Fault diagnosis of rolling bearings is essential to ensure the proper functioning of the entire machinery and equipment. Variational mode decomposition (VMD) and neural networks have gained widespread attention in the field of bearing fault diagnosis due to their powerful feature extraction and feature learning capacity. However, past methods usually utilize experiential knowledge to determine the key parameters in the VMD and neural networks, such as the penalty factor, the smooth factor, and so on, so that generates a poor diagnostic result. To address this problem, an Adaptive Variational Mode Decomposition (AVMD) is proposed to obtain better features to construct the fault feature matrix and Sparrow probabilistic neural network (SPNN) is constructed for rolling bearing fault diagnosis. Firstly, the unknown parameters of VMD are estimated by using the genetic algorithm (GA), then the suitable features such as kurtosis and singular value entropy are extracted by automatically adjusting the parameters of VMD. Furthermore, a probabilistic neural network (PNN) is used for bearing fault diagnosis. Meanwhile, embedding the sparrow search algorithm (SSA) into PNN to obtain the optimal smoothing factor. Finally, the proposed method is tested and evaluated on a public bearing dataset and bearing tests. The results demonstrate that the proposed method can extract suitable features and achieve high diagnostic accuracy.
For highly reliable and long-life products, accelerated degradation test (ADT) is often an effective and attractive way to assess the reliability. To analyze the accelerated degradation data, it has been well recognized that it is necessary to incorporate three sources of variability including the temporal variability, the unit-to-unit variability and measurement errors into the ADT model. The temporal variability can be properly described by the Wiener process. However, the randomness of the initial degradation level, which is an important part of the unit-to-unit variability, has been often neglected. In addition, regarding the measurement errors, current ADT models often assumed them to follow a mutually independent normal distribution and ignored the autocorrelation that may probably exist in them. These problems lead to a poor accuracy for reliability evaluation in some situation. Thus, a random-effect Wiener process-based ADT model considering one-order autoregressive (AR(1)) errors is proposed. Then closed-form expressions for the failure time distribution (FTD) is derived based on the concept of first hitting time (FHT). A statistical inference method is adopted to estimate unknown parameters. Finally, a comprehensive simulation study and a practical application are given to demonstrate the rationality and effectiveness of the proposed model.
PL
W przypadku wysoce niezawodnych produktów o długim cyklu życia, przyspieszone badanie degradacji (ADT) często stanowi skuteczny i atrakcyjny sposób oceny niezawodności. Jak wiadomo, analiza danych z przyspieszonej degradacji wymaga włączenia do modelu ADT trzech źródeł zmienności, w tym zmienności czasowej, zmienności między jednostkami i błędów pomiarowych. Zmienność czasową można odpowiednio opisać za pomocą procesu Wienera. Jednak losowość początkowego poziomu degradacji, który stanowi ważną część zmienności między jednostkami, jest często w badaniach pomijana. Ponadto, w odniesieniu do błędów pomiaru, obecne modele ADT często zakładają, że mają one wzajemnie niezależne rozkłady normalne, ignorując możliwą autokorelację. Problemy te prowadzą w niektórych sytuacjach do niskiej trafności oceny niezawodności. W związku z powyższym, zaproponowano model ADT oparty na procesie Wienera z efektem losowym, w którym uwzględniono błędy autoregresyjne pierwszego rzędu (AR (1)). Następnie, w oparciu o pojęcie pierwszego czasu przejścia, wyprowadzono wyrażenia w postaci zamkniętej dla rozkładu czasu uszkodzenia (FTD). Do oszacowania nieznanych parametrów przyjęto metodę wnioskowania statystycznego. Na koniec przedstawiono kompleksowe studium symulacyjne i wskazano praktyczne zastosowanie modelu w celu wykazania jego racjonalności i skuteczności.
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.