The invention discloses a planetary gear bearing life prediction method based on C \u2011 drgan and AD. The method includes the following steps: Step 1: combine the neural network of the gate control cycle unit with the condition generation countermeasure network, construct C \u2011 drgan, extract the fault features from the complex non-static signals, and realize the prediction of the remaining life of the planetary wheel bearing under small samples and variable conditions; step 2: regard the training samples of the remaining life prediction of the planetary wheel bearing as the input data of C \u2011 drgan, The training algorithm based on ad is used to train C \u2011 drgan to improve the convergence speed and reduce the training time. Step three: according to the C \u2011 drgan after training, nnbc is used to predict the remaining life of the row star bearing in the test sample. The result of the embodiment shows that the invention has strong complex non-static signal processing ability and can achieve excellent prediction effect of remaining life of planetary wheel bearing in the case of small sample.
【技术实现步骤摘要】
基于C-DRGAN和AD的行星轮轴承寿命预测方法
本专利技术涉及一种行星轮轴承寿命预测方法,尤其涉及基于条件深度循环生成对抗网络(Conditionaldeeprecurrentgenerativeadversarialnetwork,C-DRGAN)和动作探索(Actiondiscovery,AD)的行星轮轴承寿命预测方法。
技术介绍
因具有传动比大和结构紧凑等特点,行星齿轮箱已广泛应用于直升机、风力发电机和重型卡车等机械设备中。而复杂恶劣的工作环境会增加行星齿轮箱中的轴承发生故障的风险。这些难以预料的故障可能导致整个设备的突然失灵,甚至造成巨大的经济损失。因此,行星齿轮箱中轴承的剩余寿命预测对保障机械设备的可靠运行和避免潜在事故的发生具有十分重要的意义。近年来,国内外学者对典型旋转机械的剩余寿命预测问题进行了深入研究,并提出了一些颇具代表性的滚动轴承剩余寿命预测方法。这些方法主要分为三类:物理模型法、统计模型法和人工智能法。物理模型法虽然能实现轴承剩余寿命的准确预测,但在模型建立过程中需满足多种假设,难以建立精确的剩余寿命预测模型。而且,模型参数的确定依赖人工经验,从而限制了物理模型法的应用。统计模型法的缺点在于预测效果严重依赖历史数据,从而导致剩余寿命预测的不准确。并且,随机变量的概率分布需满足多种假设,从而限制了统计模型法的实际应用。人工智能法能解决难于构建物理模型或统计学模型的复杂机械系统的剩余寿命预测问题。人工智能法无需额外的先验知识或精确的解析模型,通过历史数据识别退化过程。因此,人工智能法在复杂系统的剩余寿命预测中具有重要的应用价值。然而, ...
【技术保护点】
1.基于条件深度循环生成对抗网络(Conditional deep recurrent generative adversarial network,C‑DRGAN)和动作探索(Action discovery,AD)的行星轮轴承寿命预测方法包括以下步骤:步骤一、将门控循环单元神经网络与条件生成对抗网络相结合,构建C‑DRGAN,从复杂非静态信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;步骤二、将行星轮轴承剩余寿命预测的训练样本看作C‑DRGAN的输入数据,采用基于AD的训练算法训练C‑DRGAN,提高收敛速度,降低训练时间;步骤三、根据训练后的C‑DRGAN,利用非朴素贝叶斯分类器(Non‑naive Bayesian classifier,NNBC)预测测试样本中行星轮轴承的剩余寿命。
【技术特征摘要】
1.基于条件深度循环生成对抗网络(Conditionaldeeprecurrentgenerativeadversarialnetwork,C-DRGAN)和动作探索(Actiondiscovery,AD)的行星轮轴承寿命预测方法包括以下步骤:步骤一、将门控循环单元神经网络与条件生成对抗网络相结合,构建C-DRGAN,从复杂非静态信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;步骤二、将行星轮轴承剩余寿命预测的训练样本看作C-DRGAN的输入数据,采用基于AD的训练算法训练C-DRGAN,提高收敛速度,降低训练时间;步骤三、根据训练后的C-DRGAN,利用非朴素贝叶斯分类器(Non-naiveBayesianclassifier,NNBC)预测测试样本中行星轮轴承的剩余寿命。2.根据权利要求1所述的基于C-DRGAN和AD的行星轮轴承寿命预测方法,其特征在于所述步骤一中C-DRGAN由生成器G、判别器D和NNBC组成。真实数据x为训练样本。随机噪声z与条件c为生成器G的输入。生成器G由一个门控循环单元神经网络(Gatedrecurrentunitneuralnetwork,GRUNN)构成。生成样本G(c,z)应服从真实数据x的分布Pdata(x)。在条件c的指导下,判别器D判断输入样本是真实数据x还是生成样本G...
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。