CN110956112A - 一种新的高可靠性回转支承寿命评估方法 - Google Patents
一种新的高可靠性回转支承寿命评估方法 Download PDFInfo
- Publication number
- CN110956112A CN110956112A CN201911162644.XA CN201911162644A CN110956112A CN 110956112 A CN110956112 A CN 110956112A CN 201911162644 A CN201911162644 A CN 201911162644A CN 110956112 A CN110956112 A CN 110956112A
- Authority
- CN
- China
- Prior art keywords
- index
- time
- slewing bearing
- lstm
- life
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000002123 temporal effect Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Acoustics & Sound (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公布了一种新的高可靠性回转支承寿命评估方法,包括如下步骤:根据降噪后回转支承振动加速度信号提取短时间内正负振动信号的有效平均值来获取时空信息数据,确定回转支承的实际平衡位置信息;根据获得的实际平衡位置的信息,确定正负振动信号的平均值是否存在虚假波动,存在则修复信号数据,后续通过平滑曲线法获得两组时间指标;利用获取的回转支承的高质量时间指标和故障指标,通过基于生成对抗网络下的时间和故障指标混合嵌入式长短时记忆网络建立起所得指标与剩余使用寿命之间的联系。本方法从复杂的工况条件下获得高质量的样本数据,并扩充样本的数量,有效提高了复杂工况条件下寿命预测的可靠性,具有一定应用价值。
Description
技术领域
本发明涉及一种新的高可靠性回转支承寿命评估方法,是一种基于FT-LSTM的高精度剩余使用寿命预测方法。具体的说是结合回转支承的空间信息,准确识别错误的故障信息,并进行修复虚假波动获得高质量的振动信号数据,随后通过获取的三组有效可靠的时间和故障指标,利用FT-LSTM方法建立具有时空特性寿命模型。所提的GAN-FT-LSTM方法能增强寿命预测模型的自适应调整能力,并使FT-LSTM的寿命预测模型更加准确。
背景技术
回转轴承广泛应用于机械设备中,被称为机械的关节。由于回转轴承的尺寸较大,发生故障时会造成较为严重的问题。轻微的故障可能会导致机械设备的生产率下降或停机,严重的故障可能会导致重大的安全问题。因此,为了确保回转支承的安全性和可靠性,必须对其进行预防性和纠正性维护,对RUL的有效评估可以避免不必要的维护时间。由于回转支承工况复杂,造成采集的振动信号的准确度低下,样本不足等问题,无法满足当前寿命预测的可靠性。在实际的工作环境中,回转支承收集到的振动信号往往会有较大的波动,这种波动主要是由故障和外部干扰引起的。外部干扰产生的虚假波动可能掩盖由故障引起的波动,或被误认为是由故障引起的波动,因此虚假波动会严重干扰回转支承RUL的评估,这也是许多寿命评估技术在复杂工况条件下中精度较低的重要原因。因此,高质量的数据是健康评估的基础。然而,在复杂的工作条件下,所收集的振动数据会受到各种因素的干扰,虚假波动异常频繁。
目前的寿命预测技术多采用数据驱动的方法,但是研究的基础依赖于数据的准确度和样本数量,通常这些数据来源于实验室简单的变工况条件。复杂的工况条件下并不能提供准确的数据和充足的样本,造成了现有技术预测结果的可靠性低下。本文从提取可靠性数据入手。先从振动信号中提取空间信息,再利用空间信息判别数据存在的虚假波动。修复虚假波动达到提高数据质量的目的,同时可以达到扩充样本数量的目的。后续以模拟时空门的方式添加FT门到LSTM中,解决了数据的稀疏性问题。通过对抗性网络对模型进行的微调,提高了复杂工况下寿命预测的可靠性。
发明内容
本发明的目的在于提出一种基于复杂工况下高可靠性的回转支承寿命评估方法。在实际的工况环境中,回转支承收集到的振动信号往往会有较大的波动,波动主要是由故障和外部干扰引起的,而在目前所有文献中,并没有技术来判断波动是否是虚假波动,故造成对回转支承状态评估不准确的情况。本发明致力于复杂工况下高可靠性的回转支承寿命评估方法。根据回转支承振动信号,提取正负振动信号的平均值,并确定回转支承的平衡位置;根据平衡位置的信息,确定正负振动信号的平均值是否存在虚假波动,若存在,修复振动数据,并通过平滑曲线法获得两组时间指标;对平衡位置的信息进行多特征提取及特征融合以获得更明显的空间信息,即故障指标;通过FT-LSTM方法,建立所得指标与RUL之间的关系;根据生成对抗网络(GAN)理论,实现ST-LSTM的微调,加快了模型调整的速度并能获得更加准确的寿命预测模型,具有一定应用价值。
本发明的技术方案如下:
一种新的高可靠性回转支承寿命评估方法,包括以下步骤:
步骤(1)、获取时空信息:通过加速度传感器对服役件回转支承进行多角度传感测量,并提取时空信息(Mp、Mn、S);其中Mp代表正振动信号平均值,Mn代表负振动信号平均值,S代表平衡位置,S平衡位置能很好的反映回转支承的故障信息;
步骤(2)、构建时间指标:根据S平衡位置信息,判断Mp、Mn是否存在虚假波动;存在则利用非线性修复技术修复虚假波动,得到高质量信号数据,后利用平滑曲线法获得两组时间指标;
步骤(3)、构建故障指标:由于S平衡位置中信息相对较弱,但包含了丰富且真实的故障信息,故通过提取多领域特征值并进一步融合处理获取更加明显的空间信息,即故障指标F;
步骤(4)、建立时空序列下的寿命模型:在步骤(2)、步骤(3)的基础上,通过时间和故障指标混合嵌入式长短时记忆性网络(Faulty-Temporal Long Short-Term Memory,简称FT-LSTM)方法,建立所提取指标与剩余使用寿命(Remaining Useful Life,简称RUL)之间的关系;
步骤(5)、寿命模型的微调:根据GAN微调FT-LSTM(GAN-FT-LSTM),该方法加快了模型调整的速度并能获得更加准确的寿命预测模型。
所述步骤(1)中所述提取时空信息(Mp、Mn、S)具体步骤如下:
5)将所获得的全寿命周期振动信号进行EEMD去噪;
其中,Mp代表正振动加速度平均值,Mn代表负振动加速度平均值,S代表实际平衡位置信息,P为一秒内振动信号中所有正值的总和,n1为一秒内振动信号的正值个数,N为一秒内加速度信号中所有负值的总和,n2为一秒内加速度信号的负值个数。
所述步骤(2)中所述判断Mp、Mn是否存在虚假波动方法包括如下步骤:在正常运行情况下,S在不同时间应保持恒定,若发生故障则会发生轻微变化;通过对比分析S在各个时刻内波动信息的强弱,则可判断Mp与Mn的随机波动是否由于故障产生;若是,则为有效故障信息,应保留;若不是,则为需要修复的虚假波动信息,应利用非线性修复技术进行修复;后利用平滑曲线法对Mp与Mn处理来获得更准确的两组时间指标T1和T2。
所述步骤(3)中所述提取多时域特征值包括如下特征值:时域指标、频率指标以及时频域指标,具体时域指标为:最大值:X最大值=max{|xn|}、根振幅:方差:均方根:绝对平均幅值:峭度:波形指标:峰值指标:脉冲指标:以及裕度指标:频域指标为:重心频率:均方频率:频率方差:时频域指标为模态分解后的第k个模态的能量系数其中xn表示第n时刻下x的值,fi为频率,pi为功率谱的幅度,Ci(n)表示经时频分析处理后的n时刻本征模态函数的值;提取上述特征后,使用局部保留投影(Locality Preserving Projection,简称LPP)对其进行融合降维处理,获得更加明显的空间信息,即故障指标。
所述步骤(4)中FT-LSTM方法结合了空间指标和故障指标,将FT门添加到LSTM模型中,所获得的寿命预测模型具有时空特性,主要步骤如下:
1)计算故障指标ft和时间指标tt单位时间差值,作为FT门的基本参数;
ft=(faulty indicator)t-(faulty indicator)t-1
tt=(temporal indicator)t-(temporal indicator)t-1
2)FT-LSTM模型构建;
故障指标和时间指标单位时间差值模拟时空门的运作方式,以FT门进行运作,从而建立回转支承剩余使用寿命和时间指标和故障指标的内在关联,解决数据稀疏性引起的回转支承剩余使用寿命预测结果偏离实际情况的问题。
所述步骤(5)中FT-LSTM被视为生成器,时间和故障指标混合嵌入式长短时记忆性网络(Faulty-Temporal Convolutional Neural Networks,简称FT-CNN)被视为鉴别器,判别模型FT-CNN的目标是判别FT-LSTM生成的模型是否为真;若是,则FT-LSTM的结果即为回转支承的RUL;否则,FT-LSTM将重新生成模型,直到FT-CNN无法区分生成的模型和真实模型,具体步骤如下:
1)用FT-CNN判别回转支承的寿命预测模型,若判断为假,则惩罚因子被引入,FT-LSTM将重新生成模型;若判断为真,FT-LSTM将进行下一阶段的寿命预测;
2)重复步骤1),直到完成生命周期的预测,最终输出结果ht即表示GAN-FT-LSTM下回转支承的RUL的评估结果。
本发明的有益效果是:
1、本发明公布的回转支承平衡位置可以有效地区分虚假波动。由故障引起的波动将得以保留,虚假的波动将得到修复,通过这种方法可获得高质量的振动数据。
2、本发明从一组振动信号中提取出两组时间指标和一组空间指标,不仅增加了训练样本的可靠性,而且增加了样本数量,可解决回转支承样本不足的问题,为寿命预测模型提供可靠的依据。因此,本发明在小样本寿命预测中具有很大的优势。
3、本发明公布的FT-LSTM解决了回转支承的数据稀疏性,并建立了时空指标与RUL之间的联系。FT-LSTM的寿命预测具有时空特性,可从多个维度而不只是时间序列中预测回转支承的剩余寿命,大大提高了寿命预测模型的准确性。
4、本发明公布的GAN-FT-LSTM微调方法,加快了模型调整的速度,并可获得更准确的寿命预测模型。
附图说明
图1是本发明方法的实施流程图。
图2是本发明中时空信号原始图。
图3是本发明中修复后的时空信号图。
图4是本发明中提取的时间指标图。
图5是本发明中提取的故障指标图。
图6是本发明中FT-LSTM寿命预测结果示意图。
图7是本发明中GAN-FT-LSTM寿命预测结果示意图。
图8是本发明中采用的其它已有的对比方法寿命预测结果示意图。
具体实施方式
以下结合附图及实施例对本发明作详细的说明。
如图1至图8所示,本实施例表述一种基于时空序列下的高精度回转支承寿命评估方法,包括如下步骤:
步骤(1)、获取时空信息:本实例使用自主研发回转支承试验台回转支承,加载采用逐级加载的受载方式,通过加速度传感器对服役件回转支承进行多角度传感测量;在加载期间,制造无规律的噪音信号进行干扰,模拟复杂工况条件;随后提取时空信息(Mp、Mn、S);其中Mp代表正振动信号平均值,Mn代表负振动信号平均值,S代表平衡位置,S平衡位置能很好的反映回转支承的故障信息;
步骤(2)、构建时间指标:根据S平衡位置信息,判断Mp、Mn是否存在虚假波动;若存在,则利用非线性修复技术修复虚假波动;后利用平滑曲线法获得两组时间指标;
步骤(3)、构建空间指标:由于S平衡位置中信息相对较弱,故通过提取多领域特征输入降维算法获取更具代表性的空间指标;
步骤(4)、建立时空序列下的寿命模型:在步骤(2)、(3)的基础上,通过时空LSTM(ST-LSTM)方法,建立时空指标与剩余使用寿命(RUL)之间的关系;
步骤(5)、寿命模型的微调:根据生成对抗网络(GAN)理论微调ST-LSTM,GAN-ST-LSTM方法加快了模型调整的速度并能获得更加准确的寿命预测模型。
所述步骤(1)中所述提取时空信息(Mp、Mn、S)具体步骤如下:
1)将所获得的全寿命周期振动信号进行EEMD去噪;
其中,Mp代表正振动信号平均值,Mn代表负振动信号平均值,S代表平衡位置,P为一秒内振动信号中所有正值的总和,n1为一秒内振动信号的正值个数,N为一秒内振动信号中所有负值的总和,n2为一秒内振动信号的负值个数。与随机选择振动信号相比,用均值法分离正、负信号得到的值更具代表性,极大地消除了偶然干扰。振动信号的差异反映了位置信息的差异,因此可以从振动信号中提取平衡位置的变化。当回转轴承发生故障时,振动信号变得复杂,瞬时冲击力会引起平衡位置的变化。由于传感器与回转轴承在外界噪声信号干扰下紧固在一起,回转轴承的平衡位置相对于传感器的位置没有改变,Mp和Mn中的外部噪声信号引起的随机波动在S中可以相互抵消。噪声信号对振动信号正负均值的影响在短时间内相同,所以S可以排除外部噪声引起的虚假波动。在正常情况下,S在不同的时间应该是恒定的,但是由于制造错误、安装错误和工作故障,经常会发生微小的变化,故S反映回转轴承健康状态的故障信息。根据S的信息,可以判断是否存在由故障引起的随机波动。为了增加对比来验证S计算的合理性,引入Rp和Rn,含义分别为正均方根值和负均方根值。计算公式分别为
从图2中可以看出,Rp和Rn受异常噪声值的影响较大,在全寿命周期内不稳定。Mp和Mn相对稳定,数据可靠。如果用Rp和Rn计算S,S中的异常噪声信号会相对放大。因此,Mp和Mn更适合计算S。
所述步骤(2)中所述判断Mp、Mn是否存在虚假波动方法:在正常运行情况下,S在不同时间应保持恒定,若发生故障则会发生轻微变化;通过对比分析S在不同时刻的变化,则可判断Mp与Mn的随机波动是否由于故障产生;若是,则为有意义的故障信息,应保留;若不是,则为需要修复的虚假波动信息,并利用非线性修复技术进行修复,后利用平滑曲线法获得更准确的两组时间指标。具体分析过程为:以Mp为例,虽然Mp在波动1和波动2区域存在异常波动,但其对应的S变化不显著。相反,波动3中Mp的对应S发生了显著的阶跃变化,说明在波动3对应的时间内发生了故障。波动1和波动2的波动不是由故障引起的,不利于回转轴承的寿命预测,波动区域中有价值的故障信息包含在波动3中。如果将回转支承直接利用去噪后的均值数据进行分析,将会使回转轴承的寿命评估偏离实际寿命,可靠性降低。由于波动3是由于故障引起的波动,故需要保留原始信息。采用非线性修复技术对波动1和波动2中的伪波动进行处理,得到新的数据,如图3。随后进行对Mn和Mp进行平滑处理,获得时间指标1和时间指标2,如图4。
所述步骤(3)中所述多领域特征提取包括:时域指标、频率指标以及时频域指标,具体时域指标为:最大值:X最大值=max{|xn|}、根振幅:方差:均方根:绝对平均幅值:峭度:波形指标:峰值指标:脉冲指标:以及裕度指标:频域指标为:重心频率:均方频率:频率方差:时频域指标为模态分解后的第k个模态的能量系数其中xn表示第n时刻下S的值,fi为频率,pi为功率谱的幅度,Ci(n)表示经时频分析处理后的n时刻本征模态函数的值;提取上述特征后,使用LPP对其进行融合降维处理,获得更加明显的空间信息,即故障指标,如图5。
从图5中可以看出,早期故障在F中有着显著的变化,提取的故障指标能够合理反映回转轴承的退化趋势。回转支承早期故障是回转支承寿命评估的关键,从图中可以看出,回转支承在4000点以后,处于严重的退化阶段。
所述步骤(4)中FT-LSTM方法结合了空间指标和时间指标,将FT门添加到LSTM模型中,所获得的寿命预测模型具有时空特性,主要步骤如下:
1)计算故障指标ft和时间指标tt单位时间差值,作为FT门的基本参数;
ft=(faulty indicator)t-(faulty indicator)t-1
tt=(temporal indicator)t-(temporal indicator)t-1
2)FT-LSTM模型构建;
故障指标和时间指标单位时间差值模拟时空门的运作方式,以FT门进行运作,建立回转支承剩余使用寿命和所得指标的内在关联,解决数据稀疏性引起的回转支承剩余使用寿命预测结果偏离实际情况的问题;
3)根据FT-LSTM模型对输出门状态做出调整,并引入修正系数,最终输出状态ht是FT-LSTM的结果,ht表示回转支承RUL最终评估结果,预测结果如图6;
所述步骤(5)中FT-LSTM被视为生成器,FT-CNN被视为鉴别器,判别模型FT-CNN的目标是判别FT-LSTM生成的模型是否为真;若是,则FT-LSTM的结果即为回转支承的RUL;否则,FT-LSTM将重新生成模型,直到FT-CNN无法区分生成的模型和真实模型,具体步骤如下:
1)用FT-CNN判别回转支承的寿命预测模型,若判断为假,则惩罚因子被引入,FT-LSTM将重新生成模型;若判断为真,FT-LSTM将进行下一阶段的寿命预测;
2)重复步骤1),直到完成生命周期的预测,ht即表示GAN-FT-LSTM下回转支承的RUL评估结果,预测结果如图7。
表1.不同方法验证结果
为了证明本文提出方法的有效性,本文引入了循环神经网络(Recurrent NeuralNetwork,简称RNN),LSTM,LSTM-RNN进行对比分析,误差分析的结果表1所示。其预测结果图如图8所示,进一步验证了本文所提方法的可靠性。
以上所述,仅是本发明的较佳实施例而已,并非对本发明的技术范围作出任何限制,故凡是依据本发明的技术实质对以上实施例所作的任何细微修改、等同变化与修饰,均仍属于本发明的技术方案的范围内。
Claims (6)
1.一种新的高可靠性回转支承寿命评估方法,其特征在于包括以下步骤:
步骤(1)、获取时空信息:通过加速度传感器对服役件回转支承进行多角度传感测量,并提取时空信息(Mp、Mn、S);其中Mp代表正振动信号平均值,Mn代表负振动信号平均值,S代表平衡位置,S平衡位置能很好的反映回转支承的故障信息;
步骤(2)、构建时间指标:根据S平衡位置信息,判断Mp、Mn是否存在虚假波动;存在则利用非线性修复技术修复虚假波动,得到高质量信号数据,后利用平滑曲线法获得两组时间指标;
步骤(3)、构建故障指标:由于S平衡位置中信息相对较弱,但包含了丰富且真实的故障信息,故通过提取多领域特征值并进一步融合处理获取更加明显的空间信息,即故障指标F;
步骤(4)、建立时空序列下的寿命模型:在步骤(2)、步骤(3)的基础上,通过时间和故障指标混合嵌入式长短时记忆性网络(Faulty-Temporal Long Short-Term Memory,简称FT-LSTM)方法,建立所提取指标与剩余使用寿命(Remaining Useful Life,简称RUL)之间的关系;
步骤(5)、寿命模型的微调:根据GAN微调FT-LSTM(GAN-FT-LSTM),该方法加快了模型调整的速度并能获得更加准确的寿命预测模型。
3.如权利要求1所述的一种新的高可靠性回转支承寿命评估方法,其特征在于,所述步骤(2)中所述判断Mp、Mn是否存在虚假波动方法包括如下步骤:在正常运行情况下,S在不同时间应保持恒定,若发生故障则会发生轻微变化;通过对比分析S在各个时刻内波动信息的强弱,则可判断Mp与Mn的随机波动是否由于故障产生;若是,则为有效故障信息,应保留;若不是,则为需要修复的虚假波动信息,应利用非线性修复技术进行修复;后利用平滑曲线法对Mp与Mn处理来获得更准确的两组时间指标T1和T2。
4.如权利要求1所述的一种新的高可靠性回转支承寿命评估方法,其特征在于,所述步骤(3)中所述提取多时域特征值包括如下特征值:时域指标、频率指标以及时频域指标,具体时域指标为:最大值:X最大值=max{|xn|}、根振幅:方差:均方根:绝对平均幅值:峭度:波形指标:峰值指标:脉冲指标:以及裕度指标:频域指标为:重心频率:均方频率:频率方差:时频域指标为模态分解后的第k个模态的能量系数其中xn表示第n时刻下x的值,fi为频率,pi为功率谱的幅度,Ci(n)表示经时频分析处理后的n时刻本征模态函数的值;提取上述特征后,使用局部保留投影(Locality Preserving Projection,简称LPP)对其进行融合降维处理,获得更加明显的空间信息,即故障指标。
5.如权利要求1所述的一种新的高可靠性回转支承寿命评估方法,其特征在于,所述步骤(4)中FT-LSTM方法结合了空间指标和故障指标,将FT门添加到LSTM模型中,所获得的寿命预测模型具有时空特性,主要步骤如下:
1)计算故障指标ft和时间指标tt单位时间差值,作为FT门的基本参数;
ft=(faulty indicator)t-(faulty indicator)t-1
tt=(temporal indicator)t-(temporal indicator)t-1
2)FT-LSTM模型构建;
故障指标和时间指标单位时间差值模拟时空门的运作方式,以FT门进行运作,从而建立回转支承剩余使用寿命和时间指标和故障指标的内在关联,解决数据稀疏性引起的回转支承剩余使用寿命预测结果偏离实际情况的问题。
6.如权利要求1所述的一种新的高可靠性回转支承寿命评估方法,其特征在于,所述步骤(5)中FT-LSTM被视为生成器,时间和故障指标混合嵌入式长短时记忆性网络(Faulty-Temporal Convolutional Neural Networks,简称FT-CNN)被视为鉴别器,判别模型FT-CNN的目标是判别FT-LSTM生成的模型是否为真;若是,则FT-LSTM的结果即为回转支承的RUL;否则,FT-LSTM将重新生成模型,直到FT-CNN无法区分生成的模型和真实模型,具体步骤如下:
1)用FT-CNN判别回转支承的寿命预测模型,若判断为假,则惩罚因子被引入,FT-LSTM将重新生成模型;若判断为真,FT-LSTM将进行下一阶段的寿命预测;
2)重复步骤1),直到完成生命周期的预测,最终输出结果ht即表示GAN-FT-LSTM下回转支承的RUL的评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162644.XA CN110956112B (zh) | 2019-11-25 | 2019-11-25 | 一种新的高可靠性回转支承寿命评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911162644.XA CN110956112B (zh) | 2019-11-25 | 2019-11-25 | 一种新的高可靠性回转支承寿命评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956112A true CN110956112A (zh) | 2020-04-03 |
CN110956112B CN110956112B (zh) | 2023-07-18 |
Family
ID=69978368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911162644.XA Active CN110956112B (zh) | 2019-11-25 | 2019-11-25 | 一种新的高可靠性回转支承寿命评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956112B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032917A (zh) * | 2021-03-03 | 2021-06-25 | 安徽大学 | 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 |
CN117633517A (zh) * | 2024-01-25 | 2024-03-01 | 南京工业大学 | 基于深度自编码器和局部线性嵌入的轴承健康指数评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109190301A (zh) * | 2018-10-09 | 2019-01-11 | 南京工业大学 | 一种变工况下回转支承高精度寿命预测方法 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
CN109883699A (zh) * | 2018-12-20 | 2019-06-14 | 上海理工大学 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
-
2019
- 2019-11-25 CN CN201911162644.XA patent/CN110956112B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109190301A (zh) * | 2018-10-09 | 2019-01-11 | 南京工业大学 | 一种变工况下回转支承高精度寿命预测方法 |
CN109883699A (zh) * | 2018-12-20 | 2019-06-14 | 上海理工大学 | 一种基于长短时记忆网络的滚动轴承剩余寿命预测方法 |
CN109726524A (zh) * | 2019-03-01 | 2019-05-07 | 哈尔滨理工大学 | 一种基于cnn和lstm的滚动轴承剩余使用寿命预测方法 |
Non-Patent Citations (2)
Title |
---|
SAISAI WANG,ETC: "Degradation evaluation of slewing bearing using HMM and improved GRU" * |
陈宝国等: "船用回转支承疲劳寿命试验机设计" * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113032917A (zh) * | 2021-03-03 | 2021-06-25 | 安徽大学 | 一种基于生成对抗及卷积循环神经网络的机电轴承故障检测方法及应用系统 |
CN117633517A (zh) * | 2024-01-25 | 2024-03-01 | 南京工业大学 | 基于深度自编码器和局部线性嵌入的轴承健康指数评估方法 |
CN117633517B (zh) * | 2024-01-25 | 2024-04-30 | 南京工业大学 | 基于深度自编码器和局部线性嵌入的轴承健康指数评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956112B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110006645B (zh) | 一种多源融合的高压断路器机械故障诊断方法 | |
CN108304348B (zh) | 一种基于二元维纳过程的轴承剩余寿命预测方法 | |
CA2931624A1 (en) | Systems and methods for event detection and diagnosis | |
CN108535635B (zh) | 一种基于eemd和hmm的模拟电路间歇故障诊断方法 | |
CN104035431B (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及系统 | |
KR101797400B1 (ko) | 확률밀도 기반의 고장 진단 방법 및 장치 | |
CN110956112B (zh) | 一种新的高可靠性回转支承寿命评估方法 | |
CN110990788A (zh) | 一种基于三元维纳过程的轴承剩余寿命预测方法 | |
CN116168720A (zh) | 一种电机声音异常故障诊断方法、系统、及可存储介质 | |
CN114739671A (zh) | 一种基于改进广义s变换的轴承故障诊断方法 | |
CN106301610A (zh) | 一种超外差接收机的自适应故障检测和诊断方法及装置 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN105722129A (zh) | 一种基于fsax-markov模型的无线传感网事件检测方法及系统 | |
CN116380496B (zh) | 一种汽车车门疲劳耐久测试方法、系统及介质 | |
CN105445004A (zh) | 设备零部件的振动曲线归一化平均寿命预测办法 | |
CN111797944A (zh) | 一种车门异常诊断方法及装置 | |
CN115238753B (zh) | 一种基于局部离群因子的自适应shm数据清洗方法 | |
CN116773961A (zh) | 基于振动信号高频特征分析的输电线路腐蚀检测方法 | |
CN113672859B (zh) | 一种道岔转辙机故障声学诊断系统 | |
CN113487141B (zh) | 一种多源信息聚类融合的轴承状态评估方法 | |
CN114112390B (zh) | 一种非线性复杂系统早期故障诊断方法 | |
CN113177484B (zh) | 基于lof自编码的机械故障智能诊断方法 | |
US11867763B2 (en) | Method for monitoring circuit breaker and apparatus and internet of things using the same | |
CN113947122A (zh) | 一种贝叶斯更新和ds证据理论相结合的分合闸线圈电流分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |