一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法技术

本发明专利技术涉及一种基于SAE和ON‑LSTM的齿轮剩余寿命的预测方法，属于大数据和智能制造领域。该方法利用SAE提取齿轮健康指标，并用新型的ON‑LSTM神经网络来预测齿轮剩余寿命，ON‑LSTM中通过层级划分器来划分输入数据及历史数据的层级结构。将主遗忘门与主输入门的输出向量中最大元素所在的位置定义为层级位置，从而使递归神经网络分层级更新。本发明专利技术通过SAE特征提取和ON‑LSTM神经网络来预测的齿轮剩余寿命，大大降低了网络计算量，减少计算时间，且提高了预测速度以及精确度。

【技术实现步骤摘要】
一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法
本专利技术属于大数据和智能制造领域，涉及一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法。
技术介绍
齿轮广泛应用于机械设备中，是应用最广泛的机械零件之一。齿轮具有传动效率高、结构紧凑、传动平顺性好、承载能力大、使用寿命长等独特的优点，使其具有强大而持久的生命力。在复杂的工作条件和环境下，齿轮容易发生故障，可能导致机器运行的灾难，甚至危及人身安全。对于大型或超大型设备，如水轮发电机、矿山输送机械、直升机动力传动系统、重型机床等，更是如此。进行在役齿轮的寿命预测，能够有效地确定设备的维护时间，保证生产的连续高效进行，提高生产效率，降低事故发生率，防止突发性事故发生，因此提前预测齿轮的失效是非常重要的，并且对于工程生产意义重大。常用的机械设备寿命预测方法主要分为以下三类：1)基于模型的预测方法；2)数据驱动；3)前两种方法的混合。基于模型的方法构建描述组件退化过程的物理模型。这种方法需要特定的力学知识，因此适用性较低。数据驱动方法从常规收集的监测数据中派生出预测模型。它主要基于统计和机器学习方法，目的是发现系统的行为。因此，这些方法在精确性、复杂性和适用性之间提供了一种折衷。混合方法结合了基于模型和数据驱动技术。利用监测系统的物理知识建立模型，利用数据驱动技术对参数进行学习和更新。基于模型和数据驱动技术的结合使该方法准确，但仍然需要特定的物理知识而且计算上很昂贵。数据驱动方法中基于机器学习的方法能够克服退化模型未知的问题，同时构建模型的输入也不仅局限于状态监测数据，可以是多种不同类型的数据。其中基于RNN的剩余寿命预测方法能够融合原有学习样本与新的学习模式实现样本的重新训练，不仅能够提高剩余寿命预测的准确性，而且具有收敛速度快和稳定性高等特点，在可靠性评估和剩余寿命预测领域发挥着重要作用。但处理长期依赖型退化数据时，传统RNN方法会面临梯度消失或爆炸问题，剩余寿命预测精度会受到严重影响。为解决这个问题长短期记忆(longshort-termmemory,LTSM)网络应运而生，然而LSTM虽然具有处理长期依赖型退化数据的能力，但其能力也有不足的时候。由于预测齿轮剩余寿命的方法中，实测的齿轮退化信号含有丰富的有用信息，齿轮振动信号的时域和频域特征在一定程度上反映了齿轮振动信号的状态、健康状况的下降趋势。为了全面、准确地表达齿轮的退化过程，需要计算齿轮的所有特性。但是传统的LTSM网络对齿轮退化数据的分析不够全面，并没有对神经网络的序信息进行挖掘使用，所以寿命预测能力欠佳。因此，为了在对齿轮退化数据的全面分析过程中考虑序信息的影响从而提高预测精度，有必要设计一种新的神经网络来替换传统LTSM神经网络来预测齿轮的剩余寿命。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，针对传统LSTM神经网络神经元无序性特点，通过将树状结构嵌入神经元间，挖掘神经元的序信息。再针对不同的序信息进行分层更新，从而减少传统LSTM神经网络的计算量。为达到上述目的，本专利技术提供如下技术方案：一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，具体包括以下步骤：S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；S2：利用稀疏自编码器(sparseautoencoder,SAE)处理齿轮振动信号，得到n维的特征向量V；S3：选取前面n1个采样点组成的特征矩阵V1作为训练矩阵；S4：使用最小二乘法使目标函数最小，然后通过公式v’i＝avi+b将向量V里的所有元素与向量V1归一化，其中a、b分别表示向量V里的所有元素向量V1统一化过程中所使用的函数的权重与偏置，具体大小通过上述目标函数最小化确定；S5：将向量V1归一化，得到归一化之后的向量W＝(w1,w2,…,wn1)T；S6：重构矩阵其中p为神经网络输入层单元数；S7：将矩阵U前面p行作为有序神经元的长短期记忆神经网络ON-LSTM的输入，最后一行作为ON-LSTM神经网络的输出来训练网络；S8：矩阵U训练好后，将倒数p个输出作为ON-LSTM网络输入，得到下一时刻的输出；S9：重复步骤S8一定次数，将这些输出反归一化之后与实际特征值V’＝(v’p+1,v’p+2,…,v’n)T比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。进一步，步骤S2中，所述SAE稀疏自动编码器的结构为：假设整个时间维度的原始振动信号为Yt＝[y1y2…yn]，其中yt＝[yt,1yt,2…yt,m]表示t时刻输入数据，其中m表示每个时间段内采集的信号点数。经过第一层网络，可以得到50维的向量zt；经过第二层网络，可以得到1维的健康指标xt；然后经过第三层网络，可以得到50维向量z’t；经过最后一层网络，可以得到m维向量yt’。使用最小二乘法作为目标函数使yt和yt’差异尽可能小，xt就作为t时刻的健康指标应用到后续的预测网络中。其中，zt表示第一层网络的输出，xt表示第二层网络的输出，zt表示隐藏第三层网络的输出，y’t表示第四层网络的输出，σ表示sigmod激活函数，W1表示第一层网络的权重，W2表示第二层网络的权重，W3表示第三层网络的权重，W4表示第四层网络的权重，b1表示第一层网络的偏置，b2表示第二层网络的偏置，b3表示第三层网络的偏置，b4表示第四层网络的偏置。进一步，所述ON-LSTM神经网络的结构为：假设整个时间维度的输入信息为Xt＝[x1x2…xt]，其中xt＝[xt,1xt,2...xt,n]表示t时刻输入数据，ht-1＝[ht-1,1ht-1,2...ht-1,m]表示t-1时刻神经网络的递归数据；首先定义层级划分器，对输入信息xt通过构造器F1确定其层级位置L1，同样对于历史信息ht-1通过构造器F2确定其层级位置L2；随着层级信息的划分，ON-LSTM神经网络的结构表示为：其中，ft表示隐藏层中遗忘门的输出，it表示隐藏层中输入门的输出，ot表示隐藏层中输出门的输出，表示隐藏层中双曲正切函数的输出，表示隐藏层中主遗忘门的输出，表示隐藏层中主输入门的输出，σ表示sigmod激活函数，tanh表示双曲正切函数，Wf表示输入层与隐藏层中遗忘门之间的权重，Wi表示输入层与隐藏层中输入门之间的权重，Wo表示输入层与隐藏层中输出门之间的权重，Wc表示输入层与隐藏层中双曲正切函数之间的权重，表示输入层与隐藏层中主遗忘门之间的权重，表示输入层与隐藏层中主输出门之间的权重，Uf表示当前时刻隐藏层中遗忘门与上一时刻隐藏层输出之间的权重，Ui表示当前时刻隐藏层中输入门与上一时刻隐藏层输出之间的权重，Uo表示当前时刻隐藏层中输出门与上一时刻隐藏层输出之间的权重，Uc表示当前时刻隐藏层中双曲正切函数与上一时刻隐藏层输出之间的权重，表示当前时刻隐藏层中主遗忘门与上本文档来自技高网...

【技术保护点】
1.一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，其特征在于，该预测方法具体包括以下步骤：/nS1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；/nS2：利用稀疏自编码器(sparse autoencoder,SAE)处理齿轮振动信号，得到n维的特征向量V；/nS3：选取前面n1个采样点组成的特征矩阵V1作为训练矩阵；/nS4：使用最小二乘法使目标函数

【技术特征摘要】
1.一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，其特征在于，该预测方法具体包括以下步骤：
S1：隔Δt时间采集时间长度为T的齿轮振动信号，直到齿轮失效，其采样的齿轮振动信号段数为n；
S2：利用稀疏自编码器(sparseautoencoder,SAE)处理齿轮振动信号，得到n维的特征向量V；
S3：选取前面n1个采样点组成的特征矩阵V1作为训练矩阵；
S4：使用最小二乘法使目标函数最小，然后通过公式v′i＝avi+b将向量V里的所有元素与向量V1归一化，其中a、b分别表示向量V里的所有元素向量V1统一化过程中所使用的函数的权重与偏置，V1＝(v11,v12,...,v1n1)T，V＝(v1,v2,...,vn)T；
S5：将向量V1归一化，得到归一化之后的向量W＝(w1,w2,...,wn1)T；
S6：重构矩阵其中p为神经网络输入层单元数；
S7：将矩阵U前面p行作为有序神经元的长短期记忆神经网络ON-LSTM的输入，最后一行作为ON-LSTM神经网络的输出来训练网络；
S8：矩阵U训练好后，将倒数p个输出作为ON-LSTM网络输入，得到下一时刻的输出；
S9：重复步骤S8一定次数，将这些输出反归一化之后与实际特征值V'＝(v'p+1,v'p+2,...,v'n)T比较，当输出反归一化之后超过设定的阈值时，这时预测的采样点数乘以齿轮振动信号间隔时间与采样时间之和Δt+T即为齿轮的剩余寿命。


2.根据权利要求1所述的一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，其特征在于，步骤S2中，所述SAE的结构为：假设整个时间维度的原始振动信号为Yt＝[y1y2...yn]，其中yt＝[yt,1yt,2...yt,m]表示t时刻输入数据，其中m表示每个时间段内采集的信号点数；经过第一层网络，得到50维的向量zt；经过第二层网络，得到1维的健康指标xt；然后经过第三层网络，得到50维向量z't；经过最后一层网络，得到m维向量yt'；使用最小二乘法作为目标函数使yt和yt'差异尽可能小，xt就作为t时刻的健康指标应用到后续的预测网络中；



其中，zt表示第一层网络的输出，xt表示第二层网络的输出，z't表示隐藏第三层网络的输出，y't表示第四层网络的输出，σ表示sigmod激活函数，W1、W2、W3、W4分别表示第一、二、三、四层网络的权重，b1、b2、b3、b4分别表示第一、二、三、四层网络的偏置。


3.根据权利要求1所述的一种基于SAE和ON-LSTM的齿轮剩余寿命的预测方法，其特征在于，所述ON-LSTM神经网络的结构为：假设整个时间维度的输入信息为Xt＝[x1x2...xt]，其中xt＝[xt,1xt,2...xt,n]表示t时刻输入数据，ht-1＝[ht-1,1ht-1,2...ht-1,m]表示t-1时刻神经网络的递归数据；首...

【专利技术属性】
技术研发人员：秦毅，阎昊冉，项盛，陈定粮，奚德君，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50