主减速器剩余寿命智能预测方法、系统、设备及介质技术方案

本发明专利技术涉及一种主减速器剩余寿命智能预测方法、系统、设备及介质，其方法包括获取目标设备多个监测数据通道的振动数据；利用预设的多尺寸卷积神经网络分别对每个监测数据通道的振动数据进行局部特征提取，得到对应的设备失效特征信息；利用预设的深层特征提取网络分别对每个监测数据通道的设备失效特征信息进行提取，得到对应的深层时序特征信息；将多个监测数据通道的深层时序特征信息输入至预设的剩余寿命预测初始模型进行训练，得到剩余寿命预测目标模型；基于线性回归平滑策略，并利用剩余寿命预测目标模型对目标设备当前时刻的剩余寿命进行预测。本发明专利技术能够有效检测汽车主减速器的故障特征，并能够较准确地预测汽车主减速器的剩余寿命。主减速器的剩余寿命。主减速器的剩余寿命。

【技术实现步骤摘要】
主减速器剩余寿命智能预测方法、系统、设备及介质


[0001]本申请涉及机械设备寿命预测
，尤其是涉及一种主减速器剩余寿命智能预测方法、系统、设备及介质。

技术介绍

[0002]主减速器作为汽车传动系统后桥中降低转速、增加扭矩的关键部件，是汽车故障的主要来源，其运行状态及失效程度对整个传动系统的工作性能以及汽车的安全性、舒适性和可靠性有着重要的影响。因此，为保障车辆安全可靠地运行，有必要对汽车主减速器进行实时状态检测和剩余寿命预测。
[0003]目前，汽车主减速器的实时状态监测与剩余寿命预测主要通过两种方式来实现，一种是通过构建机械设备的模型来模拟设备的衰退趋势，该方法需要充分了解设备的工作原理及其内部机械原理，对于科学研究人员挑战性极大；另一种是通过各种机器学习等智能方法分析传感器监测数据，构建基于数据驱动的智能预测模型，由于技术手段的限制，智能预测技术尚存在如下亟待解决的问题：
[0004]第一，由于汽车在行驶过程中负载载荷的变化、传动系统中其它部件的振动干扰以及车辆遇到障碍物时所产生的突发性噪声，营造出一种强噪声环境，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种主减速器剩余寿命智能预测方法，其特征在于：所述方法包括：获取目标设备多个监测数据通道的振动数据；利用预设的多尺寸卷积神经网络分别对每个监测数据通道的振动数据进行局部特征提取，得到对应的设备失效特征信息；利用预设的深层特征提取网络分别对每个监测数据通道的设备失效特征信息进行提取，得到对应的深层时序特征信息；将多个所述监测数据通道的深层时序特征信息输入至预设的剩余寿命预测初始模型进行训练，得到剩余寿命预测目标模型；基于线性回归平滑策略，并利用剩余寿命预测目标模型对所述目标设备当前时刻的剩余寿命进行预测。2.根据权利要求1所述的主减速器剩余寿命智能预测方法，其特征在于：所述利用预设的多尺寸卷积神经网络分别对每个监测数据通道的振动数据进行局部特征提取之前，所述方法还包括：构建多尺寸卷积神经网络，所述多尺寸卷积神经网络包括浅层特征提取网络、局部特征提取网络和预处理网络，所述局部特征提取网络和预处理网络作为浅层特征提取网络之后的并行网络；所述浅层特征提取网络采用单卷积层；所述局部特征提取网络包括不同卷积核尺寸的特征提取层，每个特征提取层包括多个卷积层、多个激活层和一个池化层；所述预处理网络包括一个激活层和一个池化层。3.根据权利要求2所述的主减速器剩余寿命智能预测方法，其特征在于：所述利用预设的多尺寸卷积神经网络分别对每个监测数据通道的振动数据进行局部特征提取，得到对应的设备失效特征信息，包括：采用多个所述多尺寸卷积神经网络，将每个监测数据通道的振动数据分别输入至一个多尺寸卷积神经网络进行特征提取，所述振动数据基于浅层特征提取网络和局部特征提取网络的提取后得到局部特征信息；所述振动数据基于浅层特征提取网络和预处理网络的提取后得到浅层目标特征信息；基于局部特征信息和浅层目标特征信息的融合后得到设备失效特征信息。4.根据权利要求1所述的主减速器剩余寿命智能预测方法，其特征在于：所述深层特征提取网络采用双向长短期记忆网络，利用预设的深层特征提取网络分别对每个监测数据通道的设备失效特征信息进行提取，得到对应的深层时序特征信息，包括：采用多个双向长短期记忆网络，将每个监测数据通道的设备失效特征信息分别输入至一个所述双向长短期记忆网络，每个双向长短期记忆网络同时双向处理多个时刻的长序列设备失效特征信息，以获取深层时序特征信息，所述深层时序特征信息表示设备失效和剩余寿命变化的特征信息。5.根据权利要求1所述的主减速器剩余寿命智...

【专利技术属性】
技术研发人员：叶青，刘长华，
申请(专利权)人：长江大学，
类型：发明
国别省市：