[发明专利]基于长短期记忆网络的齿轮剩余寿命预测方法

说明书

本发明基于长短期记忆网络的齿轮剩余寿命预测方法属于大数据和智能制造领域，解决了现有RNN算法无法解决长时依赖和循环神经网络容易出现梯度爆炸或是梯度消散等现象的问题，采用算法的具体步骤如下：1、利用传感器对动力齿轮退化实时监测；2、对齿轮疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；3、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型；4、基于LSTM预测模型的参数优选；5、根据齿轮状态估计及已知的齿轮故障阈值进行齿轮剩余寿命预测，本发明的优点是可有效的预测齿轮退化状态及实时剩余寿命的准确度，为齿轮预测性维修提供依据。

技术领域

本发明属于大数据和智能制造领域，特别是涉及一种基于长短期记忆网络的齿轮剩余寿命预测方法。

背景技术

齿轮箱是机械领域如发动机组、风电系统主要的机械部件，齿轮传动更是伴随着整个钢铁行业。随着现代机械设备集成规模的扩大，精度的不断提高，在长期运作中齿轮很容易出现磨损消耗导致轮齿变薄或是应力集中，齿根疲劳强度下降进而减少齿轮寿命，重载下甚至发生轮齿折断。监测齿轮的健康状态是保障机械设备可靠运行重要手段。

齿轮一般封闭在齿轮箱中，借助传感设备接收到的声音信号和振动信号实时监测齿轮健康状态，但产生故障的振动信号的特征量具有非常复杂的非线性关系和随机因素。通过监测获取表征设备退化状态的数据，经过数据处理和特征提取再进行故障识别及预测。通过模型与方法识别并预测故障，实现机械设备的寿命预测。

近年来，随着人工智能技术的不断发展，深度学习也受到了广泛关注。深度学习的实质，是通过海量的训练数据构建具有很多隐层的神经网络模型，将样本在原空间的特征表示变换到一个新特征空间，逐层提取输入输出样本中潜在的映射关系。循环神经网络(Recurrent NeuralNetworks，RNN)多用于序列数据的处理，可对前面的序列输入进行记忆并应用于之后的计算中。RNN完成逐层预训练后采用Back-propagation Through Time(BPTT)算法将累积的残差传递回来完成参数调节。实际应用中发现BPTT无法解决长时依赖问题，即当前的输出与前面很长的一段序列有关，容易带来梯度消失或梯度爆炸问题。长短期记忆(long short-term memory,LSTM)网络模型通过更多的参数和控制信息流动的门控单元系统可避免梯度消失和梯度爆炸等问题，使得时序信息预测更加准确。

发明内容

本发明克服了现有技术存在的不足，解决了现有BPTT算法无法解决长时依赖的问题和循环神经网络容易出现梯度爆炸或是梯度消散等现象，旨在提供一种基于改进型长短期记忆网络的齿轮剩余寿命预测方法，本发明包括三层(输入层、隐藏层和输出层)网络结构的详细设计，以及网络训练和网络预测的实现算法等。在此基础上，采用随机搜索选择模型超参数，加入动量考虑的并从网络结构搭建、学习率、窗口大小等设置上改进模型的准确性，防止陷入局部最优，提高模型预测精度。

为解决上述技术问题，本发明采用的技术方案为：基于改进型长短期记忆网络的齿轮剩余寿命预测方法，包括以下实施步骤：

步骤1、在齿轮箱安装传感器，获取齿轮弯曲疲劳的实时监测数据；

加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，在主试箱的正上方安装噪声传感器，

步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；

利用均方幅值对齿轮磨损状态变化进行性能衰退评估，对于每次采样时间Δt长度内，离散随机信号的时间序列均方幅值可表示为：

式中Δt为采用时间；n＝F_s×Δt，F_s为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，x_i(t)为采样值；

步骤3、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型：