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 ...
【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
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。