基于C-DRGAN和AD的行星轮轴承寿命预测方法技术

本发明专利技术公开了一种基于C‑DRGAN和AD的行星轮轴承寿命预测方法。所述方法包括如下步骤，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NNBC预测测试样本中行星轮轴承的剩余寿命。实施例的结果表明本发明专利技术具有较强的复杂非静态信号处理能力，并能在小样本情况下取得出色的行星轮轴承剩余寿命预测效果。

Life prediction method of planetary gear bearing based on c-drgan and ad

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，行星轮轴承不但自转，还绕着太阳轮公转。其内圈安装在行星轮轴上，相对于行星轮轴固定不动。而行星轮轴承外圈安装在行星架上，其随着行星架的旋转而旋转。从故障位置到传感器的时变振动传递路径使采集到的行星轮轴承振动信号具有非静态的特点。此外，行星轮轴承的疲劳寿命试验耗时且投入巨大，仅能获得有限的训练样本用于行星轮轴承的剩余寿命预测。
技术实现思路
本专利技术的目的是为了解决小样本和变工况下行星轮轴承剩余寿命预测准确率低的问题，为行星轮轴承剩余寿命预测提供一种新颖的解决思路，而提出了基于C-DRGAN和AD的行星轮轴承剩余寿命预测方法。基于C-DRGAN和AD的行星轮轴承寿命预测方法，其特征在于该方法包括以下步骤：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。采用本专利技术的基于C-DRGAN和AD的行星轮轴承寿命预测方法，与其它行星轮轴承寿命预测方法相比，本专利技术的有益效果为：1.基于C-DRGAN和AD的行星轮轴承寿命预测方法利用C-DRGAN，在已知运行状态的指导下，生成服从真实数据分布的训练样本，从而在小样本情况下取得出色的行星轮轴承剩余寿命预测效果；2.该方法利用GRUNN的状态记忆和时变信号的处理能力，从复杂非静态信号中提取故障特征，解决变工况下行星轮轴承的剩余寿命预测问题；3.该方法采用基于AD的训练算法训练C-DRGAN，避免了动作集的限制，使智能体根据目标导向政策采取行动，以取得最佳长期回报，从而减少了获取最优策略的迭代次数，降低训练时间。附图说明图1为本专利技术基于C-DRGAN和AD的行星轮轴承寿命预测方法的流程图；图2为行星轮轴承的全寿命周期振动信号；图3为行星轮轴承1_1的RRMS值随时间变化曲线；图4为行星轮轴承1_3的剩余寿命预测结果；图5为预测准确率与迭代次数之间的关系曲线。具体实施方式具体实施方式一：结合图1说明本实施方式，基于C-DRGAN和AD的行星轮轴承寿命预测方法，其特征在于该方法包括以下步骤：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NNBC预测测试样本中行星轮轴承的剩余寿命。具体实施方式二：本实施方式与具体实施方式一不同的是：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(c,z)。判别器D由一个GRUNN构成。NNBC的输出为预测结果。该结果用于计算奖励，并反馈给生成器G。具体实施方式三：本实施方式与具体实施方式一或二不同的是：所述步骤二中采用基于AD的训练算法训练C-DRGAN；具体步骤为：步骤二一、设置松弛变量δ，折扣因子γ和学习率α。初始化状态s0，动作a0和动作集A0；步骤二二、执行动作a0，观察环境新状态st+1，计算累积折扣奖励，公式为：其中，γ∈(0，1]为折扣因子，rt+k+1为t+k+1时刻的奖励；步骤二三、计算判别器D的损失函数，公式为：其中，Lc为类标签的损失误差，Ld为真实标签的损失误差，Θ为判别器D的参数集；步骤二四、计算生成器G的损失函数，公式为：其中，Lg为真实标签的损失误差，Θ'为生成器G的参数集；步骤二五、更新当前网络参数集θ和目标网络参数集θ-，更新公式如下：θi+1＝θi+α▽θiLi(θi)(4)θi-＝θi+C(5)其中，θi为第i次迭代时当前网络Q的参数集，θi+1为第i+1次迭代时当前网络Q的参数集，θi+C为第i+C次迭代时当前网络Q的参数集，为第i次迭代时当前网络Q-的参数集，为参数集θi损失函数的梯度；步骤二六、搜索并评估新动作，更新动作集，公式为：其中，c为成本函数，为潜在函数，At为t时刻的动作集；步骤二七、对下一时刻重复步骤二二至步骤二六,直到判别器D和生成器G达到纳什均衡。采用以下实施例验证本专利技术的有益效果。实施例：本实施例基于C-DRGAN和AD的行星轮轴承寿命预测方法步骤如下：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。本实施例以行星轮轴承为研究对象，通过预测其剩余寿命验证提出方法的有效性。本实施例在本实验室研发的行星轮轴承加速疲劳寿命试验台上进行。该试验台主要由驱动电机、行星齿轮箱、负载电机和数据采集系统组成。行星轮轴承为NJ304EM圆柱滚子轴承。实施例中通过电路控制负载电机产生3种负载(3000Nm,4000Nm和5000Nm)，驱动电机的输出转速分别为400r/min、600r/min和800r/min。因此，可获得三本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：于军，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：黑龙江,23