一种齿轮剩余使用寿命预测方法与系统技术方案

本发明专利技术涉及一种齿轮剩余使用寿命预测方法、系统、电子设备及介质，具体涉及零件寿命预测技术领域。所述方法包括：将各振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；根据健康特征指标集合确定健康特征指标向量和训练向量；基于训练向量构建矩阵；采用矩阵对MLMA

【技术实现步骤摘要】
一种齿轮剩余使用寿命预测方法与系统


[0001]本专利技术涉及零件寿命预测
，特别是涉及一种齿轮剩余使用寿命预测方法与系统。

技术介绍

[0002]齿轮作为旋转机械设备中关键的传动零部件，已被广泛应用于航空航天、交通运输、矿山开采、高端数控机床以及国防军工等领域。由于齿轮的材料以及加工方式，装配误差以及复杂的工作环境，导致齿轮在长期运行后极易出现性能衰退或发生严重的故障。其中，闭式齿轮传动中会发生点蚀、胶合和断齿等故障，在开式齿轮传动中会发生磨粒磨损等故障。据统计，在机械设备中由齿轮造成的故障占齿轮箱故障的60％，主要故障为齿面点蚀，一些极端情况下会造成齿根断裂。究其原因是齿轮传动时的相对摩擦使齿面磨损，在高压油的作用下进而造成齿面剥落，出现点蚀现象。在出现小面积点蚀后，齿轮会在转动中产生额外的不稳定振动，进而继续影响齿面形态，造成齿轮损坏，最终使整个设备停机，导致生产停止。齿轮的健康状态制约着整个旋转机械设备的可靠性、安全性和高效性。因此，有必要研究齿轮的剩余使用寿命预测方法，通过预测得到的可靠的剩余使用寿命不仅可以保证零部件和传动系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种齿轮剩余使用寿命预测方法，其特征在于，包括：以设定采样频率，获取待预测齿轮全生命周期中的振动信号得到多个振动信号；将各所述振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；所述健康特征指标集合中包括每个振动信号对应的健康特征指标；根据所述健康特征指标集合确定健康特征指标向量和训练向量；所述健康特征指标向量为所述健康特征指标集合中所有健康特征指标组成的向量的转置；所述训练向量为所述健康特征指标集合中前目标数量个健康特征指标组成的向量的转置；基于所述训练向量构建Hankel矩阵，所述Hankel矩阵有i+1行，其中i为多分层长期记忆增强网络模型输入层单元总数；将所述Hankel矩阵的前i行作为所述多分层长期记忆增强网络模型的输入，以所述Hankel矩阵的第i+1行作为所述多分层长期记忆增强网络模型的输出，对所述多分层长期记忆增强网络模型进行训练得到训练好的多分层长期记忆增强网络模型；在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻。2.根据权利要求1所述的一种齿轮剩余使用寿命预测方法，其特征在于，所述基于二次函数的多尺度深度卷积自编码器网络具体包括：依次连接的第一模块、第一卷积层、第一最大池化层、第一上采样层、第二卷积层、第二模块、第二上采样层、第三卷积层和第四卷积层；所述第一模块包括多个依次连接的第一单元，所述第一单元包括依次连接的第一Inception模块和第二最大池化层；所述第二模块包括多个依次连接的第二单元，所述第二单元包括依次连接的第三上采样层和第二Inception模块。3.根据权利要求1所述的一种齿轮剩余使用寿命预测方法，其特征在于，所述多分层长期记忆增强网络模型为：f
t
＝σ(W
f
x
t
+U
f
h
t
‑1+b
f
)i
t
＝σ(W
i
x
t
+U
i
h
t
‑1+b
i
)o
t
＝σ(W
o
x
t
+U
o
h
t
‑1+b
o
)))))
其中，f
t
为遗忘门，σ为sigmoid激活函数，W
f
为遗忘门第一权重矩阵，x
t
为多分层长期记忆增强网络输入信息，U
f
为遗忘门第二权重矩阵，h
t
‑1为上一时刻隐藏状态信息，b
f
为遗忘门偏置矩阵，i
t
为输入门，W
i
为输入门第一权重矩阵，U
i
为输入门第二权重矩阵，b
i
为输入门偏置矩阵，o
t
为输出门，W
o
为输出门第一权重矩阵，U
o
为输出门第二权重矩阵，b
o
为输出门偏置矩阵，为候选细胞状态，W
c
为候选细胞状态第一权重矩阵，U
c
为候选细胞状态第二权重矩阵，b
c
为候选细胞状态偏置矩阵，为记忆增强函数，为遗忘门和输入门输出的注意力比率，为注意力比率第一权重矩阵，为注意力比率第二权重矩阵，为注意力比率偏置矩阵，为候选注意力值，为候选注意力第一权重矩阵，为候选注意力第二权重矩阵，为候选注意力偏置矩阵，为注意力层级的第一位置向量，为第一主注意力门权重矩阵，为第一主注意力门权重矩阵，为第一主注意力门偏置矩阵，为注意力层级的第二位置向量，为第二主注意力门权重矩阵，为第二主注意力门权重矩阵，为第
二主注意力门偏置矩阵，为第一主注意力门，为第二主注意力门，η
t1
为中层注意力层级，η
t2
为高层注意力层级，η
t3
为低层注意力层级，A
t
为注意力分布，为细胞层级的第一位置向量，为第一细胞层级的第一位置向量的权重矩阵，为第二细胞层级的第一位置向量的权重矩阵，为细胞层级的第一位置向量的偏置矩阵，为细胞层级的第二位置向量，为第一细胞层级的第二位置向量的权重矩阵，为第二细胞层级的第二位置向量的权重矩阵，为细胞层级的第二位置向量的偏置矩阵，为主遗忘门，为主输入门，ζ
t1
为中层细胞层级，ζ
t2
为高层细胞层级，ζ
t3
为低层细胞层级，c
t
‑1为上一时刻细胞状态，A
t
为注意力分布，c
′
t
为中层待更新细胞状态，c
t
为当前时刻细胞状态，h
t
为当前时刻隐藏状态，cumsum()为累计求和，
⊙
为点乘操作。4.一种齿轮剩余使用寿命预测系统，其特征在于，包括：采样模块，用于以设定采样频率...

【专利技术属性】
技术研发人员：秦毅，陈定粮，董鹏飞，周江洪，
申请(专利权)人：重庆大学，
类型：发明
国别省市：