一种自适应模糊神经网络齿轮剩余寿命预测方法技术

一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，属于机械可靠性技术领域，特征是实施步骤如下：1、利用振动传感器对齿轮退化实时监测；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、将模糊系统和神经网络结合，用神经网络自学习机制补偿模糊控制系统的不足，建立一种模糊信息模糊神经网络；4、在模糊处理层所有节点加入记忆单元，将上一时刻信息记忆并应用到此刻的输出上，使信息持续保存，加强信息前后关联，降低预测值与实际值偏差，建立改进型自适应模糊神经网络预测系统；5、根据训练改进型自适应模糊神经网络预测齿轮剩余寿命；优点是可有效地预测齿轮退化状态及实时剩余寿命，为齿轮预防性维修提供依据。

An adaptive fuzzy neural network method for predicting residual life of gears

An improved adaptive fuzzy neural network gear residual life prediction method belongs to the field of mechanical reliability technology. Its characteristics are as follows: 1. Real-time monitoring of gear degradation using vibration sensors; 2. feature extraction of gear fatigue state to evaluate gear wear degradation performance; 3. Combining fuzzy system with neural network, a fuzzy information fuzzy neural network is established by using neural network self-learning mechanism to compensate the deficiency of fuzzy control system. 4. All nodes in the fuzzy processing layer are added memory units, and the last moment information is memorized and applied to the output of the present moment, so that the information is kept continuously and the information is strengthened. The improved adaptive fuzzy neural network forecasting system is established by correlating the forecasting value with the actual value. 5. The improved adaptive fuzzy neural network is used to predict the residual life of the gear according to the training. The advantage is that it can effectively predict the gear degradation state and the real-time residual life, and provide a basis for the preventive maintenance of the gear.

【技术实现步骤摘要】
一种自适应模糊神经网络齿轮剩余寿命预测方法
本专利技术属于机械可靠性
，具体涉及一种齿轮剩余寿命预测方法，
技术介绍
齿轮是传递运动和动力的机械零部件，依靠电机带动轮齿的逐渐啮合改变运动的大小和方向进而将滚轴间的动力传递下去，多以齿轮箱等封闭形式应用于机械设备中，相对于其它形式的传动机构，齿轮传动传递具有圆周速度和功率的范围广、效率高，能保证恒定的传动比、安全可靠等优点，如今产品性能不断提高，机械设备系统的结构也随之精巧复杂，齿轮在长期负荷运作时很容易出现振动频率高、磨损或断齿、裂纹等故障，研究发现，多数的齿轮箱故障都是由齿轮引起的，齿轮箱运行状态的好坏直接影响机器设备的正常运作，一旦设备零件不能正常运作，有可能损害整台设备甚至影响整个生产过程，造成停机等经济损失，甚至导致灾难性的人员伤亡，因此，对齿轮进行剩余寿命预测，是保障机械设备安全、高效的运作和提高产品质量的重要措施。
技术实现思路
本专利技术目的是提供一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，此算法融合了多测点的实时监测信息，增加记忆单元于模糊层节点上，将上一时刻信息记忆并应用到此刻的输出上，有效地提高了网络模型的预测精度，改进的预测模型随着迭代次数的增多，误差相比传统的自适应神经模糊系统降低很多。本专利技术是这样实现的，包括以下实施步骤：步骤1、在齿轮箱内轴承座位置上安装加速度传感器，以获取表征齿轮状态的实时监测数据，在齿轮箱正上方位安装温度传感器，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退化性能进行衰退评估，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为采样时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，xi(t)为采样值；步骤3、将模糊系统和神经网络结合，用神经网络的自学习机制补偿模糊控制系统的不足，建立一种模糊信息的模糊神经网络；步骤4、在模糊处理层所有节点加入记忆单元，将上一时刻信息记忆并应用到此刻的输出上，使信息持续保存，加强信息的前后关联，降低预测值与实际值的偏差，建立改进型自适应模糊神经网络，输入标记为{x0,x1,L,xt}，隐层的输出标记为{s0,s1,L,st}，输出标记为{y0,y1,L,yt}，信息流从输入层到隐藏层最后到输出层，加入记忆单元后，会引导信息从输出单元返回隐藏层单元，隐藏层的输入不仅有该层输入，还包含上一隐藏层的状态，即隐藏层的节点互连也可自连，st为隐藏层的第t步状态，st＝f(Uxt+Wst-1)，其中f是激活函数，如tan或sigmoid函数；U是输入层到隐藏层的权值，W是隐层到隐层的权值，在计算s0即第一个隐藏层状态，需要用到st-1，但不存在，在实现中一般置0；选取4个变量{xt-3r,xt-2r,xt-r,xt}，每个变量分配模糊语言变量，如大和小，因此，生成16个if-then模糊规则，如果x1是Ail，x2是Bil，则yl是通过第l条模糊规则的输出结果，计算过程如下：第1层：将输入变量模糊化xi(i＝1,2,3,4.),(j＝1,2.)代表输入变量，是任意的参数化隶属函数，如sigmoid函数：b,m是前提参数，它的取值变化会影响sigmoid函数的形状，代表输入的隶属函数值，表示输入变量xi隶属于Aj的程度，加入记忆单元后，是第二层中反馈的权重，初值为0，在迭代过程中不断优化，是一个延迟单元，能够将上一时刻数据中所包含的设备状态信息保留到下一时刻，第2层：模糊集运算,即计算各条规则的适用度第3层：将各条规则的适用度进行归一化处理第4层：计算各条规则的输出其中{c1,l,c2,l,c3,l,c4,l,c5,l}称为结论参数，第5层：计算系统的输出则改进自适应模糊神经网络齿轮剩余寿命预测模型输出为：改进型自适应模糊神经网络齿轮剩余寿命预测模型采用混合算法修正各参数，先给b,m赋予初值，由最小二乘法估算{c1,l,c2,l,c3,l,c4,l,c5,l}，最后使用梯度下降法反向传播系统误差以修正b,m，预测模型在模糊化的过程中加入参数θ，系统在初次运行时按照上述方式修正各参数，θ为0；当迭代开始后，会将上一时刻模糊化的值卷入到此刻的模糊化输出中，取值在0.9附近，利用神经网络自学习能力自动从训练样本中学习修正权值变量，调整隶属度函数，生成模糊规则，通过不断学习使模型的响应不断逼近实际输出；步骤5、利用训练的改进型自适应模糊神经网络预测模型输入测试数据预测齿轮状态，通过预测到的退化状态值及已知的退化状态故障阈值可求解首次到达故障阈值的时间。本专利技术优点及积极效果：本专利技术提出一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，在模糊神经网络的模糊层节点加入记忆单元，能够将上一时刻的包含的设备信息保留到下一时刻并应用到输出上，提高整个模型的预测精度，将本专利技术应用到齿轮箱体的齿轮剩余寿命预测中，使用样本数据建立预测模型，应用到测试数据上表现出良好的结果，齿轮剩余寿命和各影响因素之间的内在联系和规律，可以对齿轮剩余寿命做出有效预测，本专利技术提出改进型自适应模糊神经网络齿轮剩余寿命预测方法在收敛性、误差精度、训练速度等方面优于传统的模糊神经网络预测方法。附图说明图1为本专利技术实施例中齿轮实时剩余寿命预测方法流程图；图2为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型的预测流程图；图3为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型结构图；图4为本专利技术实施例中改进型自适应模糊神经网络结构图；图5为模型在不同训练次数时训练数据的输出与模型输出的比较图，图5(a)是训练次数为200时，训练数据的输出与模型输出的比较图，图5(b)是训练次数为800时，训练数据的输出与模型输出比较图，图5(c)是训练次数为1000时，训练数据的输出与模型输出比较图；图6为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，训练数据的输出与模型输出的误差图；图6(a)是训练次数为200时，训练数据输出与模型输出的误差图，图6(b)是训练次数为800时，训练数据输出与模型输出的误差图；图6(c)训练次数为1000时，训练数据输出与模型输出的误差图；图7为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，测试数据输出与模型输出的比较图；图7(a)是训练次数为200时，测试数据输出与模型输出的比较图，图7(b)是训练次数为800时，测试数据输出与模型输出的比较图；图7(c)训练次数为1000时，测试数据输出与模型输出的比较图；图8为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，测试数据输出与模型输出的误差图；图8(a)是训练次数为200时，测试数据输出与模型输出的误差图，图8(b)是训练次数为800时，测试数据输出与模型输出的误差图；图8(c)训练次数为1000时，测试数据输出与模型输出的误差图；图9为本专利技术实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型截取的200组数据中，允许精度为1×e-4，测试数据输出与模型输出的比较图；图10为本专利技术实施例中改进型自适应模糊本文档来自技高网...

【技术保护点】
1.一种自适应模糊神经网络齿轮剩余寿命预测方法，其特征在于实施步骤是：步骤1、在齿轮箱安装加速度传感器，获取表征齿轮状态的实时监测数据；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退化性能进行衰退评估，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xrms(Δt)可表示为：

【技术特征摘要】
1.一种自适应模糊神经网络齿轮剩余寿命预测方法，其特征在于实施步骤是：步骤1、在齿轮箱安装加速度传感器，获取表征齿轮状态的实时监测数据；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退化性能进行衰退评估，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xrms(Δt)可表示为：式中Δt为采用时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，xi(t)为采样值；步骤3、将模糊系统和神经网络结合，用神经网络的自学习机制补偿模糊控制系统的不足，建立一种模糊信息的模糊神经网络；步骤4、建立一种可以处理模糊信息的模糊神在模糊处理层所有节点加入记忆单元，将上一时刻信息记忆并应用到此刻的输出上，使信息持续保存，加强信息的前后关联，建立一种改进型自适应模糊神经网络，自适应处理模糊信息，神经网络输入标记为{x0,x1,L,xt}，隐层的输出标记为{s0,s1,L,st}，输出标记为{y0,y1,L,yt}，信息流从输入层到隐藏层最后到输出层，加入记忆单元后，会引导信息从输出单元返回隐藏层单元，隐藏层的输入不仅有该层输入，还包含上一隐藏层的状态，即隐藏层的节点互连也可自连，st为隐藏层的第t步状态，st＝f(Uxt+Wst-1)，其中f是激活函数，U是输入层到隐藏层的权值，W是隐层到隐层的权值，在计算s0即第一个隐藏层状态，需要用到st-1，但不存在，在实现中置0，第1层：选取4个变量{xt-3r,xt-2r,xt-r,xt}，每个变量分配模糊语言变量，...

【专利技术属性】
技术研发人员：石慧，王钢飞，王婉娜，白尧，曾建潮，董增寿，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西,14