基于长短期记忆网络的齿轮剩余寿命预测方法技术

本发明专利技术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，本发明专利技术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。

【技术实现步骤摘要】
基于长短期记忆网络的齿轮剩余寿命预测方法
本专利技术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。
技术介绍
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(RecurrentNeuralNetworks，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-propagationThroughTime(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(longshort-termmemory,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。
技术实现思路
本专利技术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，本专利技术包括三层(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，本专利技术采用的技术方案为：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＝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、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型：本专利技术构建LSTM预测模型的整体框架如图1所示，包括输入层、隐藏层、输出层、网络训练以及网络预测五个功能模块。输入层负责对齿轮弯曲疲劳的实时监测数据进行初步处理以满足网络输入要求，隐藏层采用图2表示的LSTM细胞搭建单层循环神经网络，输出层提供预测结果，网络训练采用从网络结构的搭建，学习率、窗口设置上对LSTM进行优化，参数修正时加入Nesterov动量，防止陷入局部最优，采用RMSProp算法修正模型自适应率的优化方法，网络预测采用迭代的方法逐点预测，进而改进网络模型预测的准确性。如图2所示LSTM循环网络，除了RNN式循环之外，在自身“cell”(取代一般循环神经网络的隐藏单元)内部循环。每一个单元相输入输出，但也有更多的参数和控制信息流动的门控单元系统，即状态单元(时刻t,细胞i)，外部输入门(externalinputgate)、遗忘门(forgetgate)，输出门(outputgate)。遗忘门负责从“cell”移除LSTM学习不重要的信息，这些信息将通过门控单元运算移除。遗忘门采取两个输入ht-1和xt。ht-1为前一单元的状态值，xt为输入序列x的t时刻的值。再添加偏置项以输入Sigmoid函数。Sigmoid函数取值范围为[0,1]，若取值为零，遗忘门就使得单元状态忘记该信息。相应的前向传播算法如下：输入门：遗忘门：细胞：输出门：细胞输出：反向传播计算如(8)-(14)所示：细胞输出：输出门：状态：细胞：遗忘门：输入门：其中∑表示求和，是当前的输入向量，下标l,φ,c,ω分别表示表示输入门、遗忘门、细胞状态单元、输出门的相关参数。wil、wiφ、wic和wiw分别表示从输入到输入门、遗忘门、细胞状态单元、输出门的权重，whl、whφ、whc和whw分别表示从隐层到输入门、遗忘门、细胞状态单元、输出门的权重，wcl、wcφ和wcw分别表示从细胞状态到输入门、遗忘门和输出门的权重，at表示t时刻的输入，bt表示t时刻的输出，表示t时刻细胞的状态，g和h分别表示细胞的输入输出激活函数，I表示输入层的神经元的个数，K表示输出层的神经元个数，H表示隐层的细胞个数，σ是sigmoid函数。表示t时刻的细胞输出，表示t时刻的状态，ζ表示损失函数，δt表示梯度误差，wck和wcg分别表示从细胞状态到输出层和隐层的权重，网络训练首先在输入层中，我们定义齿轮弯曲疲劳的实时监测数据为F0＝{f1,f2,…,fn}，则划分的训练集和测试集可以表示为Ftr＝{f1,f2,…,fm}和Fte＝{fm+1,fm+2,…,fn}，满足约束条件m＜n和m,n∈。然后对训练集中的元素ft进行标准化，采用经典的z-score标准化公式(均值为0，标准差为1，表示为zscore)，标准化后的训练集可以表示为：Ftr'＝{f1',f2',…,fm'}(15)满足：1≤t≤m,t∈(17)为了适应隐藏层输入的特点，我们应用数据分割的方法f’tr进行处理，设定分割窗口长度取值为L，则分割后的模型输入为：X＝{X1,X2,…,XL}(18)Xp＝{fp',fp+1',…,fm-L+p-1'}(19)满足：1≤p≤L；p,L∈N(20)对应的输出为：Y＝{Y1,Y2,…YL}(21)Yp＝{fp+1',fp+2',…,fm-L+p'}(22)接下来，我们将X输入隐藏层。从图1可以看出，隐藏层包含L个按前后时刻连接的同构LSTM细胞，经过隐藏层后的输出可以表示为：P＝{P1,P2,…,PL}(23)Pp＝LSTMforward(Xp,Cp-1,Hp-1)(24)其中，Cp-1和Hp-1分别为前一个LSTM细胞的状态和输出，LSTMforward表示LSTM细胞前向计算方法(公式(2)-(7))。设定细胞状态向量大小为Sstate，则Cp-1和Hp-12个向量大小均为Sstate。可以看出，隐藏层P、模型输入X和理论输出Y都是维度为(m-L,L)的二维数组。选用均方误差作为误差计算公式，训练过程的损失函数可以定义为：设定损失函数最小为优化目标，给定网络初始化的训练步数steps，应用RMSPr本文档来自技高网...

【技术保护点】
1.基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于，具体步骤如下：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：

【技术特征摘要】
1.基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于，具体步骤如下：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＝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、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型；步骤4、基于LSTM预测模型的进行参数优选；步骤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：加速度传感器接收到的振动数据经过特征提取后的数据作为模型输入，采用改进型LSTM模型进行齿轮剩余寿命预测，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，将采样点数折算成时间，引用绝对误差百分比(AbsolutePercentageError,APE)其中，TRUL为模型预测的剩余寿命，Ta＝T*-tp式中，tp表示当前时刻，Ta为齿轮的实际剩余寿命，T*为齿轮首次到达故障阈值的时间。2.根据权利要求1所述的基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于：步骤3中建立的基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型包括输入层、隐藏层、输出层、网络训练以及网络预测五个功能模块；输入层负责对齿轮弯曲疲劳的实时监测数据进行初步处理以满足网络输入要求，隐藏层采用LSTM细胞搭建单层循环神经网络，输出层提供预测结果，网络训练采用从网络结构的搭建，学习率、窗口设置上对LSTM进行优化，参数修正时加入Nesterov动量，防止陷入局部最优，采用RMSProp算法修正模型自适应率的优化方法，网络预测采用迭代的方法逐点预测，进而改进网络模型预测的准确性。3.根据权利要求2所述的基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于：所述隐藏层采用的LSTM细胞搭建单层循环神经网络包括RNN式循环，同时在自身“cell”内部循环，每一个单元相输入输出，同时包括更多的参数和控制信息流动的门控单元系统，即状态单元(时刻t,细胞i)，外部输入门(externalinputgate)、遗忘门(forgetgate)，输出门(outputgate)；遗忘门负责从“cell”移除LSTM学习不重要的信息，这些信息将通过门控单元运算移除，遗忘门采取两个输入ht-1和xt。ht-1为前一单元的状态值，xt为输入序列x的t时刻的值，添加偏置项以输入Sigmoid函数。Sigmoid函数取值范围为[0,1]，若取值为零，遗忘门就使得单元状态忘记该信息；相应的前向传播算法如下：输入门：遗忘门：细胞：输出门：细胞输出：反向传播计算如下所示：细胞输出：输出门：状态：细胞：遗忘门：输入门：其中∑表示求和，是当前的输入向量，下标l,φ,c,ω分别表示表示输入门、遗忘门、细胞状态单元、输出门的相关参数。wil、wiφ、wic和wiw分别表示从输入到输入门、遗忘门、细胞状态单元、输出门的权重，whl、whφ、whc和whw分别表示从隐层到输入门、遗忘门、细胞状态单元、输出门的权重，wcl、wcφ和wcw分别表示从细胞状态到输入门、遗忘门和输出门的权重，at表示t时刻的输入，bt表示t时刻的输出，表示t时刻细胞的状态，g和h分别表示细胞的输入输出激活函数，I表示输入层的神经元的个数，K表示输出层的神经元个数，H表示隐层的细胞个数，σ是sigmoid函数。表示t时刻的细胞输出，表示t时刻的状态，ζ表示损失函数，δt表示梯度误差，wck和wcg分别表示从细胞状态到输出层和隐层的权重。4.根据权利要求2所述的基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于：所述网络训练的方法如下：首先在输入层中，定义齿轮弯曲疲劳的实时监测数据为F0＝{f1,f2,…,fn}，则划分的训练集和测试集可以表示为Ftr＝{f1,f2,…...

【专利技术属性】
技术研发人员：石慧，杨勇，刘佳媛，王婉娜，申继发，
申请(专利权)人：太原科技大学，
类型：发明
国别省市：山西,14