文摘

准确的剩余使用寿命(原则)的预测轴承是有效决策的关键预测维护(PdM)的旋转机械。然而,个体的异质性和不同的轴承工作条件使轴承的退化轨迹不同,导致之间的不匹配原则建立的预测模型完整的人生培训测试轴承和轴承。应对这一挑战,本文提出了一种新颖的荷重软化预测方法对滚子轴承考虑退化轨迹的差异和相似之处。在这种方法中,基于连续小波变换的特征提取方法(CWT)和卷积autoencoder (CAE)提出了提取前的深特性与轴承性能退化退化指标(DI)获得通过应用自组织映射(SOM)的方法。接下来,基于动态时间扭曲(DTW)方法应用于执行退化轨迹的相似性匹配的培训和测试轴承。由给定的历史说轴承、灰色预测模型和完整的订单时间权力条款(FOTP-GM)应用于退化轨迹模型使用一个参数优化方法。然后,给定测试轴承的故障阈值可以确定使用数据驱动的方法,没有人工干预。最后,荷重软化给定测试轴承的可以使用预设故障阈值估计和优化的退化轨迹模型,给定测试轴承。实验结果表明,该方法保留了轴承退化趋势的个体差异,实现独立和合理的轴承故障阈值设置,和提高了预测的准确性原则。

1。介绍

准确的剩余使用寿命(原则)估计轴承是一个重大的挑战在预测和健康管理系统(榜单)旋转机械,提高设备的可靠性,减少设备故障以及维护成本。在文献中,预测方法在榜单框架可以实现三种不同的方式:基于物理方法,数据驱动的方法和混合方法(数据驱动和基于物理的方法)1]。通过求解一组方程基于物理定律和工程和科学的知识,基于物理的健康和预测预后的方法评估组件损坏时穿过一个预定义的故障阈值基于退化过程的数学建模为一个特定的失效模式(2]。然而,精度高和效率要求组件原则预测,物理模型寿命预测方法难以满足现代需求由于其复杂性,耗时,nonuniversality。

不考虑系统的复杂的降解机制,data-driven-based预后的方法可以减少依赖先验知识和预测精度高的优点,适用性强。从数学建模的角度来看,数据驱动的预测方法可以进一步分为统计方法和基于人工智能(AI)的方法(3]。统计数据预测方法,也称为实证基于模型的预测方法,预测机械组件的剩余使用寿命通过构建一个基于经验知识的统计模型。统计方法包括高斯模型方法、自回归模型方法、隐马尔可夫模型(HMM)方法,维纳过程模型方法,各种统计基于距离的聚类方法,等等。Medjaher et al。4)提出了一个混合轴承原则预测模型结合高斯模型和嗯,并验证了该方法的性能使用轴承的实际退化数据集。c .关颖珊et al。5)提出了一个新颖的轴承故障诊断和预测的方法使用嗯描述轴承的失效机理和应用HMM-based方法转轴系统使用实际数据来验证其性能。x Zhang et al。6)提出了一个集成的方法基于PCA的轴承故障诊断和预后,嗯,并验证了该方法的有效性通过实验轴承振动数据集。p .丁等。7)提出了一个新颖的退化趋势估算方法基于一个解释和轻量级的向量自回归算法,和run-to-failure滚动和回转轴承的数据集进行了分析证明了该方法的有效性。b .世界货币基金等。8]提出了一种自适应轴承原则预测方法基于损伤累积的描述,在递归最小二乘(RLS)算法应用于基于损伤曲线估计方法(DCA)原则自适应预测模型。

轴承的主要方式来执行一个基于ai的框架原则预测是基于机器学习(ML)的预测,包括人工神经网络(ANN) [9),支持向量机(SVM) [10),随机森林(RF) (11),深度学习(DL) [12]。传统的基于机器学习预测方法通常提取一个时间或频域统计特性的原始信号作为健康指数(HI),如均方根(13],峰度[14),能量熵(15),等等。然而,有很大的局限性等的描述功能单一的统计特性。更合理的退化指标(DI),提取不同的统计特性,频率,和时频域,和一些DI施工方法,如主成分分析(PCA) (16支持向量数据描述(SVDD) [],17),自组织映射(SOM) [18(OSA)[],正交稀疏算法19),应用于引信通过减少有效降解指标维度提取特性集。

deep-learning-based预后的方法可以学习原始数据的深度信息,准确地评估轴承的退化状态。deep-learning-based方法应用于预测轴承原则主要包括:深度信念网(DBN) [20.),集成深度学习方法基于时域和频域特性21],卷积神经网络(CNN) [22,23),autoencoder (AE) [24递归神经网络(RNN) [],25),和长时间的短期记忆(LSTM) [26]。应该注意的是,上面提到的深度学习方法通常使用完整的生命周期数据训练轴承建立深度学习模型的建立监测数据之间的非线性映射关系测试轴承及其原则的假设退化模式下训练轴承和测试轴承是相同或相似的。在实际工程实践中,由于个体异质性的轴承和不同环境条件下,轴承在相同的工作条件下不一定有类似的退化轨迹,虽然轴承在不同工作条件下可能也有类似的下降趋势。此外,足够数量的轴承与充实数据需要先决条件培训使用深度学习方法可行的预测模型,但它是不容易收集大量的轴承数据与健康信息标记由于轴承数据的收集是复杂的和昂贵的。

解决之间的不匹配原则pretrained预测模型和测试轴承,一种方法是地图pretrained模型或测试数据采用转移学习(TL)方法适应测试轴承领域的预测模型27]。为此,许多研究人员广泛探索转移学习方法,比如传输成分分析(TCA) [28),联合分布适应(防卫厅)最早于[29日),而相关对齐(珊瑚)[30.]。针对轴承原则预测基于迁移学习,毛等。31日)采用柠檬酸桥原则差异测试轴承和培训轴承。p .丁等。32]提出了一种新型轴承原则基于无监督元学习的评估方法来处理贫困的挑战泛化和低导致预测精度未标记的和有限的样本。y丁等。33)提出了一个动态域adaptation-based原则预测方法为机械与多个使用深子域自适应回归网络的工作条件。李x et al。34]提出了一种基于深度学习预后的方法生成对抗网络是用来学习健康状态的分布数据。然而,值得注意的是,这是一项非常耗时的任务执行与一个巨大的计算负担转移学习高荷重软化预测精度。此外,训练数据和原则之间的非线性关系预测模型域后适应并不一定适合所有的目标测试轴承数据集由于个体异质性的轴承。

跨域原则的另一个方法是退化指标外推法预测问题。DI外推方法设置一个合理的故障阈值根据给定测试轴承的数据特征,然后建立一个测试轴承的安装退化模型根据其历史DI曲线,最后实现了给定测试轴承的荷重软化预测基于预设故障阈值和拟合曲线。基于黑箱转移学习方法相比,DI外推法具有良好的物理可解释性。在这个方法的挑战是如何配合的轴承历史DI曲线快速、准确和如何确定故障阈值自动在没有人为干预的情况下,应该仔细解决三个问题:(1)建立退化模型给定的轴承使用实用的特性,可以描述轴承的性能下降(2)制定可行的故障阈值测试轴承具有不同性能的退化模式(3)建立一个预测框架具有良好的泛化能力,可以动态地更新模型参数根据轴承测试信息

作为一个近似指数模型,灰色预测模型(GM)可以分析与模糊灰色系统的内部法律结构和不完整的或不确定的指数数据,显示出较高的预测精度和鲁棒性能。彭k . et al。35)提出了一种航空发动机荷重软化方法使用GM(1, 1)模型和更好的预测荷重软化性能通过对数操作和滑动窗口的预测。孟z . et al。36结合了马尔可夫和GM(1, 1)模型实现轴承原则预测,显示较低的均方根误差百分率。注意传统的灰色模型不能准确模拟任何给定的非齐次指数序列与速度和加速度的术语来说,一种新的灰色预测模型和完整的订单时间权力条款(FOTP-GM(1,1))解决这一问题,提出了s .李et al。37]。FOTO-GM(1,1)模型可以模拟更复杂的近似指数序列包含常数,速度,加速度条件通过改变其结构参数自动适应的进化趋势预测。FOTO-GM(1,1)模型可以满足齐次指数序列完全和模拟这样的非齐次指数,它提供了一个新的轴承荷重软化的灰色理论预测方法。

轴承的准确性原则预测不仅是影响轴承退化模型而且故障阈值密切相关。合理的故障阈值可以使工厂经理进行更有效的维护这取决于轴承的健康状况。在现有文献中基于数据驱动轴承原则预测,很少有讨论失败的设置阈值,和他们中的大多数是手动设置,主要包括四个设置方法:手工经验法(38),振动加速度振幅阈值20克(31日),和生活统一的阈值(百分比39]。这些故障阈值设定方法有重大手动主观性和不考虑轴承性能退化过程的可变性,以及他们的工程实用工具是有限的。在工程实践中,轴承在相同的工作条件下的降解趋势可能不同,而轴承在不同工作条件下的降解趋势类似于某种程度上是由于个体的异质性和不同环境条件的轴承。因此,退化趋势的差异和相似性之间的训练和测试执行轴承轴承时必须考虑原则预测。

一些研究来填补这个空白。王Tet al。40)提出了一个新颖的基于退化轨迹的相似性原则预测方法使用欧氏距离作为相似准则,距离越小,相似度越大。李等人。41)提出了一种相似性原则方法估算工业组件通过计算模糊相似性测试轨迹模式和参考轨迹训练模式。然而,上述相似性测量方法需要统一使用平均法的序列长度或插值方法导致失去原来的退化轨迹的时间信息。动态时间扭曲(42),可有效集群失真与噪声时间序列和时间,不同测量技术是一种有效的模式,可以使两个不同的序列长度代表同样的事情在时域和计算两届系列通过扩展和之间的距离缩短了时间序列。

鉴于上面的挑战和讨论中,这项工作提出了一个轴承原则预测方法,考虑轴承退化轨迹的差异和相似之处。在该方法中,DTW是用来测量退化轨迹的相似性的培训和测试轴承、和FOTO-GM(1, 1)模型是用来满足给定的退化轨迹轴承模拟精度高。首先,培训和测试轴承的时频图生成的类前深特性与性能退化等输入提取时频表示到CAE网络。其次,培训和测试轴承的退化轨迹可以通过输入这些隐藏的特性pretrained SOM网络。然后,安装退化轨迹模型的训练和测试,得到了轴承FOTO-GM(1,1)模型,和测试轴承的故障阈值可以使用安装退化曲线确定的培训轴承和退化趋势之间的距离和测试轴承DTW衡量。最后,测试轴承的荷重软化预测可以实现使用预设故障阈值和拟合退化曲线的测试轴承。

拟议的框架是评估数据集[IEEE 2012年榜单上的挑战43)和XJTU-SY数据集(44]。试验轴承的案例研究数据证明该方法可以准确地预测轴承在不同工作条件下的原则。与其他的比较先进的方法也验证了该方法的可行性。总结了本文的主要贡献如下:(1)CWT-CAE-SOM-based轴承退化指标施工方法而不用手动步骤提出了信号特征提取、选择、融合。该方法提取深藏表示由给定的轴承的监测数据的考虑之间的差异和独立完整的人生培训轴承和测试轴承。然后迪可以获得由正常状态使用SOM网络pretrained深特性的影响没有考虑退化数据测试轴承的不足。(2)DTW-based轴承退化趋势相似匹配方法的提出。这种方法计算了DTW距离历史退化轨迹的培训和测试轴承、轴承和培训的最低DTW距离给定的测试轴承可以选择参考给定测试轴承的轴承。(3)FOTP-GM参数优化方法(1,1)模型,提出了确定最优订购时间的力量。在这种方法中,安装退化之间的拟合误差曲线和原始的退化轨迹被选中作为训练阶段,评价指标和之间的距离安装退化曲线给定测试轴承和相应的参考培训的轴承的选择标准是测试阶段,充分考虑不同和相似的退化轨迹训练轴承和测试轴承(4)提出了data-driven-based轴承故障阈值设定方法。这个方法自适应地决定了轴承故障阈值给定的测试使用DTW距离给定的测试和参考培训轴承和生命的端点值参考培训的轴承安装退化曲线,避免了人为主观的失明的故障阈值设置。

本文的其余部分组织如下。部分2介绍了理论背景。节3故障阈值设置和荷重软化预测方法提出和讨论。节4,并给出了实验过程和结果和讨论。最后,一些结论是在部分5。

2。理论背景

2.1。轴承性能退化特征提取和基于连续小波变换CAE

时频表示提供了时间域和频率域的联合分布信息,和连续小波变换方法应用于提取有效监测轴承信号的时频分布。类可以将给定的轴承信号分解成一个时间尺度缩放和将母小波平面表示。母小波 通常是一个函数与零平均和有限长度,在哪里精确性的空间复杂函数(45]。的家庭时间尺度波形通过缩放和移动母小波如下: 在哪里 是小波的扩张和收缩的比例因子和b是过渡的转移因子小波沿时间轴。对于给定的轴承信号 ,CWT操作分解信号根据下面的积分小波系数: 在哪里是母亲的共轭复数小波 。CWT获取有用的频率成分在不同的时间尺度和决议。对于小尺度 , 将短期和高频率,而对于大尺度 , 将长,低频率。

针对单个轴承退化趋势的变化,使用CAE自动提取退化特征从轴承监测数据集,实现轴承性能退化特征的有效提取没有先验知识的原则。CAE与传统autoencoder相比,深度学习的方法,利用卷积编码和解码部分的操作,而不是切片和叠加数据,大大提高了训练参数优化的性能和特征提取46]。

CAE的卷积网络编码器编码输入数据表示为一组隐藏空间,然后解码器可以使用反褶积操作输入数据。如图1,让表示给定的轴承数据的时频图在时间 ,在哪里 ,和H代表了潜在的潜在空间给定轴承的时频表示数据, 。的k特征映射在编码器输出H可以表示如下: 在哪里是非线性激活函数,代表二维卷积,和表示的重量和偏差值k分别th卷积编码器的内核。然后kth编码隐藏表示可以解码重建输入数据使用反褶积操作如下: 在哪里 输入轴承时频的重建数据,译码器的二维deconvolutional过滤器,译码器的偏置值。在无监督pretraining, CAE的损失函数定义如下: 在哪里E表示均方误差(MSE)原始输入图像之间的失真和重建图像 。最小化损失函数E可以得到一个最优的隐藏空间表示输入轴承时频数据 ,这可以用作轴承性能下降的深度特征吗 。

提高培训效率和CAE网络的泛化能力,multiconvolution层通常采用,并且每个卷积层是紧随其后的是一批标准化确保输入和输出层每一层都有相同的振幅与输入数据的分布,使CAE可以使用更大的培训学习速率,加快训练速度和克服协方差偏移量的影响。

2.2。轴承性能退化轨迹基于SOM网络建设

由于不同的敏感性来跟踪轴承性能的退化趋势,提取多尺度表示深度的CAE不能反映轴承退化过程的隐藏信息以统一的方式,有必要这样的深度特征映射到一个统一的性能指标。获得一个精确的DI曲线给定的轴承,使用SOM的多尺度表示深度提取CAE熔合成一个无量纲DI。

让表示n维隐藏给定轴承的时频表示的数据编码器的输出, ,在哪里 ,N是轴承训练样本的数量。 的重量是SOM网络中神经元, ,米SOM网络的神经元数量。DI的施工过程说明如下:(1)规范化首先输入SOM模型,获胜神经元c根据最小欧氏距离选择标准: 。然后权重向量、学习速率和邻域半径更新根据文献[中提到的方法17]。(2)训练样本, ,输入到SOM网络反过来做同样的操作,当所有训练样本参与SOM训练,一次迭代结束。当迭代次数达到设定阈值,SOM模型建立了样本可以获得正常的功能。(3)所有给定的轴承的历史时频图输入到训练有素的SOM模型,和DI轨迹可以获得使用欧氏距离的最小值之间隐藏的特性在时间t和权向量 :

的措施的偏差度轴承之间隐藏的表征降解条件和内核空间由SOM的正常状态。更高的DI值代表一个更严重的轴承性能的退化。

2.3。相似性度量的基于DTW轴承退化轨迹

动态时间扭曲,可有效集群失真与噪声时间序列和时间,不同测量技术是一种有效的模式。DTW-based轴承退化趋势匹配是一个非线性的正则化方法,结合轴承操作时间正则化与退化轨迹距离计算。需要历史的降解曲线给定测试轴承的参考模板,比较完整的人生退化轨迹的培训轴承与参考模板,并找到培训轴承与最小的轨道距离退化趋势匹配训练给定测试轴承的轴承。

的符号表示完整的人生退化轨迹的训练轴承,和符号代表了一个测试轴承的退化轨迹, 和 。定义一个矩阵 ,在哪里 代表点之间的距离和点找到最合适的路径,通过这个矩阵网格数量的网格点,确保最终两退化曲线之间的总距离最短。这样一个路径可以表示如下: 在哪里代表的规律性程度两个轨迹, , 和 。网格点的路径传递的点为计算两个序列是一致的。以确保每一个点的和出现在路径 ,的我和j在 一定是单调递增。获得的正规化的道路需要满足路径最短的距离规则: 在哪里 累积两个序列的距离吗 来 ,也就是说,欧几里得距离之和 代表之间的距离和点 ,即最小的相邻元素的累积距离可以达到这一点 。最后一点的价值矩阵D的总累积距离两个序列,可以视为两个序列的相似性。

轴承与退化轨迹应该有一个类似的退化模式。参考培训轴承的故障阈值与给定的退化趋势匹配测试轴承可用于确定给定测试轴承的故障阈值。

2.4。FOTP-GM的基本原则(1,1)模型

传统的灰色模型只适用于拟合纯指数的时间序列变化规律,而滚动轴承的性能退化是受到许多复杂因素的影响,如稳定的扰动,恒速干扰,和加速度干扰,其性能退化轨迹不会严格遵循纯指数变化规律(21]。FOTP-GM(1, 1),作为一种新的模型来源于灰色预测模型,可以自适应地改变模型结构和参数的动态变化测量序列最大化拟合和预测精度。的离散形式FOTP-GM(1,1)模型定义如下: 在哪里一个是发展指数, 是灰色的作用量,h称为订单条款的权力呢 。

基于给定的降解曲线 ,1-AGO序列可以由以下:

然后参数序列一个和 FOTP-GM(1,1)模型可以估计的最小二乘方法,和相应的时间响应函数可以得到如下: 在哪里c是一个常数,可以优化获得模拟的误差最小。重建的序列可以获得如下:

FOTP-GM的结构参数(1,1)模型可以调整自适应动态变化的实际时间序列,可以满足齐次指数序列精确和近似非齐次指数序列没有错误。

3所示。方法

由于轴承退化过程的非线性和不确定性,很难准确预测给定的轴承的原则。这个问题的关键的一步是建立一个可信的和合理的数学模型来描述这样一个非线性退化过程。基于理论中提到的部分2,该方法如图2,主要包含四个步骤:DI轨道建设、退化趋势匹配,优化顺序设置FOTO-GM(1,1)模型,预测和荷重软化与预设故障阈值。

首先,时频图的训练和测试轴承的振动数据输入到CAE网络提取深度隐藏的表征,和退化轨迹的训练和测试轴承可以生成使用SOM网络从这些深隐藏表示。其次,这一趋势相似性的退化轨迹训练和测试评估轴承使用DTW和退化趋势匹配结果可以确定使用DTW距离的最小值。然后,退化轨迹模型的训练和测试轴承可通过应用FOTO-GM(1,1)模型使用一个优化方法。最后,测试轴承的荷重软化预测可以实现使用预设故障阈值和拟合退化曲线的测试轴承。

3.1。基于数据驱动的退化轨迹模型建设

一个精确的轴承退化模型可以减少轴承的非线性和不确定性原则的预测。基于理论中提到的部分2轴承退化轨道建设,提出了数据驱动方法和建模如图3,可以总结为四个步骤如下。(1)生成给定轴承数据的时频图使用方程(2节中给出)2.1。(2)提取获得的深度隐藏的特性使用CAE方法时频图中提到的部分2.1。(3)映射的退化指标归一化深度隐藏的特性输入到pretrained SOM网络。DI曲线给定的轴承t, ,可以使用隐藏特性之间的欧几里得距离的最小值和优化的权向量SOM网络。(4)拟合的给定的序列使用FOTP-GM轴承(1,1)模型与不同的时间力量订单,然后使用方法给出部分3.2评价拟合性能和选择最优时间权力秩序 。

3.2。订单确定的时间力量方面的训练和测试阶段

自从FOTP-GM曲线重构的(1,1)模型条件敏感时间的顺序 。合身的退化轨迹模型与一个合适的可以准确反映轴承性能下降的过程。所以适当的时候权力秩序需要被选中。

FOTP-GM(1,1)模型用于符合给定的数据点的历史退化轨迹轴承和相应的拟合时间序列, ,可以描述如下: 在哪里u,p,问,r,年代拟合参数。

训练阶段,拟合性能不同的配件订单的时间力量方面可以表示如下: 在哪里代表之间的拟合误差的均方根值原点退化轨迹和拟合曲线退化 , 是时间的顺序方面,N原点退化轨迹的长度是 。的值越小 ,较小的拟合曲线和原始之间的拟合误差曲线。为了防止过度拟合,对应于过渡的趋势曲线可以选择的最优顺序时间功率给定训练轴承。

测试阶段,时间的最优顺序权力条款可以确定使用DTW距离给定测试轴承的安装退化曲线和相应的参考培训轴承退化趋势匹配: 在哪里和的安装退化曲线参考培训轴承和给定的测试轴承,分别。的对应的最小值点曲线和拟合曲线单调递增可以选择最优时间功率给定测试轴承订单条款。

3.3。轴承故障阈值设置和荷重软化的预测

退化轨迹的差异和相似性被认为确定给定测试轴承的故障阈值。培训轴承的退化趋势,也有类似的给定测试轴承退化趋势,选择参考性能退化模式,和生活的DI值端点被认为是设置测试轴承故障阈值。然而,退化轨迹的训练和测试轴承不能是相同的,所以这两条曲线之间的DTW距离,这表明退化趋势的相似性,被认为是减少这两个退化曲线之间的差别。

让和分别代表原DI轨迹和安装的降解曲线重建FOTP-GM(1,1)模型给定参考培训的轴承,如图4(一个)。和分别表示,最初的DI轨迹和安装FOTP-GM降解曲线重构的(1,1)模型给定测试轴承的,如图4(b)。给定的测试和训练轴承DTW距离的最小值显示类似的退化趋势。如图4(e)的价值生活在端点被认为是轴承的故障阈值提供培训。给定测试轴承的故障阈值与一个类似的退化趋势培训轴承可以确定如下:

滚动轴承的荷重软化预测方法基于FOTP-GM(1,1)动态优化模型结构根据滚动轴承的性能下降趋势得到原始时间序列的最小的模拟误差尽可能与更高的预测精度和较强的泛化能力。

如图4(e)、荷重软化预测的具体实现方法如下:首先,使用给定的历史DI曲线测试轴承, ,模型和解决参数方程(11)。然后,对应的时间函数可以解决使用方程(13),并在未来的几个点可以预测。当值达到预设故障阈值时,认为整个生命。最后,荷重软化可以通过减去当前操作时间从预测的一生 ,也就是说,

4所示。实验验证

4.1。案例1:IEEE 2012年榜单数据的挑战

以下4.4.1。实验系统和数据描述

滚动轴承的实验周期数据集收集PRONOSTIA平台,提供的FEMTO-ST研究所(43]。这个数据集是挑战2012年IEEE榜单数据用于预测轴承的原则。如图5实验平台进行了加速退化试验,收集退化数据的滚珠轴承,直到他们彻底失败,在这17轴承在3个不同的操作条件下进行了测试,如表所示1。每组的第一个2轴承被用来训练run-to-failure数据集构建预测模型,剩下的11个轴承被截断,需要准确预测原则。收集的加速度信号的采样频率试验台是25.6 kHz,和数据采集卡(nidaqcard - 9174)收集数据每隔10年代,时间为0.1和2560数据点。

4.1.2。DI曲线结构的结果

收集到的振动信号从有缺陷的轴承通常包含周期性脉冲形状类似于Morlet小波。基于的原则选定小波的形状应该是类似于机械故障信号,应用Morlet-based CWT提取轴承原始振动信号的时频特性。

图6显示了轴承的训练数据集的时频图run-to-failure实验期间,恶化进展的计算操作时间的比例在整个轴承的寿命。一般情况下,轴承的生命周期可分为三个阶段:正常,退化,以及失败。正常的阶段有两个阶段:试车状态和稳定的状态。频率响应的磨合轴承主要集中在旋转区域,随着时间的推移和时频图变得干净。正常的轴承是干净的时频图偶尔随机冲击。在退化阶段,时频图开始变得凌乱,频率响应都集中在中间频段。退化进程接近100%时,时频图变得很凌乱,振幅和频率响应频带。上述分析表明,时频图可以显示轴承振动信号的频率能量分布暗示缺陷在时频域的发展趋势,和轴承振动信号的时频特征敏感轴承退化。

所有测试轴承的时频图输入到CAE模型执行编码和解码操作,和深度隐藏的特点与轴承性能下降可以获得从卷积编码器的输出。三个CNN模型的具体参数设置如表所示2。输入时频图的大小为128×128×3。卷积编码器有三个卷积层和三池层。卷积核的大小的三个卷积是3×3层,和跨越1×1。瓷砖的大小三池层4×4,4×4,分别和2×2。批处理规范化操作应用于每个卷积的输出层,以确保每个卷积的输入和输出层有相同的分布与输入数据。ReLU函数用于激活函数,和最大池用于汇聚层。填充参数在卷积和池层是“相同”保留输入地图的最显著的特征。卷积译码器包括六deconvolutional层,每一层的参数对应的卷积编码器。除了最后deconvolutional层,输出的所有deconvolutional层批规范化,和激活函数是ReLU函数填充“相同”。

如表中所示2的输出卷积编码器输出的池层3,和它的大小是4×4×15,这意味着隐藏层包含15个特征图和一个4×4的大小。这些特征图谱可以扩展成一个完全连接层的大小1×240,和价值观完全连接层的深度特性是由卷积autoencoder轴承时频图中提取。以轴承1 - 1为例,深度特征提取的维度CAE是240,和4代表功能,包括59号,74年,113年和125年,选择,与操作时间的变化曲线如图所示7。

图7表明CAE的深度提取的特征有一定的趋势随着时间的推移,它适用于轴承荷重软化的预测分析。然而,不同深度的特性有不同的礼仪跟踪轴承性能的退化趋势,一些特性随时间增加或减少随着时间的推移,和一些功能突然变化振幅在某个时间点操作。注意深度特征提取的CAE不能统一反映了退化过程,和所有的深度特性映射到一个统一的SOM DI。第一个5%归一化特性集的每个轴承都是选为正常轴承的训练数据集训练SOM模型对应于每个轴承、和DI曲线可以通过输入的归一化特性集测试轴承到训练有素的SOM模型中。

图8表明生命周期退化轨迹的轴承在相同的工作条件下显示类似的退化趋势可以看到的一些差异,DI值对应于最后失败的时间点是不一样的。从图可以看出9测试轴承的DI曲线显然是异构具有不同的长度。由于数据分布的差异之间完整的人生轴承和测试轴承,轴承在相同的工作条件下的降解趋势可能不同,而轴承在不同工作条件下的降解趋势是相似的在某种程度上,所以很难直观地确定完整的人生轴承与测试轴承退化轨迹相似。因此,有必要以匹配每个轴承的退化轨迹的趋势并设置一个合理的故障阈值测试轴承通过考虑退化轨迹的差异和相似性的训练和测试轴承。

4.1.3。轴承退化模型建设使用一个优化订单时间的力量

时间的退化曲线与不同的顺序安装功率的FOTP-GM(1, 1)有不同的能力来预测轴承荷重软化。使用部分的方法3.2,拟合性能评估通过计算原点退化轨迹之间的拟合误差和拟合曲线退化 。图10显示了退化模型由FOTP-GM(1,1)优化订单时间的力量。

的拟合误差曲线FOTP-GM培训(1,1)模型轴承,存在一种趋势后的过渡点的拟合误差越来越小波动,如图10。时间权力条款秩序等可以选择趋势转折点对应的最优顺序时间功率给定训练轴承。培训轴承安装不同退化曲线,说明轴承性能衰变的异质性。结果最优的价值秩序和相应的培训轴承安装退化曲线在端点表中列出的生活3。

4.1.4。故障阈值设置的测试轴承

准确预测轴承原则,合理的故障阈值为每个测试轴承是必要的。DI曲线之间的相似度匹配执行分析的测试轴承和生命周期的退化轨迹的训练轴承分类测试轴承退化趋势恶化趋势的基础上训练轴承,轴承退化模型和相应的培训可以选择的参考退化模型选择测试轴承。使用一节中提到的方法2.3、生命周期之间的相似性退化轨迹的培训轴承和DI曲线测试轴承表中所示3。

基于表3和4轴承的故障阈值测试可以获得使用方程(16节中给出)3.3和说明表5。

4.1.5。轴承剩余使用寿命的预测

根据安装DI的预设故障阈值曲线和测试轴承,FOTP-GM(1,1)模型被用来预测测试轴承的荷重软化使用一个最佳时间权力条款顺序选择方法中引入部分3.2。性能的每个订单的时间力量的训练模型定量评估根据方程(15)。给定测试轴承的原则可以使用的最优拟合估计退化曲线和预设故障阈值。例如,曲线,最优安装退化曲线,轴承的荷重软化预测结果1、2 _7,3 _3所示图11。

如表所示6的最优顺序FOTP-GM(1,1)是不同的不同的测试轴承。表6还说明了预测原则和错误率的测试轴承,在轴承的荷重软化预测结果1 _5和1 _6是5340年代和4380年代。然而,鉴于实际原则这两个轴承是1610年代和1460年代。轴承1的原则预测错误_5和1 _6很大,导致该方法的预测性能差。看来,该方法无法准确预测这两个轴承的原则。然而,文献[30.]指出,轴承1 _5和1 2012年IEEE榜单_6有自己的特异性预后挑战数据集。数据集描述文档指出,“出于安全原因,测试时停止振动信号的振幅度过20 g。“然而,轴承1 _5和1 _6没有达到这个要求。如图12轴承的最后样品1的波形、1 _5 1 _6,1 _7振幅阈值20 g标记显示。图12说明在测试结束时,轴承的振动峰值振幅1 _5 1 _6大约有10 g和没有天桥20克的预设故障阈值。

进一步确认轴承的振动振幅是否_5和1 _6已达到预设故障阈值,整个生活这两个轴承的振动峰值振幅曲线呈现在图13。图13表明,轴承的振动振幅1 _5 1 _6没有经过20 g在整个测试过程中,这意味着给定的参考原则这两个轴承是短于他们在失败的情况下,真正的荷重软化阈值设置为20 g。所以原则是合理的,该方法的预测结果为轴承1 _5和1 _6超过给定的参考原则。轴承的荷重软化预测结果的错误率_5和1 _6并不代表由于给定的参考原则小于实际原则。

荷重软化性能的预测结果的测试轴承可以使用三个评价指标:均方根误差(RMSE),对称平均绝对百分误差(SMAPE)和评分功能。RMSE SMAE定义如下:

得分函数已被许多研究人员采用和IEEE 2012年榜单预后的挑战46]。通过考虑不同的权重的早期和晚期的预测结果,得分函数定义如下: 在哪里(1,11)中定义的测试轴承状态表1的荷重软化,actRULi RULi表示方位估计的实验参与者和预测实际的原则,分别。预测误差百分比测试轴承吗 ,和的分数的准确性原则估计测试轴承 。的代表了整体测试轴承荷重软化预测的准确性,和更高的价值 ,总体原则预测精度更高。

来验证该方法的性能,比较几种先进的荷重软化预测方法,包括Sutrisno振动频率的签名异常检测和存活时间比(13),香港的组合特征提取和自组织映射17),郭敬明的复发性神经元网络健康指示器(24),单例的基于过滤器扩展卡尔曼滤波方法(46),朱的多尺度卷积神经网络方法22),程菲的可转让的卷积神经网络方法(29日),学习毛泽东的深层特征表示和传输(30.),和李的深度对抗神经为基础的网络方法(33]。

表7表明该方法有一个突出的预测性能。与Sutrisno相比,单例,程菲的方法,该方法的预测RMSE小得多。此外,与毛泽东的方法相比,虽然RMSE和该方法的得分略小,该方法SMAPE最低价值,表明该预测模型仍然有更好的精度。结合上市方法、自适应故障阈值设置使该方法能够预测轴承在多个操作条件下准确原则。

4.2。案例2:XJTU-SY轴承数据集

4.2.1。准备实验系统和数据描述

实验周期数据集提供的滚动轴承设计科学研究所和基本组件(西安交通大学44)进行了分析,进一步证明了该方法的有效性。如图14实验平台由交流电动机,电动机转速控制器,一个旋转的轴,两个支承轴承,液压加载系统中,一个测试轴承,等等。两个加速度计(PCB 352 c33)定位在90°的住房测试轴承测量轴承的水平和垂直振动测试。15滚动体轴承(LDK UER204)在三个不同的操作条件下进行测试,以收集退化数据的滚珠轴承,直到他们彻底失败。如表所示8,每组的前两个轴承选择训练run-to-failure数据集构建预测模型,剩下的九个轴承被截断,需要准确预测原则。收集的加速度信号的采样频率试验台是25.6 kHz,和数据采集卡(LE DT9837)每分钟收集数据一次,时间为1.28和32768数据点。

4.2.2。DI曲线结构的结果

Morlet-based CWT方法应用于获得振动数据集的时频图的六个训练轴承,如图15。类似于案例1,正常的轴承是干净的时频图偶尔随机冲击。在退化阶段,时频图开始变得凌乱,频率响应都集中在中间频段。退化进程接近100%时,时频图变得很凌乱,振幅和频率响应频带。上述分析表明,时频图可以暗示缺陷在时频域的发展趋势,和轴承振动信号的时频特征敏感轴承退化。

以轴承2 _1为例,提取时频图的深度隐藏功能的CAE模型提出在案例1中,和四个典型特征曲线与操作时间变化如图16,包括57号,94,168,205。类似案例1,图16表明CAE的深度提取的特征有一定的趋势随着时间的推移。然而,不同深度的特性有不同的礼仪跟踪轴承性能的退化趋势,一些特性随时间增加或减少随着时间的推移,和一些功能突然变化振幅在某个时间点操作。SOM法应用于这些深度特性熔合成一个统一的DI反映了退化过程一致。第一个5%归一化特性集的每个轴承都是选为正常轴承的训练数据集训练SOM模型对应于每个轴承、和DI曲线可以通过输入的归一化特性集测试轴承到pretrained SOM模型。

数据17和18表明,该生命周期从XJTU-SY轴承获得退化轨迹数据集与不同长度显然是异构的。由于数据分布的差异,轴承在相同的工作条件下的降解趋势可能不同,而轴承在不同工作条件下的降解趋势是相似的在某种程度上,所以很难直观地确定完整的人生轴承与测试轴承退化轨迹相似。因此,有必要以匹配每个轴承的退化轨迹的趋势并设置一个合理的故障阈值为给定的测试轴承通过考虑退化轨迹的差异和相似性的训练和测试轴承。

4.2.3。轴承退化模型建设使用一个优化订单时间的力量

时间的退化曲线与不同的顺序安装功率的FOTP-GM(1, 1)有不同的能力来预测轴承荷重软化。使用部分的方法3.2,拟合性能评估通过计算原点退化轨迹之间的拟合误差和拟合曲线退化 。图19显示了退化模型的训练轴承由FOTP-GM(1, 1)优化订单时间权力条款。

类似案例1,存在一种趋势后的过渡点的拟合误差越来越小波动的拟合误差曲线FOTP-GM培训(1,1)模型轴承,如图19。时间权力条款秩序等可以选择趋势转折点对应的最优顺序时间功率给定训练轴承。结果最优的价值秩序和相应的培训轴承安装退化曲线在端点表中列出的生活9。

4.2.4。故障阈值设置的测试轴承

来验证该方法的预测能力,测试轴承的数据集分割有不同的预测起点执行十子任务,部门包括比例50%,55%,60%,65%,70%,75%,80%,85%,90%,和95%,如表所示10。

子任务的部门比# 6 75%为例,历史之间的相似性匹配执行分析DI轨迹的测试轴承和生命周期的退化轨迹的训练轴承匹配测试轴承退化趋势的恶化趋势培训轴承、轴承退化模型和相应的培训可以选择的参考退化模型选择测试轴承。使用部分的方法2.3、生命周期之间的相似性退化轨迹的培训轴承和历史DI曲线测试轴承表中所示11。

基于表9和11轴承的故障阈值测试可以通过使用方程(16节中给出)3.3和说明表12。

4.2.5。轴承剩余使用寿命的预测

给定的测试的荷重软化轴承可以使用最优估计时间权力秩序和预设故障阈值。子任务# 6的荷重软化预测结果列在表中13,对不同测试轴承、最优的顺序FOTP-GM(1,1)是不同的。

测试轴承的预测整个生活如表所示14。由于不同部门比率用于生成测试样品,测试轴承的预测生活是不同的。该方法可以自适应更新退化曲线拟合模型和给定测试轴承的故障阈值基于收集到的轴承信息。如表所示14,寿命预测结果得到一个较小的波动和更加准确的测试轴承的数据量也在不断增加。

荷重软化预测的结果在图所示20.。从图可以看出,在实际预测结果波动荷重软化标签值。初步证明了该方法的有效性在XJTU-SY数据集。进一步说明了该方法的性能,RMSE和SMAPE也利用绩效评估指标XJTU-SY原则预测的数据集。该方法的预测结果与三发表的研究结果报道,包括黄的深卷积神经network-bootstrap集成方法(21],胡锦涛LSTM预测训练同时生成敌对的网络中(GAN)架构(23],叮的深子域自适应回归网络[32),李的深度对抗神经为基础的网络方法(33],肖trend-reconstruct-based特征选择和封闭的复发性单元网络(47]。

表15显示了该方法的性能比较结果和五个发表研究XJTU-SY数据集。可以看出,该方法实现了一个小SMAPE值与其他方法相比。与黄相比,胡锦涛,叮,和李的方法,该方法实现一个较小的权值。与小的方法相比,该方法已RMSE略高,但SMAPE较低。中列出的对比表15还意味着该方法执行一个更好的性能在滚动轴承的荷重软化的预测。

5。结论

本文提出了一种新的方法,包括退化轨迹之间的差异和相似的训练和测试轴承滚子轴承的预测原则。这种方法预测轴承荷重软化的主要集中在两个方面:基于数据驱动的准确故障阈值设置和优化数学退化模型建设使用深特性。从实验结果,我们有以下结论:(1)CAE-based特征提取方法可以自适应地提取深度特性与轴承性能下降。SOM-based DI施工方法可以有效地处理深度特征提取通过CAE为实际退化指标。(2)FOTO-GM(1,1)模型参数优化方法可以确定最优拟合命令基于拟合误差。优化FOTO-GM(1,1)方法可以构造拟合给定的退化模型基于退化信息。(3)基于DTW的故障阈值设定方法和优化FOTO-GM(1, 1)给定轴承的故障阈值进行自适应调节根据测试轴承的积累信息而无需人工干预。

该轴承原则预测模型可以当新的自适应更新其参数监测数据是可用的。该方法的对比实验结果和现有的方法表明,该方法可以有效地提高预测精度,降低预测的不确定性,具有较好的工程实用性。

数据可用性

使用的数据来支持本研究的结果包括在本文中。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作是支持的项目从中国的国家自然科学基金(51675064)。