CN105653851A - 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法 - Google Patents

基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法 Download PDF

Info

Publication number
CN105653851A
CN105653851A CN201510998069.2A CN201510998069A CN105653851A CN 105653851 A CN105653851 A CN 105653851A CN 201510998069 A CN201510998069 A CN 201510998069A CN 105653851 A CN105653851 A CN 105653851A
Authority
CN
China
Prior art keywords
stage
rolling bearing
prediction
value
numerical value
Prior art date
Application number
CN201510998069.2A
Other languages
English (en)
Other versions
CN105653851B (zh
Inventor
马波
彭琦
江志农
张明
Original Assignee
北京化工大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 北京化工大学 filed Critical 北京化工大学
Priority to CN201510998069.2A priority Critical patent/CN105653851B/zh
Publication of CN105653851A publication Critical patent/CN105653851A/zh
Application granted granted Critical
Publication of CN105653851B publication Critical patent/CN105653851B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass

Abstract

本发明公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法,其特征包括如下步骤:1)采集滚动轴承运行状态振动信号,从中提取特征数值;2)设置报警阈值、分阶段点阈值、停车阈值分别作为预测初始点、第二阶段和第三阶段分界点、预测截止点。3)设置粒子滤波算法初始值;4)建立不同劣化阶段滚动轴承初始模型;5)设置模型初始参数数值;6)应用最小二乘法更新模型参数;7)应用上述不同劣化阶段物理模型及粒子滤波算法进行滚动轴承剩余寿命预测;8)滚动轴承剩余寿命预测输出。该方法具有实时性、有效性、准确率较高等优点,适合于多种设备的滚动轴承剩余寿命预测。

Description

基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测 方法
技术领域
[0001] 本发明属于设备故障诊断领域,涉及针对常用滚动轴承剩余寿命预测模型建立的 方式方法。
背景技术
[0002] 滚动轴承是旋转机械中应用广泛的零部件之一,其寿命的长短影响设备的正常运 转。准确预测滚动轴承的剩余寿命,可以合理安排滚动轴承的性能检查及维护更换工作,避 免停车过早影响生产的进行或停车过晚造成设备损坏,影响生产安全。目前如何有效进行 滚动轴承剩余寿命预测是目前研究的一大难点,众多工作人员及科研人员都在这一研究上 进行了很多探索。将物理方法和数据驱动方法有效结合,按照裂纹劣化不同阶段分别进行 滚动轴承剩余寿命预测是一大研究亮点。
[0003] 目前滚动轴承故障导致轴承寿命缩短的原因有很多,主要原因如下:滚动轴承长 期受交变载荷作用引起疲劳剥落;滚动轴承零部件之间因为相对滑动儿引起的磨损;在外 力和环境温度作用下发生塑性变形;由于环境介质引起的滚动轴承零件金属表面发生化学 反应造成的腐蚀;滚动轴承由于过载或缺陷导致断裂等突发性事故及保持架损坏等多种故 障。
[0004] 滚动轴承剩余寿命预测方法目前有很多种,主要包括:基于Paris疲劳寿命预测模 型的轴承寿命预测方法,应用概率理论进行轴承的寿命预测,基于人工智能技术的轴承疲 劳寿命的研究及基于状态监测系统的疲劳寿命预测研究等。Paris理论公式符合第二个区 域的劣化规律。在第三区域,裂纹劣化速度明显加快,时间很短,但是对于低周期的疲劳部 件,时间不算很短,且第三部分的准确预测也能提高滚动轴承剩余寿命预测的准确性,便于 精准计算滚动轴承更换时间。为提高剩余寿命预测结果的准确性,将滚动轴承运行状态的 差异分为第二阶段及第三阶段两种情况,则不同的运行阶段对应不同的寿命预测模型。
[0005] 近年来,随着科技的发展进步,新兴的人工智能诊断技术及状态监测系统正在得 到逐步发展和应用,此种方法适用于解决物理规律复杂、不确定性影响因素较多的滚动轴 承剩余寿命预测情况。物理模型主要从故障机理出发,模型劣化规律与实际工况相似。将二 者相结合可以很大程度上提高滚动轴承剩余寿命预测结果的准确性。本文依据上述内容提 出了将人工智能技术及物理模型相结合的分阶段物理模型及粒子滤波的滚动轴承剩余寿 命预测方法。
发明内容
[0006] 本发明的目的是考虑滚动轴承不同劣化阶段的特点,提出不同劣化阶段的预测模 型,应用其进行滚动轴承剩余寿命预测,很大程度上提高了滚动轴承剩余寿命预测结果的 准确性。该方法结合现代智能算法,为滚动轴承寿命预测提供了一套智能的、实时的、准确 的滚动轴承剩余寿命预测方法。
[0007] 本发明公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方 法,具体步骤为: 步骤(1)采集滚动轴承运行状态振动信号,从中提取特征数值:应用信号采集系统采集 滚动轴承运行状态信息,将其输入特征数值公式,求取特征数值作为滚动轴承剩余寿命预 测的输入值。
[0008] 步骤(2)设置报警阈值、分阶段点阈值、停车阈值分别作为预测初始点、第二阶段 和第三阶段分界点、预测截止点:将运行状态振动区域按照标准分为A、B、C、D 4个区域,设 置报警阈值为B区域上限的1.25倍,设置分阶段点阈值为C区域上限数值,设置停车阈值为C 区域上限的1.25倍。
[0009] 步骤(3)设置粒子滤波算法初始值; 1) 取预测时刻点前100~200个数据点进行预测; 2) 特征数值初始值为采集到的振动波形数据计算出的第一个特征数值; 3) 按照公式zt+i = zt+randn获取服从高斯分布的单个时间点的N个粒子,randn为服从 高斯分布的〇~1之内的随机数;zt即为t时刻的粒子,z t+1即为t+Ι时刻粒子。 4) 设置粒子的初始权重均为|$ 5) 设置过程噪声w(t)及观测噪声v(t)的数值分别为0~1之间的数值。
[0010] 步骤(4)建立不同劣化阶段滚动轴承初始模型。 本次预测针对滚动轴承中晚期运行状态进行预测。 通过对Paris理论公式及Foreman理论公式进行改进,获取物理模型和状态空间模型相 结合的分阶段滚动轴承剩余寿命预测模型,预测模型如下: 第二阶段:
Figure CN105653851AD00051
状态方程: > 观测方程: 第三阶段: 状态方程: (12) 观测方程: 其中,Vdq表示当前振动数值,本次预测振动数值采用包络谱峰值,但实际预测振动数 值可采用多种振动特征数值,例如振动峰值、有效值等;Vnr表示正常运转振动数值;Sor指代 开始劣化时应力循环次数;S指代应力循环次数;V(t+1)为轴承t+Ι时刻的特征数值大小;W (t)在t时刻状态转移的扰动,为轴承运转过程中产生的过程噪声向量数值;v(t)为t时刻轴 承运转过程中产生的观测噪向量值;y(t+l)即为最终状态预测数值;lu是第一材料系数,η 是第二材料系数,二者依据材料特性和实验环境发生变化,是变量;q指代载荷;Id为振动停 车阈值,Vmax为目前采集到的振动数值的最大值,即为x(t);其余参数同第二阶段参数。 方程式中Ια、η的确定方法为: 1)取预测时刻点前1 〇〇~200个特征数值; 2) 将上述特征数值带入滚动轴承剩余寿命预测模型; 3) 应用最小二乘法拟合特征数值及应力循环次数之间的非线性关系,即在满足最小均 方误差的情况下,求取出上述状态方程中的1α、η;此处申明,lu、n是随数据的变化实时更新 的。
[0011]步骤(5)设置模型初始参数数值; 设置预测步长为10,设置动态状态空间模型材料常数1α、η初始值分别为2.0; 1 X 10-3, 正确设置模型参数数值可以缩短运算时间,增加预测结果的准确性。
[0012] 步骤(6)当特征数值大于等于报警阈值,将预测时刻点前100~200个特征数值带 入滚动轴承寿命预测算法;应用最小二乘法更新初始模型参数,从而使模型符合滚动轴承 实际运行状态。当特征数值大于等于分阶段点阈值,更新第三阶段模型参数,否则,更新第 二阶段模型参数。
[0013] 步骤(7)应用上述分阶段物理模型及粒子滤波算法进行滚动轴承剩余寿命预测。 预测过程中,当特征数值大于等于报警阈值小于分阶段点阈值时,应用参数更新后的 第二阶段模型及粒子滤波算法进行滚动轴承运行状态评估;当特征数值大于等于分阶段点 阈值小于停车阈值时,应用参数更新后的第三阶段模型及粒子滤波算法进行滚动轴承运行 状态评估。 预测时每隔100分钟应用最小二乘法更新模型参数,修正模型轨迹,从而使模型符合滚 动轴承实际运行状态。
[0014] 步骤(8)当特征数值小于停车阈值时,预测循环进行,否则,预测循环停止,输出滚 动轴承运行状态特征数值,并依据下述公式求取滚动轴承剩余寿命:
Figure CN105653851AD00061
(14) L指代剩余寿命 D指代预测的特征数值点数与输入的特征数值的点数的总和 d指代数据提供的输入的特征数值的点数 fn指代采样点数 fs指代采样频率 ^1(1指代输入的两个特征数值之间的时间间隔;
[0015] 本发明可以进行滚动轴承的实时预测,使滚动轴承在工作状态下即可进行工作, 适用性强,可适用于多种工作场合;
[0016] 本发明公开了一种基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方 法,其中状态方程的数据是可以实时更新替换的,状态方程中的未知参数应用最小二乘法 原理求取。
附图说明
[0017] 图1:特征值数据变化趋势图 图2:滚动轴承寿命预测结果图 图3:滚动轴承寿命预测流程
具体实施方式
[0018] 下面将结合附图对本发明的具体的寿命预测流程做进一步说明。
[0019] 如图3所示,本发明的具体流程如下所示: 1、采集滚动轴承运行状态振动信号,从中提取特征数值:应用信号采集系统采集滚动 轴承运行状态信息,将其输入特征数值公式,求取特征数值作为滚动轴承剩余寿命预测的 输入值。
[0020] 2、IS02372及IS07919标准可知,振动标准一共分为A、B、C、D4个区域。设置报警阈 值、分阶段点阈值、停车阈值分别作为预测初始点、第二阶段和第三阶段分界点、预测截止 点:将运行状态振动区域按照标准分为A、B、C、D 4个区域,设置报警阈值为B区域上限的 1.25倍,设置分阶段点阈值为C区域上限数值,设置停车阈值为C区域上限的1.25倍。
[0021 ] 3、设置粒子滤波算法初始值; 1) 取预测时刻点前100~200个数据点进行预测; 2) 特征数值初始值为采集到的振动波形数据计算出的第一个特征数值; 3) 按照公式zt+i = zt+randn获取服从高斯分布的单个时间点的N个粒子,randn为服从 高斯分布的〇~1之内的随机数;zt即为t时刻的粒子,z t+1即为t+Ι时刻粒子。 (4) 设置粒子的初始权重均为15 (5) 设置过程噪声w(t)及观测噪声v(t)的数值分别为0~1之间的数值。
[0022] 4、建立不同劣化阶段滚动轴承初始模型。 本次预测针对滚动轴承中晚期运行状态进行预测。 通过对Paris理论公式及Foreman理论公式进行改进,获取物理模型和状态空间模型相 结合的分阶段滚动轴承剩余寿命预测模型,预测模型如下:
Figure CN105653851AD00071
第二阶段: 状态方程 5) 观测方程 第三阶段 状态方程 (17) 观测方程 其中,Vdq表示当前振动数值,本次预测振动数值采用包络谱峰值,但实际预测振动数 值可采用多种振动特征数值,例如振动峰值、有效值等;Vnr表示正常运转振动数值;Sor指代 开始劣化时应力循环次数;S指代应力循环次数;V(t+1)为轴承t+Ι时刻的特征数值大小;W (t)在t时刻状态转移的扰动,为轴承运转过程中产生的过程噪声向量数值;v(t)为t时刻轴 承运转过程中产生的观测噪向量值;y(t+l)即为最终状态预测数值;lu是第一材料系数,η 是第二材料系数,二者依据材料特性和实验环境发生变化,是变量;q指代载荷;Id为振动停 车阈值,Vmax为目前采集到的振动数值的最大值,即为x(t);其余参数同第二阶段参数。 方程式中Ια、η的确定方法为: 1) 取预测时刻点前1 〇〇~200个特征数值; 2) 将上述特征数值带入滚动轴承剩余寿命预测模型; 3) 应用最小二乘法拟合特征数值及应力循环次数之间的非线性关系,即在满足最小均 方误差的情况下,求取出上述状态方程中的1α、η;此处申明,lu、n是随数据的变化实时更新 的。
[0023] 5、设置模型初始参数数值; 设置预测步长为10,设置动态状态空间模型材料常数1α、η初始值分别为2.0; 1 X 10-3, 正确设置模型参数数值可以缩短运算时间,增加预测结果的准确性。
[0024] 6、当特征数值大于等于报警阈值,将预测时刻点前100~200个特征数值带入滚动 轴承寿命预测算法;应用最小二乘法更新初始模型参数,从而使模型符合滚动轴承实际运 行状态。当特征数值大于等于分阶段点阈值,更新第三阶段模型参数,否则,更新第二阶段 模型参数。
[0025] 7、应用上述分阶段物理模型及粒子滤波算法进行滚动轴承剩余寿命预测。 预测过程中,当特征数值大于等于报警阈值小于分阶段点阈值时,应用参数更新后的 第二阶段模型及粒子滤波算法进行滚动轴承运行状态评估;当特征数值大于等于分阶段点 阈值小于停车阈值时,应用参数更新后的第三阶段模型及粒子滤波算法进行滚动轴承运行 状态评估。 预测时每隔100分钟应用最小二乘法更新模型参数,修正模型轨迹,从而使模型符合滚 动轴承实际运行状态。
[0026] 8、当特征数值小于停车阈值时,预测循环进行,否则,预测循环停止,输出滚动轴 承运行状态特征数值,并依据下述公式求取滚动轴承剩余寿命:
Figure CN105653851AD00081
(19) L指代剩眾寿偭 D指代预测的特征数值点数与输入的特征数值的点数的总和 d指代数据提供的输入的特征数值的点数 fn指代采样点数 fs指代采样频率 ^1(1指代输入的两个特征数值之间的时间间隔; 这个循环过程可以实时在线进行,即在轴承的工作过程中可以同步完成轴承的寿命预 测。

Claims (1)

  1. I.基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法具体分为W下几个 步骤: (1) 采集滚动轴承运行状态振动信号,从中提取特征数值:应用信号采集系统采集滚动 轴承运行状态信息,将其输入特征数值公式,求取特征数值作为滚动轴承剩余寿命预测的 输入值; (2) 设置报警阔值、分阶段点阔值、停车阔值分别作为预测初始点、第二阶段和第=阶 段分界点、预测截止点:将运行状态振动区域按照标准分为A、B、C、D4个区域,设置报警阔值 为B区域上限的1.25倍,设置分阶段点阔值为C区域上限数值,设置停车阔值为C区域上限的 1.25 倍; (3) 设置粒子滤波算法初始值; 1) 取预测时刻点前100~200个数据点进行预测; 2) 特征数值初始值为采集到的振动波形数据计算出的第一个特征数值; 3) 按照公式zt+i = zt+randn获取服从高斯分布的单个时间点的N个粒子,randn为服从高 斯分布的0~1之内的随机数;Zt即为t时刻的粒子,Zt+l即为t+1时刻粒子; 4) 设置粒子的初始权重均为
    Figure CN105653851AC00021
    5) 设置过程噪声w(t)及观测噪声v(t)的数值分别为0-1之间的数值; (4) 建立不同劣化阶段滚动轴承初始模型; 本次预测针对滚动轴承中晚期运行状态进行预测; 通过对化ris理论公式及化reman理论公式进行改进,获取物理模型和状态空间模型相 结合的分阶段滚动轴承剩余寿命预测模型,预测模型如下: 第二阶段:
    Figure CN105653851AC00022
    状态方程: (1) 观测方程: (2) 第=阶段: 状态方程: (3) 观测方程: 其中,Vdq表示当前振动数值;Vnr表示正常运转振动数值;Sdt指代开始劣化时应力循环 次数;S指代应力循环次数;V(t+1)为轴承t+1时刻的特征数值大小;W(t)在t时刻状态转移 的扰动,为轴承运转过程中产生的过程噪声向量数值;V(t)为t时刻轴承运转过程中产生的 观测噪向量值;y(t+l)即为最终状态预测数值;ki是第一材料系数,n是第二材料系数,二者 依据材料特性和实验环境发生变化,是变量;q指代载荷;Ved为振动停车阔值,Vmax为目前采 集到的振动数值的最大值,即为X(t);其余参数同第二阶段参数; (5) 设置模型初始参数数值; 设置预测步长为10,设置动态状态空间模型材料常数ki、n初始值分别为2.0; 1 X 1(T3; (6) 当特征数值大于等于报警阔值,将预测时刻点前100~200个特征数值代入滚动轴 承寿命预测算法;应用最小二乘法更新模型参数当特征数值大于等于分阶段点阔值,更新 第=阶段模型参数,否则,更新第二阶段模型参数; (7) 应用上述分阶段物理模型及粒子滤波算法进行滚动轴承剩余寿命预测; 预测过程中,当特征数值大于等于报警阔值小于分阶段点阔值时,应用参数更新后的 第二阶段模型及粒子滤波算法进行滚动轴承运行状态评估;当特征数值大于等于分阶段点 阔值小于停车阔值时,应用参数更新后的第=阶段模型及粒子滤波算法进行滚动轴承运行 状态评估; 预测时每隔100分钟应用最小二乘法更新模型参数,修正模型轨迹,从而使模型符合滚 动轴承实际运行状态; (8) 当特征数值小于停车阔值时,预测循环进行,否则,预测循环停止,输出滚动轴承运 行状态特征数值,并依据下述公式求取滚动轴承剩余寿命:
    Figure CN105653851AC00031
    (5) L指代剩余寿命 D指代预测的特征数值点数与输入的特征数值的点数的总和 d指代数据提供的输入的特征数值的点数 fn指代采样点数 fs指代采样频率 Uin指代输入的两个特征数值之间的时间间隔。
CN201510998069.2A 2015-12-27 2015-12-27 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法 Active CN105653851B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510998069.2A CN105653851B (zh) 2015-12-27 2015-12-27 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510998069.2A CN105653851B (zh) 2015-12-27 2015-12-27 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法

Publications (2)

Publication Number Publication Date
CN105653851A true CN105653851A (zh) 2016-06-08
CN105653851B CN105653851B (zh) 2018-09-21

Family

ID=56477955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510998069.2A Active CN105653851B (zh) 2015-12-27 2015-12-27 基于分阶段物理模型及粒子滤波的滚动轴承剩余寿命预测方法

Country Status (1)

Country Link
CN (1) CN105653851B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018050010A1 (zh) * 2016-09-19 2018-03-22 舍弗勒技术股份两合公司 轴承剩余寿命的评估方法及装置
CN108921305A (zh) * 2018-06-15 2018-11-30 李智彤 一种部件生命期监测方法
CN109615126A (zh) * 2018-12-03 2019-04-12 北京天地龙跃科技有限公司 一种轴承剩余寿命预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
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
CN104166787A (zh) * 2014-07-17 2014-11-26 南京航空航天大学 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN104598734A (zh) * 2015-01-22 2015-05-06 西安交通大学 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
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
CN104166787A (zh) * 2014-07-17 2014-11-26 南京航空航天大学 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
CN104598734A (zh) * 2015-01-22 2015-05-06 西安交通大学 滚动轴承集成期望最大化和粒子滤波的寿命预测模型
CN104792529A (zh) * 2015-04-12 2015-07-22 北京化工大学 基于状态空间模型的滚动轴承寿命预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙磊,等: "粒子滤波参数估计方法在齿轮箱剩余寿命预测中的研究应用", 《振动与冲击》 *
张小丽,等: "《滚动轴承寿命预测综述》", 《机械设计与制造》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018050010A1 (zh) * 2016-09-19 2018-03-22 舍弗勒技术股份两合公司 轴承剩余寿命的评估方法及装置
CN107843427A (zh) * 2016-09-19 2018-03-27 舍弗勒技术股份两合公司 轴承剩余寿命的评估方法及装置
CN108921305A (zh) * 2018-06-15 2018-11-30 李智彤 一种部件生命期监测方法
CN109615126A (zh) * 2018-12-03 2019-04-12 北京天地龙跃科技有限公司 一种轴承剩余寿命预测方法

Also Published As

Publication number Publication date
CN105653851B (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
Tao et al. Digital twin driven prognostics and health management for complex equipment
CN105241660B (zh) 基于健康监测数据的高铁大型桥梁性能测试方法
de Azevedo et al. A review of wind turbine bearing condition monitoring: State of the art and challenges
CN104239694B (zh) 一种城轨列车转向架的故障预测与视情维修方法
Xu et al. An intelligent fault identification method of rolling bearings based on LSSVM optimized by improved PSO
Marsh et al. Review and application of Rainflow residue processing techniques for accurate fatigue damage estimation
Camci et al. Feature evaluation for effective bearing prognostics
Qian et al. Remaining useful life prediction of rolling bearings using an enhanced particle filter
CN104166787B (zh) 一种基于多阶段信息融合的航空发动机剩余寿命预测方法
Cheng et al. Gear fault identification based on Hilbert–Huang transform and SOM neural network
Cui et al. Quantitative fault analysis of roller bearings based on a novel matching pursuit method with a new step-impulse dictionary
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
Gašperin et al. Model-based prognostics of gear health using stochastic dynamical models
CN105740625B (zh) 一种齿轮的实时剩余寿命预测方法
Lu et al. Degradation trend estimation of slewing bearing based on LSSVM model
US20150302313A1 (en) Method of predicating ultra-short-term wind power based on self-learning composite data source
CN105092239B (zh) 一种齿轮早期故障检测方法
Lin et al. An approach to signal processing and condition-based maintenance for gearboxes subject to tooth failure
Gao et al. Use of double mass curves in hydrologic benefit evaluations
Sutrisno et al. Estimation of remaining useful life of ball bearings using data driven methodologies
Liu et al. Structure damage diagnosis using neural network and feature fusion
US7684936B2 (en) Method, apparatus and computer program product for determining a future time of a component
Liu et al. Interference reduction of high-energy noise for modal parameter identification of offshore wind turbines based on iterative signal extraction
CN102567632B (zh) 基于概率累积损伤的岸桥结构风振疲劳寿命预报方法
CN103645052A (zh) 一种风电机组齿轮箱远程在线状态监测及寿命评估方法

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
GR01 Patent grant