基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法

针对牵引电机轴承健康评估中带标签的全寿命周期振动数据获取与可反映轴承性能退化趋势的健康指标构建困难的问题，提出了一种基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法；采用迁移学习，以带标签的轴承全寿命周期数据集为源域数据，以综合试验台数据为目标域数据，构建数据集；采用欠采样与合成少数类过采样技术对全寿命周期数据集进行扩充与平衡，得到了卷积神经网络训练所需的有效样本数量；在时域和频域上提取描述轴承退化过程的特征，利用卷积神经网络，遵循轴承性能退化规律的浴缸曲线，对基本特征进行融合，构造了健康评估指标。分析结果表明：在电机轴承轴电流损伤的健康评估中，所提出的基于迁移学习和卷积神经网络的健康评估方法的准确率为98.17%,遵循直线型、二次函数型和抛物线型退化规律构建健康指标的方法的准确率分别为86.61%、89.56%、91.30%,因此，所提评估方法准确率最大，具有更佳的评估效果，并且实现专家知识与神经网络学习知识的结合，降低了故障特征维度，解决了健康指标构建困难的问题，通过跨设备迁移学习实现了牵引电机轴承的健康评估。     

动车组牵引电机轴承健康状态评估与预测

论文提出了一种基于长短期记忆网络(LSTM)的动车组牵引电机轴承健康状态评估与预测的方法.首先在动车组牵引电机轴承的时域、频域以及时频域内,进行退化特征提取,并以相关性、单调性和鲁棒性为原则,进行敏感特征选取;然后,采用深度学习网络,对所选取的退化特征进行特征融合,在此基础上,计算最小量化误差(MQE)并构建健康指数(HI)退化曲线;最后,基于LSTM的动车组牵引电机轴承的健康状态,进行评估与预测,同时运用人工神经网络(ANN),对牵引电机轴承的健康状态进行评估预测.进而并对两种评估预测的结果进行比较分析,结果表明:采用LSTM的评估预测精度较ANN的高,而且性能更优,更适合于动车组牵引电机健康状态的评估与预测.     

基于改进安全域的轴箱轴承状态监测

为了提高高速列车轴箱轴承的运行可靠性，将安全域理论引入到轴承的状态监测，并将传统安全域估计转化为确定安全域的边界值来避免复杂模型参数的影响；利用归一化内禀模态分量的能量距构建轴承运行的状态特征向量，根据关联函数建立轴承安全域边界值估计模型，采用粒子群优化算法进行寻优求解；基于求解结果，结合关联函数定量分析轴承的运行状态，利用轴承全寿命疲劳试验进行验证，并将该方法应用于轴箱轴承的状态监测. 研究结果表明:全寿命试验的轴承运行状态的检出率和分类正确率分别为0.951和0.939；高速列车轴箱轴承运行状态的分类正确率为0.935，轴承运行正常，与其实际状态相一致.      

列车轴温监测数据软测量方法

为解决监测数据缺失导致的轴温监测系统误诊和漏诊率较高的问题, 提出了一种基于数据特征分析的轴温监测数据软测量方法; 通过轴温监测点的布局与相关性分析, 确定了监测数据软测量的源数据范围; 采用自组织特征映射算法, 通过对源数据归一化、优胜区域定义与隶属度优化, 实现了轴温数据本征维数确定与数据聚类; 引入多维尺度分析方法, 通过数据间距的相似性量化与距离矩阵特征值分解, 实现了轴温数据的类内降维; 采用多维尺度分析方法对类间降维数据再次降维, 提出了一种分步式降维方法, 构建了信息量最大化与计算量最小化的平衡策略; 采用深度学习栈式自编码器方法提取类间降维数据的内部特征, 构建了缺失轴温数据的软测量模型。研究结果表明: 基于降维数据的软测量方法的时间效率比基于原始数据的软测量方法高14.25%;2种方法的精度相当, 当一维数据缺失时, 数据软测量的平均精度可达99.83%;当二维数据缺失时, 平均精度可达99.75%;当三或四维数据缺失时, 平均精度均可达99.16%;在满足最大允许误差2.5%、误差容忍度1.0%条件的情况下, 针对任意缺失维度不高于四维的情况, 提出的方法可有效地实现高精度与高效率的缺失数据恢复。      

基于压缩感知的滚动轴承故障信号提取技术研究

针对目前奈奎斯特采样方式对信号进行采集所产生的数据量较大的问题,提出一种基于压缩感知并结合神经网络的滚动轴承故障信号检测方法,通过K-奇异值分解算法构造冗余字典,利用神经网络以映射后观测矩阵的前一部分值预测全部观测值,实现信号的二次压缩,最终利用子空间追踪算法基于预测出的观测矩阵对信号进行重构,通过重构信号频谱可获得轴承故障信息.经过对测量矩阵、算法参数及神经网络等内容的分析,可在较少的数据量下以较高精度实现对滚动轴承故障信息的提取,并通过仿真对比实验证明了方法的有效性,在总压缩比为0.72～0.92时,此方法能够保证信号匹配度约为0.83,明显优于传统方法,且对于轴承内圈、外圈和滚动体故障信号皆有较好的重构效果.     

LSTM Encoder-Decoder方法预测设备剩余使用寿命

应用LSTM Encoder-Decoder提出了机械设备剩余使用寿命预测方法;对获取的传感器数据进行预处理,利用LSTM Encoder对数据序列进行编码,得到设备状态信息的中间表示,其中蕴含了设备状态的特征信息,利用LSTM Decoder对中间表示信息进行解码,利用解码后的信息预测剩余使用寿命;研究了LSTM Encoder-Decoder方法在公开的C-MAPSS数据集上的剩余使用寿命预测试验,与LSTM、D-LSTM等方法进行了对比试验;研究了不同滑动窗口大小对于剩余寿命预测结果的影响。研究结果表明:LSTM Encoder-Decoder方法的剩余使用寿命预测结果的评分函数值和均方根误差均优于LSTM、D-LSTM方法;在FD001子集上,LSTM Encoder-Decoder方法、LSTM方法和D-LSTM方法对应的均方根误差分别为11、12、16;当滑动窗口大小为30时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为164、3 012、372、4 800,对应的均方根误差分别为11、20、14、22;当滑动窗口大小为40时,LSTM Encoder-Decoder方法在FD001~FD004子集对应的评分函数值分别为305、1 220、408、4 828,对应的均方根误差分别为14、16、15、19。可见,提出的LSTM Encoder-Decoder方法是一种有效的预测机械设备剩余使用寿命方法,并且滑动窗口大小对于剩余使用寿命预测结果存在一定的影响。      

基于3DCNN-DNN 的高空视频交通状态预测

为使用高空视频识别和预测道路交通状态，提出基于三维卷积神经网络-深度神经网络(3DCNN-DNN)的交通状态预测方法. 将道路切分为D 个路段，每个路段视频片段时长 m s，基于典型3DCNN结构C3D识别路段视频片段交通状态；建立道路? 个历史时段、D 个路段的交通状态矩阵Φ ，将道路交通状态预测问题转化为以Φ 为输入，有限交通状态为输出的分类问题，构建基于DNN的短时交通状态预测模型原型；建立交通视频数据集，对DNN预测模型原型的隐藏层数量、神经元数量及训练批大小进行测试优化，提出有4 隐藏层，各层神经元数量为64/128/128/64，训练批大小为64 的优化模型DNN*.测试结果表明：C3D视频交通态识别平均F1 值为95.71%，DNN*道路交通状态预测准确率为91.18%，比DNN线性分类、KMeans 、KNN、SVM和线性分类分别高6.86%、57.85%、62.26%、26.47%、43.14%；C3D能提供准确的交通状态矩阵，3DCNN-DNN可有效识别和预测道路视频交通状态.     

结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估

针对大型机械设备中滚动轴承容易发生故障的问题,提出一种将自适应噪声的完备经验模态分解(CEEMDAN)和灰度关联分析相结合的滚动轴承性能退化评估方法。首先利用CEEMDAN对轴承全寿命周期的振动信号进行分解,得到能量熵特征,其次以正常状态下的特征矢量作为灰度关联分析的参考序列,然后计算轴承全寿命周期内的特征矢量与正常特征矢量的关联度,作为性能退化过程的定量评估指标,结果表明该方法能及时发现早期故障,并能很好的描述轴承退化的各个阶段。最后利用基于CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。     

基于深度时频特征的机车轴承故障诊断

针对现有机车轴承诊断方法存在故障特征提取不理想、诊断精度低等问题，提出了一种基于深度时频特征的机车轴承故障诊断新方法；利用双通道一维和二维卷积神经网络(CNN)分别对输入的一维原始信号和连续小波变换(CWT)提取的二维时频信号进行深度特征提取；为使输入的一维原始信号简单而有效地反映出信号在时域的全局特征，上通道使用一维CNN，为使输入的二维时频域信号能多角度地反映出信号的细微局部变化，下通道使用二维CNN；在融合层中将上下通道特征自动融合成一个新的深度时频特征，并将提取到的深度融合时频特征经归一化指数函数进行故障分类识别；在此基础上，分析了某局机务段实测的7种机车轴承数据，验证了本文方法的实际工程应用价值。研究结果表明:基于深度时频特征的机车轴承故障诊断方法对7种机车轴承故障的平均诊断精度达到了100%，与一维CNN模型、二维CNN模型和支持向量机(SVM)模型相比，平均诊断精度分别提高了0.7%、1.9%和2.2%；本文方法提取的深度时频特征中每类故障分布间隔规则有序，类内间距很小，而单个一维CNN模型和二维CNN模型提取的特征的每类故障分布间隔不规则，类内间距较大，说明基于深度时频特征的机车轴承故障诊断方法提取深度特征的能力优越，是一种解决机车轴承故障诊断问题的有效模型。      

基于ARMA的滚动轴承振动数据预测

为实现对滚动轴承的振动数据预测,本文提出一种基于自回归滑动平均(ARMA)模型的预测方法。首先截取滚动轴承全寿命周期的早期无故障数据作为样本,计算截取样本序列的自相关系数和偏相关系数,然后采用最小信息准则(AIC)对ARMA定阶,运用最小二乘法估计参数建立ARMA模型,将轴承同工况与类工况下的数据输入到已建立的ARMA模型中,得到的轴承预测数据与实际故障数据进行对比,计算预测的准确率。结果表明:该方法可以准确预测轴承的实际状态,且同工况相对于类工况下的预测效果更优。     

Reliability Prediction Method Based on State Space Model for Rolling Element Bearing

Reliability analysis based on equipment’s performance degradation characteristics is one of the significant research areas in reliability research. Nowadays, many researches are carried on multi-sample analysis. But it is limited for a single equipment reliability prediction. Therefore, the method of reliability prediction based on state space model(SSM) is proposed in this research. Feature energy of the monitored signals is extracted with the wavelet packet analysis and the associated frequency band energy with online monitored data. Then,degradation feature is improved by moving average filtering processing taken as input pair model parameter of SSM to be estimated. In the end, state space predicting model of degradation index is established. The probability density distribution of the degradation index is predicted, and the degree of reliability is calculated. A real testing example of bearing is used to demonstrate the rationality and effectiveness of this method. It is a useful method for single sample reliability prediction.     

Opportunistic Replacement Optimization for Multi-Component System Based on Programming Theory

It is widely accepted that too excessive or too insufficient maintenance actions on a system are consumptive or potentially risky. This paper focuses on the optimization of opportunistic replacement for a multicomponent system in which no failure or suspension histories can be used for prediction of all the critical components in the system. Firstly, the remaining useful life (RUL) is predicted using the real-time sensor data, which is based on an “individual-based lifetime inference” method. Then a failure risk estimation method is introduced, which is based on the degradation extent and service time of components. Subsequently, the possible replacement combinations of components are compared, which is based on a proposed current-term cost rate. Finally, the best replacement scheduling is selected. The proposed framework is validated by the simulation dataset and PHM-2012 competition bearing dataset. Group replacement and individual replacement are conducted for comparison, and sensitivity analysis is discussed.     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力，研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题；分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响，运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法，通过峭度准则优选2个峭度较大的IMFs分量进行重构；基于网格搜索法研究了MCKD算法参数优化方法，用以增强重构信号的周期性故障特征，消除复杂传递路径对轴承滚动体故障信号的影响；利用1.5维谱分析重构信号，建立了复杂传递路径下轴承滚动体故障特征提取新方法，实现了轴承滚动体故障的准确诊断；为了证明方法的有效性，选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征，减少了无关频率分量，明显降低了其他成分的干扰；提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频...     

基于数据驱动的质子交换膜燃料电池寿命预测

质子交换膜燃料电池发电技术是极具应用潜力和工业前景的技术，对质子交换膜燃料电池进行寿命预测是其走向商业推广应用的重要一环. 从质子交换膜燃料电池的退化特性及输出特性出发，分析系统及环境因素是如何影响其退化的；阐述了基于数据驱动的寿命预测方法的研究现状，着重对基于神经网络算法的寿命预测进行了综述；分析了寿命预测算法存在的不确定性来源；最后，对质子交换膜燃料电池的寿命预测研究进行了展望，阐明当前存在的经验数据有限、缺乏对瞬态过程的建模、难以实现在线预测等问题，尤其机车用大功率质子交换膜燃料电池的寿命预测仍存在诸多难点.      

基于图像显著性特征的交通标志注视点预测方法

基于图像显著性特征对交通标志的驾驶员注视点进行了预测。以L t ti的视觉注意模型为基础,通过高斯金字塔的生成、多通道图像特征的提取及特征图的生成以及显著性图的生成等步骤,建立了针对交通标志的注视点预测模型。以眼动仪为手段,对模型进行了验证。以相似度和线性距离两项指标对模型精度作了评价,实验结果显示,该模型对复杂交通标志的注视点预测具有良好的精度。     

二维激光雷达数据角点特征的提取

为增强无人车识别行驶环境中角点特征的鲁棒性, 并提高角点特征的识别速度, 基于观测点的二变量正态概率密度映射之间的相对差值, 提出了一种角点特征提取方法; 将观测数据组映射到二变量正态概率密度空间, 获得每个观测点的映射; 对映射结果进行归一化, 消除协方差引起的数值差异; 在映射数值曲线中寻找波峰与波谷的位置, 波峰对应的观测点最接近均值点, 波谷对应的观测点最接近拐点; 利用波峰和波谷的相对高度判定该组观测数据是否符合角点特征的边长要求; 用波谷对应的原始观测数据点坐标作为角点特征, 构建环境特征地图。试验结果表明: 提取方法能够处理观测点数大于63, 观测点角度分辨率大于1°的稀疏观测数据, 在大尺寸室外环境和室内环境中, 提取方法都能够稳定识别大型角点; 对小于180个点的观测数据, 最大处理时间小于5ms, 平均处理时间小于1.9ms, 提取方法减少了构建环境特征地图的时间; 提取方法依据观测数据的二变量正态概率密度提取角点特征, 对观测误差和角点特征的尺度与形状不敏感, 能够有效提高角点特征的识别鲁棒性。      

基于TQWT和稀疏表示的滚动轴承故障诊断方法

基于稀疏表示理论,提出了一种采用可调品质因子小波变换(TQWT)的滚动轴承故障诊断新方法,分析了包含早期故障成分的原始采集振动信号的特点和早期故障信号的特性,研究了稀疏表示模型在解决故障特征提取问题和故障类型识别问题的应用;运用TQWT将原始信号转换为一组子带小波系数集,研究了利用迭代收缩阈值算法提取出稀疏小波系数的有效性和谱峭度对故障冲击信号敏感的特性,通过计算各子带信号分量的谱峭度,选取包含故障信息明显的子带小波系数,建立了包含稀疏故障信号分量的故障特征提取方法;利用提取出的故障信号稀疏表示分类模型,实现了基于稀疏表示的滚动轴承故障诊断方法。试验结果表明:在凯斯西储数据集上,提出的故障特征提取方法在剔除干扰成分方面有显著效果,提出方法对于4种类型数据的平均诊断准确率为99.83%,对于10种类型数据的平均诊断准确率为97.73%;与只运用TQWT和迭代收缩阈值算法进行故障特征提取的方法相比,故障诊断精度提高了11.60%,算法运行时间减小8%;在QPZZ-Ⅱ旋转机械平台采集到的振动数据集上,提出的方法对于4种类型数据的平均诊断准确率为100%;与传统小波去噪方法相比,准确率提高了35.67%,算法运行时间减小了7.25%。可见,本文提出的方法可以有效解决滚动轴承故障诊断问题。      

机场复合道面剩余寿命预估方法

分别运用美国联邦航空局(FAA)基于弹性层状体系理论的道面设计方法(LEDFAA)、中国民用机场水泥混凝土道面设计方法(APDMC)与PCI衰变模型,建立了复合道面剩余寿命的预估方法,比较了3种方法的预估结果及其适用性。计算结果表明:3种预估方法确定的剩余寿命较为接近,最大偏差为3.2 a,最小偏差仅为0.1 a,引起偏差的原因在于不同预估模型采用的控制指标不同。基于LEDFAA设计方法的预估结果对土基模量很敏感,基于APDMC设计方法的预估结果对混凝土的弯拉强度非常敏感,而PCI能够全面地反映道面的使用性能,因此,在有足够历史数据的条件下,采用PCI衰变模型预估道面的剩余寿命。     

基于实车数据的电动汽车电池剩余使用寿命预测

电动汽车电池剩余使用寿命预测是当下电池研究领域的热点内容,现有电池剩余使用寿命预测模型大多基于单一预测指标,预测精度较低,模型的泛化性能较差。本文通过实车数据构建了GM-LSTM的Stacking融合模型,实现电动汽车电池剩余使用寿命的准确预测。首先根据电池剩余使用寿命影响因素,提取车辆真实的运行参数和环境参数,基于随机森林算法筛选最优特征集合作为模型输入,其次选择差分整合移动平均自回归算法对所选特征进行惯性延伸,克服数据时间维度上的限制,最后基于数据特点,分别建立灰色预测模型和长短时记忆神经网络模型实现电池剩余使用寿命预测,并通过Stacking模型融合进一步降低预测误差。结果表明：模型融合 后平均相对误差为1.6%,平均绝对误差为0.013,能够稳定可靠的实现电动汽车电池剩余使用寿命预测。