CN104899608B - 滚动轴承剩余寿命预测的加权融合相关向量机模型 - Google Patents
滚动轴承剩余寿命预测的加权融合相关向量机模型 Download PDFInfo
- Publication number
- CN104899608B CN104899608B CN201510344746.9A CN201510344746A CN104899608B CN 104899608 B CN104899608 B CN 104899608B CN 201510344746 A CN201510344746 A CN 201510344746A CN 104899608 B CN104899608 B CN 104899608B
- Authority
- CN
- China
- Prior art keywords
- mrow
- vector machine
- msub
- relevance vector
- msubsup
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Coloring Foods And Improving Nutritive Qualities (AREA)
Abstract
滚动轴承剩余寿命预测的加权融合相关向量机模型，首先利用改进的粒子滤波框架，降低或者消除离群点对各个核函数模型预测效果的影响，然后基于各个单一相关向量机模型对数据的泛化能力，筛选出泛化能力强的单一相关向量机模型，并对它们进行加权融合，获得加权融合相关向量机模型，实现各个单一相关向量机模型特性的优势互补，提高了加权融合相关向量机对滚动轴承运行状态和剩余寿命的预测效果，本发明获得的加权融合相关向量机预测模型预测精度高、鲁棒性强，更适合于工程实际应用。
Description
技术领域
本发明涉及滚动轴承剩余寿命预测技术领域，具体为滚动轴承剩余寿命预测的加权融合相关向量机模型。
背景技术
滚动轴承是旋转机械中的关键零部件，也是最易损坏的元件。滚动轴承本身结构上的特点、制造和装配方面的因素以及复杂的承载状况，为轴承出现故障甚至失效埋下了隐患。滚动轴承一旦失效，势必会对旋转机械的安全服役构成严重威胁，轻则造成设备停机的生产事故，重则导致机毁人亡的重大灾难，所以对滚动轴承的监测诊断意义重大。传统的滚动轴承定期维修方案虽然能够有效降低事故率，但需要投入大量的人力物力对滚动轴承定期检修，对有安全隐患的轴承进行更换。工程应用中发现，滚动轴承从出现故障到完全失效会经历一段比较长的衰退期，若采用新型的智能诊断方法，对滚动轴承出现故障后的剩余寿命进行准确预测，就可有效延长滚动轴承的服役周期，达到节约资源，减低成本，提高生产效率的目的。人工智能预测方法是实现智能诊断与预知维修的基础，相关向量机(RelevanceVectorMachine，RVM)是目前的广泛运用的人工智能预测方法之一。
相关向量机是由MichaelE.Tipping在2001年提出的基于稀疏贝叶斯理论的概率学习方法模型。该方法模型是以支持向量机预测模型为基础，并结合了马尔科夫性质、贝叶斯等理论，具有高稀疏性、无需设定惩罚因子C等优点。但是目前的相关向量机的选择主要凭借经验，不同类型相关向量机具有不同的特性，反映为相关向量机预测效果的差异，具体表现为单一相关向量机模型预测精度稳定性低、鲁棒性弱。在实际应用中发现，不同类型的相关向量机存在一定的互补关系。
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滚动轴承剩余寿命预测的加权融合相关向量机模型，该模型具有预测精度更高，预测稳定性更好，鲁棒性更强的优点。
为了达到上述目的，本发明采取的技术方案为：
滚动轴承剩余寿命预测的加权融合相关向量机模型，包括以下步骤：
1)采集滚动轴承运行原始振动信号；
2)对原始数据预处理，提取能反映滚动轴承寿命衰退过程的性能指标并对指标平滑处理；
3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集，并使用训练样本集训练；
4)从概率密度函数N(x0,σ2)中进行随机采样，产生一组初始数据粒子群其中xi,0表示初始时刻第i个数据粒子，Ns代表粒子总数，在初始化之时每个粒子均等对待，权值均为1/Ns；
5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第k(k＝1,2,…,K)时刻的预测值矩阵，K为训练样本长度。
y'k＝[(y'k)1,(y'k)2,…,(y'k)m]
式中，为第m个单一相关向量机第k时刻的数据粒子预测向量；
6)训练集中第k时刻的真实数据粒子群其中yi,k表示第k时刻的第i个真实数据粒子，依据迭代预测值矩阵y'k＝[(y'k)1,(y'k)2,…,(y'k)m]和真实数据粒子yi,k，更新每个数据粒子的权值更新表达式为：
然后进行归一化：
7)在粒子滤波框架下改进，取消重采样，当递推次数k小于K时，k＝k+1，返回步骤5)，当k＝K时，将各个数据粒子各个时刻的权值求和，即时刻权值和：
8)选出每个单一相关向量机的数据粒子权值和的最大值，记max[(wΣ)j]为第j个单一相关向量机的Ns个粒子权值和中的最大值，并将其作为对应单一相关向量机的代表权值，代表权值越大，表示对应的单一相关向量机的预测能力越强，记wvmean为代表权值的平均值，即：
选择代表权值大于或等于平均值wvmean，即权值满足max[(wΣ)j]≥wvmean的为性能优良的单一相关向量机，将筛选出来的性能优良单一相关向量机的代表权值作为其对应的融合权值并记为wh(h＝1,2,…,H)，H为选出的性能优良的相关向量机总个数；
9)对性能优良的单一相关向量机融合权值进行归一化：
10)建立加权融合相关向量机，根据融合权值进行组合，利用加权融合相关向量机的预测值为：
式中，yh为第h个性能优良的单一相关向量机的预测值；
11)利用加权融合相关向量机模型进行预测，然后将预测的结果和真实值进行比较，做出预测效果评估。
本发明将各个单一相关向量机模型特性相互弥补，利用改进的粒子滤波框架，降低甚至消除离群点对各个单一相关向量机模型预测效果的影响，然后基于各个单一相关向量机模型对数据的泛化能力，筛选出泛化能力强的单一相关向量机模型，并对它们进行加权融合，获得加权融合相关向量机模型。试验验证中采用了2012年IEEEPHM预测挑战赛中的滚动轴承数据，通过对比加权融合相关向量机模型和单一相关向量机模型，得出本发明提出的相关向量机模型预测精度更高，预测稳定性更好，模型的鲁棒性更强。
附图说明
图1为滚动轴承剩余寿命预测的加权融合相关向量机模型流程图。
图2为PRONOSTIA实验台结构图。
图3中的图(a)、图(b)分别是滚动轴承时域水平方向振动加速度信号图和竖直方向振动加速度信号图。
图4为滚动轴承的选择加权融合指标SWF。
图5为从7000s开始预测的滚动轴承寿命预测结果图。
图6为从9000s开始预测的滚动轴承寿命预测结果图。
具体实施方式
下面结合附图与实施例对本发明做进一步详细描述。
如图1所示，滚动轴承剩余寿命预测的加权融合相关向量机模型，包括以下步骤：
1)采集滚动轴承水平和竖直方向的振动加速度信号作为原始数据；
2)对原始数据预处理，以减小噪声影响，采用选择加权融合指标(Selection andWeighting Fusion,SWF)作为滚动轴承剩余寿命预测的特征值，并对指标进行平滑处理；
3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集，利用预测开始前的原始数据作为训练样本集对相关向量机集进行训练；
4)从概率密度函数N(x0,σ2)中进行随机采样，产生一组初始数据粒子群用于降低或消除离群点的影响，其中xi,0表示初始时刻第i个数据粒子，Ns代表粒子总数，在初始化之时每个粒子均等对待，权值均为1/Ns；
5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第k(k＝1,2,…,K)时刻的预测值矩阵，K为训练样本长度。
y'k＝[(y'k)1,(y'k)2,…,(y'k)m]
式中，为第m个单一相关向量机第k时刻的数据粒子预测向量；
6)训练集中第k时刻的真实数据粒子群其中yi,k表示第k时刻的第i个真实数据粒子，依据迭代预测值矩阵y'k＝[(y'k)1,(y'k)2,…,(y'k)m]和真实数据粒子yi,k，更新每个数据粒子的权值更新表达式为：
对更新后的数据粒子权值进行归一化：
7)在粒子滤波框架下改进，取消重采样，当递推次数k小于K之时，k＝k+1，返回步骤5)，当k＝K时，将各个数据粒子各个时刻的权值求和，即时刻权值和：
8)选出每个单一相关向量机的数据粒子权值和的最大值，记max[(wΣ)j]为第j个单一相关向量机的Ns个粒子权值和中的最大值，并将其作为对应单一相关向量机的代表权值，则代表权值越大，表示对应的单一相关向量机的预测能力越强，记wvmean为代表权值的平均值，即：
由于代表权值越大，对应的单一相关向量机的预测性能越好，因此，为了消除冗余性，选择代表权值大于或等于平均值wvmean，即权值满足max[(wΣ)j]≥wvmean的为性能优良的单一相关向量机，将筛选出来的性能优良单一相关向量机的代表权值作为其对应的融合权值并记为wh(h＝1,2,…,H)，H为选出的性能优良的单一相关向量机总个数；
9)对性能优良的单一相关向量机融合权值进行归一化：
10)建立加权融合相关向量机，根据融合权值进行组合，利用加权融合相关向量机的预测值为：
式中，yh为第h个性能优良单一相关向量机的预测值；
11)利用加权融合相关向量机模型进行预测，然后将预测的结果和真实值进行比较，做出预测效果评估。
实施例：为了验证本发明方法的有效性，采用来源于PRONOSTIA实验台上滚动轴承加速寿命实验数据进行分析。
如图2所示为PRONOSTIA实验台，其专用于验证滚动轴承故障诊断方法和运行状态预测方法。本实验设置滚动轴承转速1800rpm，负载4000N，采样频率为25.6kHz，每次采样持续时间设为0.1s，采样间隔设为20s。用振动加速度传感器测量滚动轴承水平方向和竖直方向的振动加速度信号如图3所示，当振动幅值超过20m/s2时，认为滚动轴承完全失效。为了获得良好的轴承衰退信息，提取能够全面反映滚动轴承故障信息且趋势性较好的特征指标，然后进行加权融合，得到综合特征信息SWF，将SWF进行平滑处理结果如图4所示。
初始选择的相关向量机核函数集为：样条核函数(Spline)、柯西核函数(Cauchy)、多项式核函数(Ploy)、高斯径向基核函数(Gauss)、逆多元二次核函数(InverseMultiquadric)。选择核函数集合之后，分别建立多个单一相关向量机，然后依据数据特性筛选性能优良单一相关向量机，并获取其对应的混合权值，最后建立加权融合相关向量机。
由于振动幅值超过20m/s2时，SWF约为0.43，故本实施例中进行寿命预测的失效阈值选择0.43，对应的轴承实际寿命是17780s。分别选取7000s和9000s为剩余寿命预测起始点，从预测时间开始，将特征指标带入预测模型进行预测，预测模型为多种不同类型核函数的相关向量机和提出的加权融合相关向量机。剩余寿命预测对比结果如图5、图6所示，其中图5、图6分别为7000s、9000s预测的滚动轴承寿命预测图，剩余寿命预测对比分析结果见表1。
表1 7000s、9000s预测的不同相关向量机模型预测结果
备注：从图5、图6可得，Inverse Multiquadric核函数相关向量机模型预测的失效值小于失效阈值，因此其剩余寿命值为无穷大。
由表1可见，虽然样条核函数相关向量机模型在7000s的预测效果最好，但9000s的预测结果偏差较大，说明其鲁棒性较弱。同样，其它单一相关向量机预测模型的预测鲁棒性也较弱。而加权融合相关向量机模型的两次预测误差都较小，鲁棒性最强，因此，提出模型的预测精度更高、鲁棒性更强。
本发明提出的滚动轴承剩余寿命预测的加权融合相关向量机模型预测精度更高、鲁棒性更强。加权融合相关向量机模型能够依据数据特性，选择出性能优良的单一相关向量机，并进行有效地组合，提高了预测精度和增强了鲁棒性。该剩余寿命预测模型不仅能预测滚动轴承剩余寿命，还可以应用到机械设备中的其它关键零部件，具有良好的扩展应用性。
Claims (1)
1.滚动轴承剩余寿命预测的加权融合相关向量机模型，其特征在于，包括以下步骤：
1)采集滚动轴承运行原始振动信号；
2)对原始数据预处理，提取能反映滚动轴承寿命衰退过程的性能指标并对指标平滑处理；
3)采用m种不同核函数建立m个不同类型的单一相关向量机，形成相关向量机集，并使用训练样本集训练；
4)从概率密度函数N(x0,σ2)中进行随机采样，产生一组初始数据粒子群其中xi,0表示初始时刻第i个数据粒子，Ns代表粒子总数，在初始化之时每个粒子均等对待，权值均为1/Ns；
5)运用训练好的不同单一相关向量机模型分别对每一数据粒子迭代预测，获取第k(k＝1,2,…,K)时刻的预测值矩阵，K为训练样本长度，
y'k＝[(y'k)1,(y'k)2,…,(y'k)m]
式中，为第m个单一相关向量机第k时刻的数据粒子预测向量；
6)训练集中第k时刻的真实数据粒子群其中yi,k表示第k时刻的第i个真实数据粒子，依据迭代预测值矩阵y'k＝[(y'k)1,(y'k)2,…,(y'k)m]和真实数据粒子yi,k，更新每个数据粒子的权值更新表达式为：
<mrow>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<msqrt>
<mrow>
<mn>2</mn>
<msubsup>
<mi>&pi;&sigma;</mi>
<mi>v</mi>
<mn>2</mn>
</msubsup>
</mrow>
</msqrt>
</mfrac>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<msubsup>
<mrow>
<mo>(</mo>
<msubsup>
<mi>y</mi>
<mi>k</mi>
<mo>&prime;</mo>
</msubsup>
<mo>)</mo>
</mrow>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>-</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>v</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msup>
</mrow>
然后进行归一化：
<mrow>
<msubsup>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<mfrac>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mi>m</mi>
</mrow>
</munderover>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>i</mi>
<mo>=</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
</mrow>
</munderover>
<msubsup>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
</mrow>
</mfrac>
</mrow>
7)在粒子滤波框架下改进，取消重采样，当递推次数k小于K之时，k＝k+1，返回步骤5)，当k＝K时，将各个数据粒子各个时刻的权重求和，即时刻权重和：
<mrow>
<msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>&Sigma;</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>i</mi>
<mi>j</mi>
</msubsup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msubsup>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>k</mi>
</mrow>
<mi>j</mi>
</msubsup>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<mi>m</mi>
<mo>;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mo>...</mo>
<mo>,</mo>
<msub>
<mi>N</mi>
<mi>s</mi>
</msub>
</mrow>
8)选出每个单一相关向量机的数据粒子权值和的最大值，记max[(wΣ)j]为第j个单一相关向量机的Ns个粒子权值和中的最大值，并将其作为对应单一相关向量机的代表权值，代表权值越大，表示对应的单一相关向量机的预测能力越强，记wvmean为代表权值的平均值，即：
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>v</mi>
<mi>m</mi>
<mi>e</mi>
<mi>a</mi>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mo>&lsqb;</mo>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>w</mi>
<mi>&Sigma;</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>j</mi>
</msup>
<mo>&rsqb;</mo>
</mrow>
<mi>m</mi>
</mfrac>
</mrow>
选择代表权值大于或等于平均值wvmean，即权值满足max[(wΣ)j]≥wvmean的为性能优良的单一相关向量机，将筛选出来的性能优良单一相关向量机的代表权值作为其对应的融合权值并记为wh(h＝1,2,…,H)，H为选出的性能优良的相关向量机总个数；
9)对性能优良的单一相关向量机融合权值进行归一化：
<mrow>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>h</mi>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mi>h</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>h</mi>
</msub>
</mrow>
10)建立加权融合相关向量机，根据融合权值进行组合，利用加权融合相关向量机的预测值为：
<mrow>
<mi>y</mi>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>h</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>H</mi>
</munderover>
<msub>
<mover>
<mi>w</mi>
<mo>~</mo>
</mover>
<mi>h</mi>
</msub>
<msub>
<mi>y</mi>
<mi>h</mi>
</msub>
</mrow>
式中，yh为第h个性能优良的单一相关向量机的预测值；
11)利用加权融合相关向量机模型进行预测，然后将预测的结果和真实值进行比较，做出预测效果评估。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510344746.9A CN104899608B (zh) | 2015-06-19 | 2015-06-19 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510344746.9A CN104899608B (zh) | 2015-06-19 | 2015-06-19 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899608A CN104899608A (zh) | 2015-09-09 |
| CN104899608B true CN104899608B (zh) | 2017-12-26 |
Family
ID=54032262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510344746.9A Active CN104899608B (zh) | 2015-06-19 | 2015-06-19 | 滚动轴承剩余寿命预测的加权融合相关向量机模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899608B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI570587B (zh) | 2015-12-07 | 2017-02-11 | 財團法人工業技術研究院 | 半導體機台零件剩餘壽命預測系統與方法 |
| CN105678089B (zh) * | 2016-01-11 | 2018-01-26 | 安徽理工大学 | 模型自匹配融合健康预测方法 |
| CN108846241A (zh) * | 2018-07-04 | 2018-11-20 | 西安交通大学 | 基于弗雷歇距离动态数模联动的滚动轴承寿命预测方法 |
| CN109829154B (zh) * | 2019-01-16 | 2023-04-28 | 中南民族大学 | 基于语义的人格预测方法、用户设备、存储介质及装置 |
| CN110967188B (zh) * | 2019-11-08 | 2020-11-24 | 珠海格力电器股份有限公司 | 基于迭代相关向量机的滚动轴承剩余寿命预测方法、系统 |
| CN111337256B (zh) * | 2020-03-27 | 2020-12-29 | 西安交通大学 | 域不对称因子加权的滚动轴承故障深度局部迁移诊断方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
| CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5615726B2 (ja) * | 2011-01-17 | 2014-10-29 | Ntn株式会社 | 転がり軸受の寿命推定装置および寿命推定方法 |
-
2015
- 2015-06-19 CN CN201510344746.9A patent/CN104899608B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103955750A (zh) * | 2014-04-04 | 2014-07-30 | 西安交通大学 | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 |
| CN104598736A (zh) * | 2015-01-22 | 2015-05-06 | 西安交通大学 | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 |
Non-Patent Citations (3)
| Title |
|---|
| A particle filtering-based approach for remaining useful life predication of rolling element bearings;Naipeng Li et al;《2014 IEEE Conference on Prognostics and Health Management》;20141231;第1-8页 * |
| Combining relevance vector machines and exponential regression for bearing residual life estimation;Francesco Di Maio et al;《Mechanical Systems and Signal Processing》;20121231;第405-427页 * |
| 基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测;申中杰等;《机械工程学报》;20130131;第49卷(第2期);第183-189页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104899608A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104899608B (zh) | 滚动轴承剩余寿命预测的加权融合相关向量机模型 | |
| CN105973594B (zh) | 一种基于连续深度置信网络的滚动轴承故障预测方法 | |
| CN113092115B (zh) | 数模联合驱动的全寿命滚动轴承数字孪生模型构建方法 | |
| CN103955750B (zh) | 基于特征融合和粒子滤波的滚动轴承剩余寿命预测方法 | |
| CN104598736B (zh) | 一种自适应多核组合相关向量机的滚动轴承寿命预测模型 | |
| CN102520697B (zh) | 一种远程协同诊断的现场信息预处理方法 | |
| CN111695521B (zh) | 一种基于Attention-LSTM的滚动轴承性能衰退预测方法 | |
| CN104392071B (zh) | 一种基于复杂网络的高速列车系统安全评估方法 | |
| CN107941537A (zh) | 一种机械设备健康状态评估方法 | |
| CN114429153B (zh) | 基于终身学习的齿轮箱增量故障诊断方法及系统 | |
| CN109102032A (zh) | 一种基于深度森林和自编码的泵站机组诊断方法 | |
| CN107101828A (zh) | 一种编码器健康度评价的轴承剩余寿命预测方法 | |
| CN103995237A (zh) | 一种卫星电源系统在线故障诊断方法 | |
| CN110417005B (zh) | 结合深度学习和仿真计算的暂态稳定严重故障筛选方法 | |
| CN111723527B (zh) | 基于鸡尾酒长短期记忆神经网络的齿轮剩余寿命的预测方法 | |
| Di et al. | Ensemble deep transfer learning driven by multisensor signals for the fault diagnosis of bevel-gear cross-operation conditions | |
| CN105319071A (zh) | 基于最小二乘支持向量机的柴油机燃油系统故障诊断方法 | |
| CN110110768A (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 | |
| CN107993012A (zh) | 一种时间自适应的电力系统在线暂态稳定评估方法 | |
| 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 | |
| CN113538353B (zh) | 基于单通道图数据增强和迁移训练残差网络的五相异步电动机滚动轴承故障诊断方法 | |
| CN109165632A (zh) | 一种基于改进d-s证据理论的设备故障诊断方法 | |
| CN105912857A (zh) | 一种配电设备状态监测传感器的选配方法 | |
| Shang et al. | Fault diagnosis method of rolling bearing based on deep belief network | |
| CN107657393A (zh) | 近断层地震作用下桥梁的抗震评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant |