基于多阶段退化特征的滚动轴承的智能自适应剩余寿命预测研究

Rolling bearing (RB) is a kind of mechanical components which is utilized widely in industry. With the increasing of consumption, the performance is gradually degraded. Adding the influence of complex working condition, the probability of failure aggrandizes randomly. As a result, it is important to predict accurately the remaining useful life. At present, the characteristics of RB degradation is described by single degradation model, which is likely to cause low prediction precision. Therefore, remaining useful life prediction (RULP) research is of great significance. This project intends to study the new theory of real-time adaptive RULP with multi-stage degradation characteristics (MSDC) . Firstly, the research of feature extraction, selection, health factor construction and degradation stage division with MSDC will be carried out. Secondly, the multi-stage degradation model with stochastic and nonlinear feature can be established. The fusion of both model method and artificial intelligence algorithm are employed to achieve the new theory of RULP. After the prediction results have been evaluated, feedback is adopted to adjust the modeling process and then obtain the prediction results with high accuracy. Finally, take advantage of the internationally recognized data set and laboratory platform, experimental verification can be implemented. This project will improve the RULP theory of RB and provide the new theory for other electromechanical equipment.

滚动轴承是工业中应用最广泛的一种通用机械部件，随着使用时间的增加，性能逐渐退化，加上复杂工况的影响，发生故障的几率大大增加且具有随机性，准确的剩余寿命预报研究具有重要意义。目前，对滚动轴承剩余寿命预测研究，模型的方法基本是依赖单一退化模型开展的，不能刻画滚动轴承多阶段退化特征，容易造成预测精度不高。本项目拟研究多阶段退化特征的滚动轴承自适应剩余寿命预测新理论。首先，研究适合多阶段退化特征的特征提取、选择、健康因子构建以及退化阶段划分问题；其次，研究滚动轴承退化的随机非线性特征、不确定性以及漂移系数自适应变化等因素的影响，建立多阶段退化模型；然后，融合模型方法和人工智能算法，研究剩余寿命预测新理论，并对预测结果进行评估，反馈调整建模过程，进而获得高精度的预测结果。最后，利用国际公认数据集和实验室平台进行实验验证。本项目将完善滚动轴承寿命预测理论，也为其它机电设备剩余寿命预测提供新理论。

滚动轴承是工业中应用最广泛的一种通用机械部件，随着使用时间的增加，性能退化加之复杂工况，发生故障的几率大大增加且具有随机性，准确的剩余寿命预报研究具有重要意义。项目以轴承剩余寿命预测为切入点，围绕工业环节中关键部件、工业及医疗中的重要过程，研究了复杂条件下故障诊断与趋势预测的新方法，主要包括：（1）轴承的剩余使用寿命预测；（2）锂电池的剩余使用寿命预测；（3）涡轮发动机的剩余使用寿命预测；（4）工业有毒气体扩散趋势预测；（5）工业复杂系统的故障检测、定位与估计；（6）人工智能医疗辅助诊断。针对以上研究内容，项目在对剩余使用寿命预测的研究中提出了融合自适应扩展卡尔曼滤波、改进粒子滤波、多门混合专家、图神经网络等多理论基础与神经网络的数-模混合预测方法，在保证鲁棒性的同时提高部署与运行效率；在故障诊断方法的研究上，项目针对数据采集不完备的复杂工业过程进行了方法的探索，提出基于环形事件、同步压缩变换、贝叶斯多维重构、元学习、半监督学习等多理论基础的故障诊断方法；在对任务决策级机制的研究层面，项目从预测剩余使用寿命的单一任务模式，扩展到健康阶段划分与剩余使用寿命预测的多任务框架，提出了健康评估和退化预测的双任务框架，并融合领域自适应迁移学习、因果膨胀卷积、注意力机制，实现设备健康状态评估和退化趋势预测的双功能模式。项目研究完善了滚动轴承故障诊断与健康管理理论，也为工业环节中其他关键部件、工业及医疗中的重要过程的健康评估提供了新方法，对于提升工业系统的安全性、降低设备维护费用具有重要理论意义和工程实用价值。

内容获取失败，请点击重试