【《滾動軸承信號處理與預測分析的文獻綜述》5600字】

滾動軸承信號處理與預測研究的文獻綜述目錄TOC\o"1-3"\h\u9649滾動軸承信號處理與預測研究的文獻綜述 141571.1研究背景及意義 160521.2國內外研究現狀 2249571.2.1滾動軸承振動信號的處理現狀 310801.2.2壽命預測方法研究現狀 3312001.3深度學習模型 490391.3.1卷積神經網絡模型 5235471.3.2循環神經網絡模型 622137參考文獻 71.1研究背景及意義隨著工業的快速發展，如何對機械設備進行有效方便的監控管理成了重中之重。如何從監測的大量的數據中對設備進行管理維修，使設備得到保障成了具有挑戰的難題。其中對設備進行壽命預測有著重大的意義和重要價值，若如在生產中設備發生故障，將會使得生產鏈停運，無法正常運轉；甚至整個公司的生產系統癱瘓，會給企業帶來巨大損失。因此建立壽命預測模型可以指導企業的設備更換和維護，大大降低了成本[1]。軸承是現當代機械中最重要的零件之一。被稱作為“機械行業的食量”，運用于各種機器中，軸承的可靠性直接關系到機械的可靠性[2]。因此對軸承的壽命預測是很重要的，本文采取了基于振動信號對軸承剩余使用壽命進行了預測。隨著科學技術的迅速發展，軸承的壽命預測和監測理論技術也得到巨大的進步，軸承壽命預測的結果也變得越來越精確。最近幾年軸承的壽命預測方法呈現出“百家爭鳴”的形勢，籠統來說有統計壽命評估方法、智能壽命評估方法、信息壽命融合評估方法。本文著重講述基于長短時神經網絡（LSTM）對軸承的剩余使用壽命的預測，LSTM作為循環神經網絡（RNN）的改進版，加強了模型的長期記憶能力[3]。在最近的研究中發現，有著可以同時反映系統整體健康狀況和排除其他干擾信號的時域特征可以用公式把它的物理含義表示出來，這種更容易被人接受并且時域特征被運用的地方已經很廣泛了。在時域特征中在均方根值（RMS）被廣泛應用在評估振動信號中，他能有效的反應軸承的退化，可以作為壽命階段劃分的依據。為了使信號更好的描述，文中實驗使用了方根值，峰度等特征值。因為在實驗中樣本之間有著關聯，因此選用了循環神經的改進版的長短時記憶神經網絡。1.2國內外研究現狀隨著工業4.0的到來，人工智能+被提出，傳統的工業制造向著智能化發展。在該領域，PHM（PrognosticsandHealthManagement）的研究熱度空前高漲。PHM可以對機械故障進行預警，估計機械設備的剩余使用壽命，實現最小化成本等。其中RUL預測是最有挑戰性的技術之一在PHM中。機械設備中的RUL是隨機的而且難以預料，因此需要通過有限的信息中對RUL進行預測。在機械運動過程中，這種有效的信息往往無法通過觀察直接獲得，因此需要通過各種儀器進行測量。但是這種測量可以通過各種傳感器間接測量，使用傳感器在機械設備關鍵部分進行狀態監測，然后進行數據的采集，比較常見的傳感器有振動、壓力、溫度傳感器，然后對傳感器信號進行分析，便可以對設備的狀態進行估計。最后通過數據驅動的RUL預測構建相關模型，以此來預測未來的健康狀態。軸承的RUL公式如下（1-1）所示：TRUL(T)={TF(t)-t|其中t是軸承使用時間，TF（t）是軸承的失效的時間，Z(t)是t時刻之前的全部信息。在機械工程中，由于軸承的工作狀態不同，機械設備裝備故障等原因，會導致軸承的實際壽命和理論壽命不同。即使是同一批軸承，在使用的過程中，它們的壽命差異也會有很大不同，因此對設備維護帶來了困難和挑戰。所以對軸承進行RUL預測有著很重要的意義。在信息技術和現代工業技術飛速發展的當下，現代化的裝備向著更加精密、大型、智能化的方向發展，并且如今的裝備還需要適應復雜多變的工作環境，在多數時候現代設備需要在極度惡劣的環境下進行工作，因此現代設備的穩定性和可靠性等多方面面臨著巨大挑戰。在這個背景下，系統的監控和維護受到越來越到的學者的關注。近年來，隨著科學技術的退進，可以通過利用有效的工業大數據對RUL進行準確的預測，使得通過大數據驅動的RUL預測方法變成了這個領域的主流預測方法。所以，基于數據驅動RUL預測成為了現今的一個熱點問題，被越來越多的人所關注。1.2.1滾動軸承振動信號的處理現狀因為滾動軸承的運行的時候，情況比較復雜，所以采集和傳輸設備會對測得的信號產生影響。原始的振動信號存在著大量的噪聲，如果直接對原始信號進行分析會導致特征提取產生較大的誤差，從而影響滾動軸承剩余使用壽命的預測。現在常用的方法有以下兩種。（1）濾波器法濾波器法是對原始信號進行頻譜分析，然后獲得原始信號的高低頻分量，然后對其進行人工截斷，最后完成對原始信號的降噪。趙俊龍構造了梳妝濾波器在對齒輪嚙合頻率進行濾波的時候，然后提取了軸承的故障特征，并且進行了驗證在對實際工程信號降噪的時候。郝洪江等設計了一種可以濾除信號中噪聲和無用的諧波的多尺度混合型態的濾波器。然后進行仿真數據和實驗信號的分析，得出了適當的濾波器可以抑制背景噪聲而且還可以提取故障的特征信息。張寶等[6]使用高通濾波器對振動信號的低頻部分進行濾除，然后在一定的時間提取應力波和高頻信號的峰值，然后分析提取到的峰值信號，最后完成軸承的診斷。由于滾動軸承的振動信號存在著連續、似噪聲等特點，因此用簡單的頓頻帶很難分辨出噪聲和有效信號。所以，用濾波器法對滾動軸承的振動信號進行降噪時，必須考慮到哪些頻段是噪聲，以及怎樣消除這些干擾。（2）小波降噪法小波變化是一種常用的數學變化方法再通過傅里葉分析后。因為小波變化可以聚焦研究對象的所有細節，因此在數學界有著顯微鏡的美譽，而且在噪聲處理的方面有著廣泛的應用。小波變化首次應用是法國物理學家莫雷特運用小波分析地震波的局部特征。小波分析能從粗到細的將分為不同尺度的非線性信號進行分析。Rosen對于小波基和閾值的優化問題，他介紹了選擇方法在信號選擇過程中，并對降噪效果進行了研究。蔣永華分析并且利用莫雷特小波變化的時頻域特性，提出了一種可以自適應的小波去噪方法。然后進行降噪處理對仿真信號和滾動軸承的振動信號，結果表明該方法有著很不錯的效果。1.2.2壽命預測方法研究現狀壽命預測的意思指建立預測模型在現有的歷史事件序列數據，然后對未來的數據進行預測。最近幾年比較常用的預測方法有以下幾種：（1）曲線擬合平面直角坐標系中離散點群坐標間的函數關系數由連續曲線擬合根據這種處理方式，我們稱之為曲線擬合。擬合的方法有：N次多項式擬合，最小二乘法。小二乘法擬合，高斯擬合，指數擬合，最常見的是最小二乘擬合。原理是通過選取適當的參數，使模型的擬合值與各點的真實值之間的殘差加權平方和最大小。Liao等使用了一個可移動的窗口，該窗口有72個取樣時刻，并在窗口中使用了三階用多項式曲線擬合法對退化曲線進行擬合。盡管曲線擬合法簡便，但其結果的預測精確度不夠。（2）時間序列方法時序法是利用歷史時序資料，將曲線擬合與參數估算相結合的方法，是當前最常用的參數模式預報方法。AR模式預報和ARMA模式預測是最具代表性的兩種方法。玄兆言等人利用EMD方法將所獲得的地震信號進行了分解，并應用ARMA和ARMA的時序模式進行了數值模擬。盡管AR模型的研究已經相當成熟，但是其預測的準確性卻不高。只用于短期的預測。ARMA模型的階數也很難確定。例如，計算復雜等缺陷。（3）神經網絡方法神經網絡是50年代開發的一種用于模擬生物神經網絡的結構與功能的信息處理系統。與時間序列法相比，該方法具有更好的優越性。在此基礎上，采用了中間的隱藏層，可以對任意精度的函數進行近似。該方法可用于建立具有高精度要求的非線性模型。由于機械設備的振動信號是非線性、不穩定的，因此神經網絡預測是一種很好的預測手段。本文提出了一種基BP神經網絡與LSTM神經網絡的新方法來對軸承的剩余使用壽命進行預測，并且進行雙指數函數進行擬合。最后，再用使用試驗結果證明了BP神經網絡和LSTM神經網絡算法的正確性。（4）支持向量機支持向量機（SVM）是在1995年由Vapnik提出的一種以最小結構風險為原則的學習方法。它被廣泛地用于滾動軸承的故障診斷和壽命預報。申中杰等人提出一種利用關聯特征與多變量SVM進行生命周期預測的新方法。當樣本數目很少時，盡量使用最多的有效信息來進行預測。該方法在工程上有較高的推廣價值。1.3深度學習模型作為機器學習的分支，近些年深度學習模型發展迅速，引起了科研界的廣泛關注。深度學習有著一段漫長的發展史。他的起源最早來源于麥卡洛克，但是掀起浪潮卻在2006年[4]，由Hinton教授在《Science》發表的一篇文章引起。Hinton學者提出的方法有效的解決了出現在訓練中的復雜的難題。并且在驗證了深層神經網絡有著更強大的優異性能。2013年時，王杰等人[5]提出了一種根據深度學習對非線性性能的短期風速預測方法，提高了預測精度。2018年，劉小勇[6]通過深度學習的LSTM網絡，第一步先構建退化指標通過原始數據，接著該數據作為輸入數據進行對滾動軸承和渦輪發動機進行壽命預測，最后得到該方法比傳統的機器方法精確度更高。同年，張娜[7]通過用深度學習模型對比PSO-BP和LS-SVR模型，得到深度學習模型在預測壽命更有優勢。高玉林[8]通過LSTM模型在線對渦輪發動機的在線壽命預測。如今，深度學習已經是最熱門的技術之一，運用領域相當廣泛，如物體檢測、自動駕駛、圖像分割、預測自然災害等?？梢娚疃葘W習的強大，通過訓練多層網絡，可以從原始數據中自動地進行從底層到高層、具體到抽象的特征學習，從而實現對數據內部復雜關系的自動挖掘。按照被加工的物體本身的特性，將其表現為較高層次的抽象特性。并利用這些先進的特性來進行自動的學習與辨識。這就是深度學習和淺度學習的不同之處。在人工特征抽取方面，深度學習更注重的是對原始數據的自動檢索和學習。本節選取了深度學習模型中卷積神經網絡和循環神經網絡分析。1.3.1卷積神經網絡模型卷積神經網絡有著可以處理大量數據的優點，但這具有兩面性；因為只有在數據量足夠大時，卷積神經網絡才能建成一個比較好的模型。不然就會出現很多問題，模型的功能也會差上不少。卷積神經網絡的結構包含以下幾個部分，卷積層、激活層、池化層和全連接層。CNN有著位移不變性、尺寸不變性、旋轉不變性，由于這幾個特性使得將提取的特征變成抽象特征的更加容易了。導致這幾個特性的原因是他有著權值共享、局部連接、空間池化的特性[9]。（1）權值共享權值共享是指多個連接由一個參數控制。這樣一來可以使計算成本大大減小。直觀來說就是設Image為5*5的矩陣，那么卷積核為3*3的矩陣。這個卷積核輸入的圖像與Image上的濾波器是共享的。（2）局部連接局部連接是指輸入神經的一部分只與一個神經元連接。但在深度上卻是全部連接，雖然只有局部連接在空間維度上。這個方法與傳統的神經網絡方法相比，有效的減少了網絡參數，降低了網絡訓練的難度。這種連接方式的神經元只與上一層的部分神經元連接，這個方式來源于生物學中局部感受野。（3）空間池化池化是在提取特征之后開始執行，他是一種降低采樣的操作。如果將直接提取的特征用于預測，數據的計算量是很巨大的，并且容易出現問題。但是通過池化來對特征再提取，可以使得得到結果的過程變得簡單，維數降低。池化是指將特征圖根據池化尺寸分割成若干不重疊的部分，之后對各個部分進行相應的運算。其中，池化分為最大池化和平均池化分別是將選取的區域選取最大運算值，另一個則是將選取區域進行平均運算。1.3.2循環神經網絡模型 循環神經網絡有著記憶功能，它是將前一步得到的輸出和現在的輸入結合起來作為現在的神經元輸入。軸承的振動信號是一段時序信號，而且他在每個時間段運行情況會影響軸承剩余使用壽命的預測。因此具有時序性的RNN相比傳統的神經網絡對軸承測量的壽命效果更好。圖1-1循環神經網絡結構圖圖2.3展示循環神經網絡的結構，它的計算由上一環節的隱狀態和當前的輸入狀態構成，其中隱狀態在t時刻為st，輸入狀態在t時刻是x（1-2）該函數一般不是線性函數，在計算s0時，要有t0時刻的前一時刻，但他并不存在。因此在實際情況中，通常會假設s-1=0；在t時刻輸出則為ot一對一一對多多對一多對多多對多圖1-2RNN的表現形式在圖中每一個向量都是由矩陣表示，每一個函數都是由箭頭表示。其中輸入向量，狀態向量，輸出向量分別由藍色、黃色、紅色矩陣表示。從左到右分別是一對一、一對多、多對一、多對多、多對多。在對軸承的剩余壽命預測中，輸入，輸出的分別是振動信號的時序數列、剩余使用壽命值，對應了圖中的多對多的形勢。但是RNN也有著缺陷，當在數據量更大，結構更復雜時，梯度消失爆炸的問題就會在訓練是出現。也就隨即出現一個問題，無法充分利用歷史數據。因此，人們在RNN的基礎上進行了改進，在RNN加上了入門機制，這樣一來就可以控制記憶信息的長短度。而這就是LSIM網絡，后面會進行詳細的簡紹。參考文獻[1]沈保明,陳保家,趙春華等.深度學習在機械設備故障預測與健康管理中的研究綜述[J].機床與液壓,2021,49(19):162-171.[2]成龍,譚繼文,姜曉瑜.基于TESPAR和LS-SVM算法的滾動軸承退化趨勢預測[J].煤礦機械，2017，38（8）：18-20.[3]李偉山,王琳,衛晨.LSTM在煤礦瓦斯預測預警系統中的應用與設計[J].西安：西安科技大學學報，2018(6):2017-1035.[4]HintonGE,SalakhutdinovRR.ReducingtheDimensionalityofDatawithNeuralNetworks[J].Science,2006,313(5786):504-507.[5]于達仁,萬杰,胡清華等.基于DL方法的短期風速多步預測方法:CN103413174A.2013.[6]劉小勇.基于深度學習的機械設備退化狀態建模及剩余壽命預測研究[D].哈爾濱：哈爾濱工業大學,2018.[7]張娜.基于深度置信網絡的滾動軸承壽命預測方法研究[D].湖南：湖南大學,2018.[8]高育林.基于深度學習的多模態故障診斷及剩余壽命預測[D].河南：河南大學,2018.[9]李少鵬.結合CNN和LSTM的滾動軸承剩余使用壽命預測方法研究[D].哈爾濱：哈爾濱工業大學，2019[10]劉路路.基于特征融合和LSTM的滾動軸承剩余使用壽命預測[D].四川：電子科學大學,2021.[11]胡龍飛.基于深度學習的