Rolling element bearing remaining useful life estimation based on a convolutional long-short-term memory network》;Ahmed Zakariae Hinchi等;《ScienceDirect》;20180312;第123-132页 * |
《基于深度神经网络的轴承状态监测研究》;刘叶鹏等;《制造技术与机床》;20170831;第76-80页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109460618A (zh) | 2019-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109460618B (zh) | 一种滚动轴承剩余寿命在线预测方法及*** | |
Hasan et al. | Acoustic spectral imaging and transfer learning for reliable bearing fault diagnosis under variable speed conditions | |
CN112036547B (zh) | 自动特征提取结合lstm的滚动轴承剩余寿命预测方法 | |
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN107560849A (zh) | 一种多通道深度卷积神经网络的风电机组轴承故障诊断方法 | |
CN101173869B (zh) | 用于诊断机构的方法和设备 | |
CN110110768B (zh) | 基于并行特征学习和多分类器的滚动轴承故障诊断方法 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN111046945A (zh) | 基于组合卷积神经网络的故障类型及损坏程度诊断方法 | |
CN108444696A (zh) | 一种齿轮箱故障分析方法 | |
CN103115789A (zh) | 金属结构损伤剩余寿命的第二代小波支持向量机评估方法 | |
CN112729834B (zh) | 一种轴承故障的诊断方法、装置和*** | |
CN116358871B (zh) | 基于图卷积网络的滚动轴承微弱信号复合故障诊断方法 | |
CN114755017B (zh) | 一种跨域数据驱动无监督领域共享网络的变转速轴承故障诊断方法 | |
CN114819315A (zh) | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 | |
Zhang et al. | Complementary ensemble adaptive local iterative filtering and its application to rolling bearing fault diagnosis | |
CN114861349A (zh) | 一种基于模型迁移和维纳过程的滚动轴承rul预测方法 | |
WO2023065580A1 (zh) | 风电机组齿轮箱的故障诊断方法及装置 | |
CN115345192A (zh) | 一种变工况和复杂噪音环境下滚动轴承的故障诊断方法 | |
CN112069621B (zh) | 基于线性可靠度指标的滚动轴承剩余使用寿命的预测方法 | |
CN110967184B (zh) | 基于振动信号分布特征识别的变速箱故障检测方法和*** | |
CN111753876B (zh) | 一种基于深度神经网络的产品质量检测方法 | |
CN113807431A (zh) | 一种基于多源信息融合的智能主轴状态评估方法和*** | |
CN112161805A (zh) | 一种基于时间序列标度分析和cnn的轴承微小故障诊断方法 | |
CN114137915A (zh) | 一种工业设备的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |