多重应力下滚动轴承剩余寿命预测

为了实现多重应力下滚动轴承的剩余寿命预测，有效利用不用应力下的退化数据，提出了一种基于加速模型和贝叶斯（Bayesian）理论的滚动轴承剩余寿命预测方法。通过拟合优度检验和威布尔（Weibull）概率图检验法对滚动轴承试验中的数据进行有效性分析。利用switching Kalman filters(SKF)判断滚动轴承各时刻的退化状态。当滚动轴承进入加速退化时，用指数模型拟合轴承退化过程，利用广义线性对数模型表示退化模型参数与应力的关系，根据修正后的轴承实时退化数据利用贝叶斯算法更新模型参数，得到滚动轴承剩余寿命的概率密度函数，从而实现滚动轴承剩余寿命预测。采用XJTU-SY轴承数据集进行验证，预测结果的均方根误差在20 min以内，证明该方法能够有效预测滚动轴承的剩余寿命。     

基于改进GWO-LightGBM的滚动轴承未知故障诊断

针对滚动轴承未知新故障误判影响轴承安全性和检修效率的问题，提出了一种基于改进灰狼算法（GWO）和轻量级梯度提升机（LightGBM）的故障诊断模型，实现已知/未知故障的高精度判别。为避免单一尺度下特征提取的缺失，对滚动轴承振动信号分别提取时域、频域和小波域特征建立多域特征集。设计了带未知新故障判别机制的GWO-LightGBM模型，并构造含有Halton序列和模拟退火策略的GWO实现了模型参数有效优化。实例试验结果表明，模型对已知和未知类故障平均识别率达99.57%，10次随机试验平均识别率分别比单一分类模型逻辑回归（LR）、最近邻分类器（KNN）和支持向量机（SVM）高21.98%、17.00%、9.27%，验证了模型的有效性和优越性，能高准确率地识别出已知或以前从未出现的新故障。      

高重合度齿轮传动系统的振动参数稳定性

研究了高重合度齿轮转子-滚动轴承传动系统的振动强度稳定性以及振动轨道稳定性随系统参数的变化规律。通过振动强度参数稳定域的计算,量化了高重合度齿轮副对齿轮转子 滚动轴承传动系统稳定性提升的贡献大小。结果发现在转子质量偏心较小的条件下,高重合度齿轮系统的振动强度稳定性要比普通重合度齿轮系统提升很多；但在转子质量偏心较大时,高重合度齿轮副的采用对传动系统参数稳定域的扩张并没有显著贡献。通过振动轨道稳定性全局分岔图的计算,明确了滚动轴承游隙、转子质量偏心等参数对高重合度齿轮转子-滚动轴承系统振动轨道稳定性的影响规律,获得了系统各种稳定周期轨道及非周期轨道与对应参数区间的映射关系。      

基于Transformer模型的滚动轴承剩余使用寿命预测方法

准确的滚动轴承剩余使用寿命(RUL)预测对保证机械安全运行和减小维修损失起着至关重要的作用。为提高滚动轴承RUL预测准确率，提出一种基于Transformer模型的轴承RUL预测方法，充分利用其自注意力机制与编码器-解码器结构的优势，解决轴承RUL预测中序列过长而导致的记忆力退化问题，挖掘出输入特征与轴承RUL之间复杂映射关系。同时，采用三角函数变换与累积变换来修正输入特征的单调性与趋势性，使其能更好地表征滚动轴承的退化过程。在PHM2012数据集上的实验结果表明：所提方法相比于对比方法平均绝对误差分别降低了9.25%、28.63%、34.14%，平均得分分别提高了2.78%、19.79%、29.38%；在XJTU-SY数据集上的实验结果表明，所提方法相比于对比方法均方根误差降低了17.4%，平均得分提高了18.6%，进一步证明了其可行性与优越性。     

基于优化多尺度排列熵和卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承故障分类中特征信号微弱、信号非线性和多尺度特征难提取的问题，提出基于优化多尺度排列熵（MPE）和卷积神经网络（CNN）的滚动轴承故障诊断方法:通过改进自适应噪声完备集合经验模式分解（ICEEMDAN）对轴承信号进行分解和重构，实现信号降噪；通过粒子群算法（PSO）对MPE进行优化，提出PSO-MPE特征提取方法，参数优化后的MPE能够提取更为关键的特征信息；将所得的排列熵输入到CNN中进行故障分类以及降维可视化分析。以凯斯西储大学开放轴承数据库样本为测试对象，将文章所提出的ICEEMDAN-PSO-MPE-CNN方法与ICEEMDAN-PSO-MPE-RNN、CEEMDAN-SVM、ICEEMDAN-PSO-MPE-SVM等方法进行纵向和横向对比分析，结果表明改进方法的分类准确率和效率更高，在T-SNE可视化下的分类效果更明显，能够实现滚动轴承故障的高精度和高效率检测。     

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题，提出一种基于马尔科夫转移场与多维监督卷积神经网络（Markov transition field and multidimensional supervised module convolutional neural networks, MTF-MSMCNN）的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像，使其保留时间相关性；提出多维监督模块（Multidimensional supervision module, MSM），在空间维度和通道维度监测重要故障特征并自适应赋予权重，提升模型捕捉关键特征的能力；将MSM嵌入到卷积神经网络中，构建出MSMCNN模型；通过试验构建复杂工况条件，将MTF图像输入到所提模型进行故障诊断，并运用两种数据集验证模型有效性。试验结果表明，MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右，对比其他诊断模型，本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。     

基于改进时频谱分析方法的滚动轴承复合故障诊断

将基于循环平稳理论及2阶循环统计量的谱相关或谱相关密度分析方法加以改进，提出一种时频分析方法并将其用于滚动轴承发生复合故障时调制现象循环调制频率即故障特征频率的提取。通过对滚动轴承复合故障的仿真及实际实验振动数据进行分析，结果表明:与同时提取出调制频率和载频的传统包络解调谱分析方法不同，改进的谱分析方法可以只提取出调制频率，提取的谱结构分布具有更清晰的表达效果，从而为滚动轴承的复合故障特征提取提供一种方法。      

高温环境下角接触球轴承磨损寿命分析

针对高温环境下轴承材料性质和润滑状态变化，造成轴承磨损加剧，过早丧失精度的问题。首先开展高温环境下轴承用材料的摩擦磨损试验，获取材料的磨损系数。在此基础上，考虑温度、润滑、轴承材料属性等对轴承磨损性能的影响，建立高温角接触球轴承磨损模型，通过数值求解探讨工况参数和结构参数等对轴承磨损性能的影响，并评估轴承的磨损寿命。结果表明：对于高温轴承材料无磁合金GH05，在高温300 ℃摩擦状态下平均磨损系数为2.5×10^-7 mm²/N；随着载荷、转速、温度的增加，轴承内、外滚道的磨损率均不断增大，其中内圈磨损率大于外圈，内圈磨损特性决定着轴承的磨损寿命；载荷和转速是决定轴承磨损寿命的主要因素，轴承主结构参数对磨损寿命具有重要影响，通过结构优化可提高轴承磨损寿命。     

基于小波相邻系数降噪的滚动轴承早期微弱故障时频特征提取

将小波相邻系数降噪与时频小波切片变换（FSWT）相结合用于滚动轴承的早期微弱故障时频特征提取，通过对滚动轴承加速疲劳试验早期微弱故障振动数据进行分析，结果表明:小波相邻系数可以有效降低淹没滚动轴承早期微弱故障特征的背景噪声；时频小波切片变换方法能有效提取出经小波相邻系数降噪后振动信号的时频特征，即滚动轴承发生故障时的特征频率及其谐频成分，验证了所述方法的有效性.此外，通过与谱峭度时频分析结果的对比，证明所述方法更能准确扑捉到滚动轴承发生早期微弱故障时的时频特性，突出了所述方法的优越性.      

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构，并计算重构信号的复合多尺度模糊熵；同时采用迭代拉普拉斯得分选择敏感故障特征，并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比，表明基于SFS特征选择的最高识别率为92.86%，而基于ILS特征选择的故障识别率达到100%。