【技术实现步骤摘要】
本专利技术涉及齿轮，尤其是涉及的是一种自适应的复合型行星齿轮寿命预测方法。
技术介绍
1、行星齿轮被广泛应用于风力发电机中，其主要功能是将具有变化转速的叶片中的机械能转化为具有固定频率的电网电能。行星齿轮的失效会使得风电场无法输出足额的电能，从而影响工业的发展和民众的生活。为了可以降低电网的断电损失，需要对行星齿轮的rul进行预测，从而对行星齿轮进行预防性更换。
2、phm的核心问题是通过状态监测得到的数据，预测设备的rul，依据这些信息确定设备的最优维护时机，以实现经济成本最小或设备失效风险最小，最终达到基于状态的预测维护和自主式保障。
3、目前数据驱动的rul预测算法是主流，其主要可以分为基于随机过程的设备退化模型和基于深度学习的人工智能算法。而在以往的退化模型中，退化趋势是由数学函数进行拟合的，而这会造成较大的拟合误差，因此需要一种新型的预测方法来解决此问题。
技术实现思路
1、本专利技术的其他特征和优点将在随后的说明书中阐述，并且部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过说明书以及其他说明书附图中所特别指出的结构来实现和获得。
2、本专利技术的目的在于克服上述不足，提供一种自适应的复合型行星齿轮寿命预测方法。
3、为实现上述目的，本专利技术的技术解决方案是：一种自适应的复合型行星齿轮寿命预测方法包括：
4、实地采集行星齿轮的振动信号数据；
5、将所述数据
6、利用所述特征提取和所述特征选择得到的所述特征量构建退化路径；
7、将所述退化路径通过具有长相关性质的分数阶威布尔过程(fractional weibullprocess,fwp)来建模行星齿轮的退化随机性，得出分数阶威布尔过程fwp(t)；
8、将所述退化路径通过双向长短记忆神经网络(bi-directional long short termmemory neural network,bi-directional lstm)来拟合所述退化路径，得出退化拟合函数ρ(t)；
9、通过所述fwp(t)和所述ρ(t)得出退化方程x(t)＝x(0)+λρ(t)+γfwp(t),其中λ是漂移参数，γ是扩散参数。
10、通过随机游走对所述漂移参数和所述扩散参数进行正比例更新；
11、通过蒙特卡洛仿真来得出剩余可用寿命(remaining useful life,rul)的概率密度函数。
12、通过采用上述技术方案，利用双向长短记忆神经网络来建模退化趋势，由于双向长短记忆神经网络的输入是双向时序的，因此它可以更好地学习退化趋势的双向时序关联性，从而减少拟合的误差性。由于分数阶威布尔过程的长相关性已经被证明，因此使用分数阶威布尔过程来对退化过程的随机性进行建模，能够符合实际的退化数据所需的长相关性。利用对退化模型的漂移参数和扩散参数同时进行更新，可以将退化过程的各种环境影响因素考虑在内。
13、优选的，所述特征特征提取的方法包括计算所述数据在每一秒的各种时域特征。
14、优选的，所述特征选择的方法包括通过计算特征的单调性(monotonicity),稳健性(robustness)和趋势性(tradability)来进行特征选择。
15、优选的，所述故障阈值设定为70％的故障特征。
16、优选的，采用所述分数阶威布尔过程来描述所述退化路径的随机性的方法包括：将构建出的所述退化路径用分数阶威布尔分布进行概率拟合，得出fwp(t)。
17、优选的，采用所述双向长短记忆神经网络来拟合所述退化路径的方法包括：将所述特征量的正序序列和反序序列，分别输入长短记忆神经网络中，所述正序序列和所述反序序列都会得到一个对于退化路径的拟合结果，取两个拟合结果对应时间点的平均值作为最终的拟合映射，得出ρ(t)。
18、优选的，所述正比例更新的方法为：
19、γ(t)＝kλ(t),
20、λ(t)＝λ(t-1)+ε,
21、其中γ(t)是扩散参数,λ(t)是漂移参数,k是比例参数。
22、综上所述，本专利技术的有益效果是：
23、1、利用双向长短记忆神经网络来建模退化趋势，由于双向长短记忆神经网络的输入是双向时序的，因此它可以更好地学习退化趋势的双向时序关联性，从而减小拟合的误差性。
24、2、由于分数阶威布尔过程的长相关性已经被证明，因此使用分数阶威布尔过程来对退化过程的随机性进行建模，能够符合实际的退化数据所需的长相关性。
25、3、利用对退化模型的漂移参数和扩散参数同时进行更新，可以将退化过程的各种环境影响因素考虑在内。
26、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
27、无疑的，本专利技术的此类目的与其他目的在下文以多种附图与绘图来描述的较佳实施例细节说明后将变为更加显见。
28、为让本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举一个或数个较佳实施例，并配合所示附图，作详细说明如下。
本文档来自技高网...【技术保护点】
1.一种自适应的复合型行星齿轮寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述特征特征提取的方法包括计算所述数据在每一秒的各种时域特征。
3.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述特征选择的方法包括通过计算特征的单调性(monotonicity),稳健性(robustness)和趋势性(tradability)来进行特征选择。
4.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述故障阈值设定为70％的故障特征值。
5.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：采用所述分数阶威布尔过程来描述所述退化路径的随机性的方法包括：将构建出的所述退化路径用分数阶威布尔分布进行概率拟合，得出FWP(t)。
6.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：采用所述双向长短记忆神经网络来拟合所述退化路径的方法包括：将所述特征量的正序序列和反序序列，分别输入长短记忆神经网络
7.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述正比例更新的方法为：
...【技术特征摘要】
1.一种自适应的复合型行星齿轮寿命预测方法，其特征在于，包括：
2.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述特征特征提取的方法包括计算所述数据在每一秒的各种时域特征。
3.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述特征选择的方法包括通过计算特征的单调性(monotonicity),稳健性(robustness)和趋势性(tradability)来进行特征选择。
4.根据权利要求1所述的自适应的复合型行星齿轮寿命预测方法，其特征在于：所述故障阈值设定为70％的故障特征值。
5.根据权利要求1所述的自适应的...
【专利技术属性】
技术研发人员：宋万清，邓武进，郑洪庆，程蔚，江月松，陈冬冬，黄二辉，颜文锻，
申请(专利权)人：闽南理工学院，
类型：发明
国别省市：
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。