基于主元特征融合和SVM的轴承剩余寿命预测

马海龙

马海龙.基于主元特征融合和SVM的轴承剩余寿命预测［J］.工矿自动化，2019,45（8）：74-78.. DOI: 10.13272/j.issn.1671-251x.2019010085
引用本文: 马海龙.基于主元特征融合和SVM的轴承剩余寿命预测［J］.工矿自动化，2019,45（8）：74-78.. DOI: 10.13272/j.issn.1671-251x.2019010085
shu
MA Hailong. Bearing residual life prediction based on principal component feature fusion and SVM[J]. Journal of Mine Automation, 2019, 45(8): 74-78. DOI: 10.13272/j.issn.1671-251x.2019010085
Citation: MA Hailong. Bearing residual life prediction based on principal component feature fusion and SVM[J]. Journal of Mine Automation, 2019, 45(8): 74-78. DOI: 10.13272/j.issn.1671-251x.2019010085
shu

基于主元特征融合和SVM的轴承剩余寿命预测

  • 北京天地龙跃科技有限公司， 北京100013

基金项目: 

中国煤炭科工集团有限公司科技创新创业资金专项资助项目(2018QN035)

天地科技股份有限公司科技创新创业资金专项资助项目(2018-TD-QN045)

详细信息

  • 中图分类号: TD67

Bearing residual life prediction based on principal component feature fusion and SVM

  • Beijing Tiandi Longyue Science and Technology Co.,Ltd., Beijing 100013, China

HTML全文

    摘要
  • 摘要: 为解决采用单一特征量预测轴承剩余寿命误差较大、有限数据样本条件下轴承剩余寿命难以估算的问题，提出了一种基于主元特征融合和支持向量机（SVM）的轴承剩余寿命预测方法。该方法采集振动加速度信号构建数据样本，提取有效值、峰值、小波熵等表征轴承退化趋势的特征指标；采用主元分析融合多个特征指标，消除特征间的冗余和相关性，构造出相对多特征的退化特征量；将退化特征量输入SVM模型中进行轴承剩余寿命预测。现场工程应用结果表明，基于主元特征融合和SVM的轴承剩余寿命预测方法可在小样本条件下筛选出包含信号绝大部分信息的主元，从而在保证预测精度的同时，减少了计算量。
    Abstract: In order to solve the problem that using single feature quantity for bearing residual life prediction had large error and it was difficult to estimate bearing residual life under the condition of limited data samples, a bearing residual life prediction method based on principal component feature fusion and support vector machine(SVM) was proposed. This method collects data samples of vibration acceleration signals and extracts the characteristic indexes such as RMS, peak value and wavelet entropy to characterize the degradation trend of bearings. The principal component analysis is used to fuse multiple feature indexs to eliminate the redundancy and correlation between features, and construct regressive feature quantities with relative multi-feature; the regressive feature quantities are input into SVM model for bearing residual life prediction. The field engineering application results show that the bearing residual life prediction method based on principal component feature fusion and SVM can screen out the principal components which contain most of the information under small sample condition, thus reducing the calculation amount while ensuring the prediction accuracy.
    • HTML全文
    • 参考文献(0)
    • 相关文章
    • 施引文献(45)

  • 期刊类型引用(21)

    1. 张溧栗，温志鹏，曹菁菁，韩鹏，赵强伟，曹小华. 基于扩展空间森林算子和自适应卡尔曼滤波的轴承剩余使用寿命预测. 机电工程. 2025(03): 420-431 . 百度学术
    2. 林芷萱，江志刚，朱硕，张华，鄢威. 基于物-场性能退化深度学习的机电装备经济寿命预测方法. 计算机集成制造系统. 2025(04): 1358-1367 . 百度学术
    3. 李臻. 基于提升小波-SVD差分谱的煤机设备故障诊断. 煤矿机械. 2024(10): 169-173 . 百度学术
    4. 郭润夏，倪志高. 基于注意力LSTM的齿轮剩余使用寿命预测. 中国民航大学学报. 2024(06): 67-73 . 百度学术
    5. 王昭胜，刘镕旗，李书强，张镇龙，韩中成. 一种港口起重设备健康监测方法. 港口装卸. 2023(01): 33-34+39 . 百度学术
    6. 李志农，李舒扬，柳宝，陶俊勇. 无限隐Markov模型在缺失数据轴承退化趋势预测中的应用. 振动工程学报. 2023(02): 574-581 . 百度学术
    7. 梁子寅，刘向东，卢宗慧，李岩，李森. 滚动轴承故障诊断分析方法研究综述. 制造业自动化. 2023(05): 172-175 . 百度学术
    8. 黎天双，颜承玉，李晶晶，饶全瑞，刘广臣. 基于XGBoost算法的风电机组轴承剩余寿命预测研究. 电脑知识与技术. 2023(29): 16-18+29 . 百度学术
    9. 兰杰，李志宁，李宁，吕建刚. 基于注意力机制和残差深度分离卷积的RUL预测方法. 电子测量技术. 2023(15): 149-157 . 百度学术
    10. 郭军. 基于GAN与CNN的煤机设备故障智能诊断方法研究. 煤矿机械. 2023(12): 182-185 . 百度学术
    11. 韩威，杨杏，李刚，袁韬. 基于PCA和威布尔分布的滚动轴承剩余寿命预测方法研究. 机械制造与自动化. 2022(04): 61-64+77 . 百度学术
    12. 吴芮，张守京，慎明俊. 采用注意力DBN-GRU的滚动轴承剩余寿命预测方法. 组合机床与自动化加工技术. 2022(11): 101-105 . 百度学术
    13. 古丽，邹永胜，李开鸿，梁俊，舒浩纹，付立成，高仕玉，杨新. ARMA模型在输油泵振动特征值趋势预测中的研究. 流体机械. 2021(01): 22-28 . 百度学术
    14. 王春亮，徐彦伟，颉潭成，陈立海，刘明明. 基于RRMS的地铁牵引电机轴承剩余寿命预测. 制造业自动化. 2021(06): 1-5+11 . 百度学术
    15. 张梅，陈万利，许桃. 基于LS-SVM的矿井提升机故障预测. 电子测量技术. 2021(12): 70-74 . 百度学术
    16. 姚德臣，李博阳，刘恒畅，姚娟娟，皮雁南. 基于注意力GRU算法的滚动轴承剩余寿命预测. 振动与冲击. 2021(17): 116-123 . 百度学术
    17. 张秀华，刘怀举，朱才朝，魏沛堂，吴少杰. 基于数据驱动的零部件疲劳寿命预测研究现状与发展趋势. 机械传动. 2021(10): 1-14 . 百度学术
    18. 张氢，江伟哲，肖慧灵，孙远韬. 基于LSTM的滚动轴承寿命预测. 港口装卸. 2021(05): 1-5 . 百度学术
    19. 冯兆熙，邱度金，孔令驹，孙成，邓耀华. 基于深度置信网络的轴承剩余使用寿命预测. 电子测量与仪器学报. 2021(10): 124-129 . 百度学术
    20. 韩林洁，石春鹏，张建超. 基于一维卷积神经网络的轴承剩余寿命预测. 制造业自动化. 2020(03): 10-13 . 百度学术
    21. 孙鑫，孙维堂. 基于多尺度卷积神经网络的轴承剩余寿命预测. 组合机床与自动化加工技术. 2020(10): 168-171 . 百度学术

    其他类型引用(24)

    • 资源附件(0)
计量
  • 文章访问数:  101
  • HTML全文浏览量:  10
  • PDF下载量:  14
  • 被引次数: 45
出版历程
  • 刊出日期:  2019-08-19

目录

摘要
HTML全文
    参考文献(0)
    相关文章
    施引文献(45)
    资源附件(0)

    /

    返回文章
    返回

    苏ICP备 05016349号-2

    本系统由 北京仁和汇智信息技术有限公司 开发  访问量：1252665    百度统计