一种基于Bi-LSTM和MLP融合的滚动轴承剩余寿命预测方法

目前长短期记忆网络(long short-term memory, LSTM)是滚动轴承剩余使用寿命(remaining useful life, RUL)预测的常用方法,但其训练过程中收敛速度慢、波动性剧烈、预测误差大的问题,严重影响其在实际生产中的应用.针对该问题,提出一种双向长短期记忆网络(Bi-directional LSTM, Bi-LSTM)与多层感知机(multilayer perceptron, MLP)融合的预测方法.首先,采用堆叠去噪自编码器(stacked denoising auto encoder, SDAE)对预处理后的滚动轴承振动信号进行特征提取;其次构建Bi-LSTM网络与多层感知机融合的多种预测模型,并通过实验获取较优模型;最后使用较优模型对其剩余寿命进行预测.实验结果表明,相对LSTM,Bi-LSTM,以及LSTM融合MLP等常用模型,采用文中提出的方法,模型在滚动轴承剩余寿命训练过程中,波动性更低、收敛速度更快,同时预测误差也得到明显降低.     

基于累计特征提取和RCNN的滚动轴承剩余使用寿命预测

对轴承振动信号的累计特征进行提取,在此基础上提出基于循环卷积神经网络(Recurrent Convolutional Neural Network,RCNN)的滚动轴承剩余使用寿命(Remaining Useful Life,RUL)预测模型。该预测模型通过构建循环卷积层增强神经网络对时间依赖性的学习,通过变分推理量化RUL预测中RCNN的不确定性。通过试验将基于RCNN的滚动轴承RUL预测模型与回归预测模型的预测结果相对比,验证该基于RCNN的预测模型的有效性。     

基于DCNN-BiLSTM的滚动轴承性能退化因子构建方法

针对如何从多维度特征中提取滚动轴承性能退化信息，构建性能退化因子的问题，提出一种基于DCNN-BiLSTM的混合输入网络。首先利用连续小波变换和24个典型时域频域特征计算公式分别得到滚动轴承振动的二维图像数据和一维时间数据，之后将两种不同维度的数据分别输入至混合输入网络进行训练，然后输入测试集数据得到滚动轴承的性能退化因子，最后利用单调性、预测性、鲁棒性对得到的性能退化因子进行评估。试验结果证明，混合输入网络结合DCNN和Bi-LSTM的优点，可有效提取滚动轴承性能退化信息，得到的性能退化因子综合效果较好。     

基于自适应顺序的滚动轴承最优特征选取与寿命预测

为了提高舰船动力传动系统中滚动轴承的故障特征分析及寿命预测能力,需要对选择合适的振动信号特征表征滚动轴承状态的问题进行分析,通过时域,频域,时频域,信息熵等多方面提取滚动轴承的振动特征,构造特征库,综合全面描述滚动轴承的状态信息。提出了一种自适应特征提取方法,通过添加白噪声特征以及融合特征,并使用相关性,单调性,鲁棒性3个指标来综合评价特征,可以自动确定特征维数并筛选出敏感特征子集,并通过实验数据验证了所提方法的有效性。     

基于灰色理论的在役码头混凝土构件剩余寿命预测分析

对在役钢筋混凝土高桩码头的健康状况和继续使用寿命进行预测,是码头设施科学维护管理和安全使用的迫切要求。科学预测其剩余寿命,是采取有效的加固升级改造措施和再投资的需要。文中以灰色理论的基本模型为基础,建立了预测混凝土构件剩余寿命的中心逼近式GM(1,1)模型,并结合某混凝土结构的损伤系数进行寿命预测,通过与实例进行比较,证明该预测模型得到的数据具有更高的预测精度。     

基于Stacking的机舱设备剩余寿命预测方法北大核心CSCD

[目的]在参考中国船级社《智能船舶规范》中智能机舱定义和要求的基础上,探索机舱设备故障预测与健康管理相关技术,开展轴承剩余寿命预测方法研究。[方法]针对常规数据驱动的轴承剩余寿命预测存在预测精度不佳的问题,利用集成学习Stacking融合策略,优选极限梯度提升(XGBoost)与人工神经网络(ANN)为基学习器,岭回归(ridge regression)为元学习器,构建R-A-X(Ridge-ANN-XGBoost)融合预测模型。选用IEEE PHM 2012 Prognostic Challenge同工况下的全寿命周期数据作为数据集设计预测性能对比实验,以MAE和R2为性能评价指标,对比研究基于单一算法、简单平均融合方式以及R-A-X融合方法的轴承剩余寿命预测性能。[结果]结果表明,基于Stacking构建的R-A-X融合预测模型的绝对平均误差(MAE)与决定系数(R2)评价值均优于文中涉及的其他方法,预测精度最高可提升20%。[结论]所提出的方法可提升轴承剩余寿命预测精度,对智能机舱中设备健康管理的实现具有一定的参考价值。     

Residual life prediction for marine diesel turbocharger based on Wiener process北大核心CSCD

[目的]针对船舶柴油机增压器难以收集到全生命周期性能退化数据的问题,提出一种基于维纳过程的寿命预测模型。[方法]首先,采用K-Means模型对增压器实际运行工况进行聚类,提取出典型工况数据;然后,使用贝叶斯突变点检测模型识别增压器的缺陷点;最后,建立基于维纳过程的退化模型,并以某型船用柴油机增压器为应用对象,预测增压器的剩余使用寿命。[结果]结果显示,基于维纳过程的寿命预测方法能够在不需要同类设备历史退化数据的情况下对增压器的剩余寿命进行预测。[结论]所提方法对缺少故障样本的船舶柴油机增压器寿命预测具有一定的参考价值。     

基于集合谱峭度法的轴承故障诊断

轴承早期故障引起的微弱振动变化信号往往淹没在机械传动系统的背景振动噪声中,其故障特征提取困难。本文针对滚动轴承故障振动信号的非平稳性及调制特性,提出集合经验模式分解和谱峭度法合的滚动轴承故障特征信号提取及其故障诊断的新方法——集合谱峭度法(Ensembled Kurtogram,EK)。该方法应用集合经验模式分解将振动信号分解为多个固有模式函数,分别计算各个固有模式函数的峭度值及其与故障工况下振动信号、正常工况下振动信号之间的相关性,根据IMFs自动选取规则选取合适的IMFs进行轴承故障信号的重构;然后针对重构后的信号进行谱峭度计算得到对应的峭度图,根据峭度图上最大值原则选取最佳带通滤波器进行滤波;最后运用包络解调后的信号进行故障诊断。本文通过模拟仿真和实验验证,验证了该算法的故障信号提取有效性和故障诊断能力。     

某小型发动机剩余寿命预测分析

针对某小型发动机剩余寿命问题,提出动态灰色剩余寿命预测理论,建立灰色理论的剩余寿命预测模型。案例表明,模型能较好地利用已有的状态信息预测其剩余寿命,并随着状态信息的不断累积,其预测的平均剩余寿命也越趋近于真实值。     

基于多尺度模糊熵和主成分分析的 轴承故障特征提取

针对滚动轴承故障特征难以提取的问题,文章提出了基于多尺度模糊熵(MFE)和主成分分析(PCA)相结合的滚动轴承故障特征提取方法。首先利用经验模态分解(EMD)将原始振动信号分解成若干个本征模态函数(IMF),并根据相关系数和峭度值准则剔除虚假IMF分量;然后在不同尺度下求取真实IMF分量的模糊熵值,利用PCA对其进行降维处理,形成能表征不同轴承故障的特征向量,最后借用支持向量机对其进行诊断验证。实验表明,该方法可以有效地提取轴承故障信息,对4种轴承状态的识别率为95%,实现了对轴承故障的精确诊断。     

磁力轴承的现状与新的课题

1.前言一般工业用来支承回转机械的轴承,历来采用滚动轴承、滑动轴承和气体轴承等。滚动轴承具有价格低、刚性好、维护少等优点,也存在耐久性和耐磨性差、易产生灰尘等缺点。滑动轴承的振动衰减性、高速性和寿命等都很好,但需要润滑油。气体轴承不需要润滑油,但要求精加工,且负载能力也小。磁力轴承由于电子技术与控制技术的进步,一般机械工程技术人员也能设计。以前,这种磁力轴承仅限于作为宇宙火箭姿态控制飞轮的轴承等特殊用途。近年来用作一般工业机械     

基于多元退化的航空机电系统的剩余寿命预测

针对性能退化故障和突发故障同时并存的问题建立基于竞争故障的航空机电系统剩余寿命预测模型,该方法利用状态监测数据,分析性能退化故障与突发故障的相关度,通过采用监测参数退化率的变化趋势预测剩余寿命,最后基于性能退化故障与突发故障相关度建立了航空机电系统寿命变化趋势预测模型,提高了航空机电系统剩余寿命预测的准确度,并为航空机电系统维修决策理论奠定了基础。     

基于数据驱动和神经网络的船舶机械轴承故障预测

本文针对船舶机械轴承故障预测问题,首先进行轴承典型故障的数学模型转化,然后提出一种基于模态分解算法和小波神经网络算法的故障预测方法,利用小波变换对轴承振动信号进行特征提取,构建一个多层感知的神经网络模型和较准确的轴承故障预测模型。最后,通过实验验证了该方法的有效性和准确性,具有一定的实用价值。     

基于GRU-DconvLSTM的船舶轨迹预测

利用深度学习方法预测船舶未来航行趋势，对海上交通安全以及船舶管理具有重要意义。在船舶自动识别系统（AIS）中已知的经度、纬度、航速数据基础上，提出一种基于门控循环单元结合双卷积层长短期记忆神经网络（GRU-Dconv LSTM）预测模型。根据原始数据的变化趋势，采用标准差法对数据中的异常值进行处理，得到最终试验数据。该模型一方面通过门控循环单元（GRU）学习船舶历史数据上的运动规律；并采用双卷积层与长短期记忆神经网络（LSTM）结合的形式充分提取数据深层信息，提高模型对时序数据深层次特征的挖掘能力。将该模型与卷积长短期记忆神经网络（CNN-LSTM）、卷积门控循环神经网络（CNN-GRU）以及卷积层长短期记忆（Conv-LSTM）神经网络等3个模型进行对比，将均方根误差、平均绝对误差、平均绝对百分比误差作为评价标准，结果表明，GRU-Dconv LSTM模型在经度和纬度预测上误差较小，精确度较高。     

螺杆压气机滚动轴承松脱故障处理

介绍某大型高速干式压气机组螺杆转子滚动轴承的松脱故障及其处理.分析与试验验证表明,通过采取提高滚动轴承精度,采用合适的保持架材料等措施,轴承的应用转速可以突破轴承的许用转速,并满足轴承使用寿命要求.     

水润滑橡胶轴承摩擦振动特征分析

[目的]在低速重载、启停等工况下,由于润滑不良,水润滑橡胶轴承出现摩擦振动,通过激励船体结构会引起水下异常噪声。为了掌握艉轴承的摩擦振动特征,[方法]以水润滑艉轴承实验台架为试验对象,通过调整艉轴承比压、温度、转速等工况条件,使艉轴承出现摩擦振动,通过测试分析时域谱、频域谱、轴心轨迹等,获得轴和轴承座的摩擦振动特征。[结果]研究表明,轴承座的时域信号呈现明显的脉冲现象,摩擦激励轴与艉轴承关联的结构或系统,频域信号中出现典型的峰值频率及其倍频;轴心轨迹变形严重、尖角突出,且有多个局部碰撞折返点。[结论]上述振动特征可为艉轴承异常摩擦识别、艉轴承低噪声设计与实验提供技术支持。     

船舶机舱旋转机械的振动测试与分析

对船舶机舱内主要旋转机械(包括分油机、机舱泵浦、增压器轴承、辅助鼓风机和中间轴承)的表面振动进行测试,并对测试系统的组成和振动测点布置进行介绍。对振动信号的时域波形和频谱进行分析,证实这些典型船舶机舱旋转机械具有与陆上旋转机械相同的振动特性,其频谱都具有与基频成整数倍关系的频率特征,为船舶设备的状态监测和故障诊断提供一种实用的监测方法。     

Ship propulsion shafting bearing fault diagnosis based on holographic SDP similarity visual recognition北大核心CSCD

[目的]针对船舶推进轴系轴承的故障诊断问题,提出一种基于全息对称点图形(SDP)和相似性识别的可视化诊断方法。[方法]首先,多方位采集轴承振动信号,全面监测轴承发生故障时的规律性冲击在时域和频域中引起的非平稳性变化特征;然后,基于SDP对称点分布原理,将多个维度信号的时域和频谱融合至同一个二维图形,以放大信号之间的差异性;最后,基于相似性识别方法对轴承进行简易诊断。[结果]轴承故障实验平台的验证结果表明,该方法可以实现多个信号的有效图形融合,全面展示设备信号的状态特征,从而准确地诊断故障。[结论]研究成果可为船舶推进轴系轴承的可视化故障简易诊断提供参考。     

基于BP和LSTM组合优化的船舶升沉运动预测

预测船舶升沉运动有助于增强波浪补偿系统的补偿效果,解决补偿系统滞后问题。为提高预测模型的预测精度,提出一种基于误差反向传播（BP）神经网络和长短时记忆（LSTM）神经网络组合优化的船舶升沉运动预测方法。以采用计算流体动力学（CFD）方法获取的船舶在规则波浪作用下的升沉运动和在突发性干扰下的升沉运动为对象,基于PYTORCH框架和LINGO软件,建立以加权方式组合优化BP神经网络和LSTM神经网络的预测模型。研究结果表明,无论是船舶在规则波浪作用下的升沉运动,还是船舶在突发性干扰下的升沉运动,BP-LSTM组合模型的预测精度均高于BP神经网络和LSTM神经网络,有助于提高补偿精度。     

基于振动和润滑油分析的主推力轴承故障诊断实例

结合振动测试和润滑油分析的技术手段对某船主推力轴承故障进行综合分析,表明利用振动信号对滚动轴承故障进行诊断是设备故障诊断方法中比较有效的方法,同时润滑油分析的结果也可以验证振动监测的有效性,提高故障诊断的准确性.