为有效描述滚动轴承性能退化趋势和准确预测其剩余寿命,提出一种基于多域特征融合的Transformer-GRU并行网络的滚动轴承剩余寿命预测方法。建立评价指标对滚动轴承振动信号的时域、频域和时频域等多域特征进行筛选,得到评分高的敏感特征,获得退化特征集。利用自编码对退化特征集进行降维,减少数据复杂度和冗余度,得到滚动轴承的退化曲线。最后,利用Transformer-GRU并行网络进行剩余寿命预测,并将该方法运用到公开的轴承数据集分析中。结果表明Transformer-GRU并行网络不仅可以高效准确地捕捉输入序列中的长期依赖关系,还能更好地处理时间序列之间的特征;该方法可以有效地预测滚动轴承剩余寿命,相比LSTM、GRU等经典方法更具优越性和泛化性。

为了提升剩余寿命预测任务的精度,提出一种基于注意力长短时记忆网络和多头自注意力机制(ALSTM-MHA)的剩余寿命预测模型,在利用数据时序性的条件下提取特征维度的重要程度以及时间维度的相关性信息。使用C-MAPSS数据集对模型进行实验验证,并与其他方法进行对比。结果表明ALSTM-MHA模型能够有效地提取特征及时间维度上的注意力信息,与其他方法相比,它在均方根误差和非对称评价指标上分别降低了至少0.3%和20.48%,验证了模型的可行性和有效性。

基于深度神经网络的RUL预测模型结构比较复杂,不能很好地满足中长期预测任务的要求。为了更好地利用时间信息,设计一种基于时间卷积网络(TCN)的轴承RUL预测模型。以振动信号的频谱特征作为输入,利用因果膨胀卷积结构提取频域特征并捕获长期依赖,从而实现对轴承准确的RUL预测。为了进一步说明所提方法的优越性,将所提方法与卷积神经网络(CNN)、门控循环单元(GRU)进行了对比。结果表明所提出的TCN模型的RUL预测精度优于其他现有方法,具有较高的精度。

为了精准预测滚动轴承的剩余使用寿命,提出一种基于VMD和ELM_AdaBoost的滚动轴承剩余寿命预测方法。该方法首先利用变分模态分解对滚动轴承全寿命振动信号进行分解,得到多个模态分量,并提取各模态分量的奇异值作为滚动轴承故障特征信息。然后利用主成分分析(PCA)进行特征信息融合,建立滚动轴承性能退化评价指标。最后将经PCA融合后奇异值代入到ELM_AdaBoost预测模型中,训练ELM_AdaBoost预测模型,对滚动轴承进行退化趋势和剩余寿命预测。仿真实验结果表明,该方法具有更高的预测精度,其预测效果优于ELM预测模型及基于EMD和ELM_AdaBoost预测模型,能够更好对滚动轴承的剩余寿命进行预测。

针对小样本条件下的轴承寿命预测问题,提出一种基于多子种群混沌自适应果蝇算法的多变量相空间重构-多核支持向量回归轴承剩余寿命预测综合优化方法。对多个特征向量进行相空间重构从而更加完整地还原轴承退化特性;利用不同的SVR核函数进行排列组合得到一个组合多核函数,从而将多核函数的构造问题转换为权值系数的优化问题;将延迟时间、嵌入维数、SVR参数以及多核函数权值作为整体参数向量,利用多子种群混沌自适应果蝇算法对训练数据预测精度的适应度函数进行优化,从而得到最优的预测模型参数。最后将得到的预测模型对轴承剩余寿命进行预测,结果证明了提出方法能够有效提升小样本条件下的轴承剩余寿命预测精度。

为保障机械设备工作的安全性与可靠性,剩余寿命预测技术是设备轴承维护中的重要环节。由于深度学习具有强大的数据处理能力,提出通过使用深度学习的数据驱动方法来提高预测的准确度。首先,将来自轴承的原始振动信号用作深层网络的输入,深度置信网络和深度自编码器用于提取深度特征;其次,基于提取的特征选择不同的回归模型进行回归;最后,用测试轴承进行测试,比较两种深度特征及传统特征在不同的回归模型上的表现。实验结果表明,深度置信神经网络特征准确性更高,支持向量回归模型效果较其他模型更优。

为解决单一传感器信号易受干扰且能提取的退化信息有限,导致轴承剩余寿命预测精度低的问题,提出一种基于双通道信息融合与门控单元(GRU)神经网络的轴承剩余寿命预测方法。进行轴承寿命试验时,在振动传感器采集信号的基础上增加声发射传感器,弥补单一信号易受干扰的缺点;使用卷积神经网络自动挖掘出包含轴承退化信息的特征,避免传统算法过分依赖专家判断的弊端;通过归一化处理对信息进行融合;最后使用这些数据训练GRU神经网络,利用训练好的门控单元神经网络预测高铁牵引电机轴承的剩余寿命。结果表明相比单通道数据,双通道数据训练出的门控神经网络模型的预测结果更为准确;门控单元神经网络相比长短时记忆神经网络有更高的轴承寿命预测精确度。

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。

剩余寿命预测能够确保系统的安全性、可用性与高效工作,并且能够降低维修费用,因而成为状态维修中的一个重要课题。基于模型的寿命预测方法主要包含两部分内容退化模型构建和系统状态估计。粒子滤波算法(PF)是一种广泛用于系统状态估计的方法,已经应用于轴承剩余寿命预测中,但PF方法存在粒子退化问题。提出一种基于无迹粒子滤波算法(UPF)的轴承剩余寿命预测方法。利用随机过程模型对轴承退化过程进行建模,再利用UPF算法对轴承的退化状态进行追踪,并更新模型参数。使用试验数据对提出方法进行验证,结果表明与PF方法相比,该方法能在一定程度上降低粒子退化程度,进而更加准确地预测轴承剩余寿命。

航空液压泵是航空装备的关键件之一。如何很好地预测液压泵的剩余寿命使得液压泵的有效寿命能够得到更加充分合理地利用将具有很大的理论价值和经济效益。通过研究某型航空液压泵的失效模式、失效机理和退化参数确定其加速退化试验方案建立其加速退化模型并在此基础上建立了一套基于加速性能退化试验数据的航空液压泵剩余寿命预测方法及步骤并以该型航空液压泵的加速性能退化试验数据为例对其剩余寿命进行了预测验证了该方法的正确性和有效性。