【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。