一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法技术

本发明专利技术公开了一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法，包括如下步骤：步骤一

【技术实现步骤摘要】
一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法


[0001]本专利技术属于零部件寿命预测
，尤其涉及一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法
。

技术介绍

[0002]齿轮是航空航天
、
交通
、
核电和化工等领域装备的关键零部件，其性能直接决定了重大装备的服役性能和可靠性
。
齿面接触疲劳失效是齿轮最主要失效形式之一，齿面接触疲劳寿命预测成为齿轮设计的必要环节
。
现有齿轮接触疲劳寿命预测方法多基于物理模型驱动的方法，即先通过经验或试验数据，总结推断出所研究对象的失效机理，建立统一的物理模型
。
然而，基于物理模型的寿命预测方法需要对失效机理有明确的理解，且预测效率较低
。
随着大数据技术的高速发展，神经网络
、
深度学习等数据驱动技术越来越多地运用在寿命预测中
。
而数据驱动的方法具有不能建立物理损伤状态，且受数据准确性和真实性制约等缺点
。
因此，有必要将两者的优点有效地融合，提出一种融合失效机理与深度学习的方法，将有效提升齿轮接触疲劳寿命预测的精度与效率
。

技术实现思路

[0003]为解决传统齿轮接触疲劳寿命预测方法存在的问题，本专利技术公开一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法
。
本专利技术考虑齿轮接触疲劳失效机理，以齿面正应力与切应力及材料疲劳特性参数作为输入特征，以齿轮接触疲劳寿命为输出特征，构建深度置信网络，实现对不同工况下齿轮接触疲劳寿命的准确预测
。
本专利技术提出的寿命预测方法操作简单
、
成本低，且适用于所有齿形与使用工况
。
[0004]为实现上述目的，本专利技术的技术方案如下：
[0005]一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法，包括以下步骤：
[0006]步骤一
、
从相关文献中采集不同工况下齿轮接触疲劳试验数据，输入齿轮齿形
、
工况与材料等参数
。
将一对齿的啮合简化成一对反向圆台接触，圆台垂直于轴线的截面半径为齿轮啮合点处的曲率半径
。
将接触线上每个点采用切片方法简化成二维接触模型，采用赫兹接触理论计算接触半宽
b
：
[0007][0008]上式中，
P
为啮合线单位长度上的载荷；
r1与
r2分别为主动轮和从动轮啮合点处曲率半径，
E1与
E2分别为主动轮和从动轮材料的弹性模量；
v1与
v2分别为主动轮和从动轮材料的泊松比
。
[0009]以接触线中点为原点建立坐标系，以接触线方向为
x
轴，垂直接触线方向为
y
轴
。
齿轮内部任一点
D(x1，
y1)
的应力状态表示为：
[0010][0011]上式中，
σ
x
与
σ
y
分别为沿
x
轴和
y
轴方向的正应力；
τ
xy
为切应力；
P
为啮合线单位长度上的载荷；
y1表示任一点
D
的纵坐标；
b
为接触半宽；
u
为接触系数，可表示：
[0012][0013]上式中，
b
为接触半宽；
x1表示任一点
D
的横坐标；
y1表示任一点
D
的纵坐标
。
[0014]步骤二
、
考虑齿轮接触疲劳失效机理，以齿面正应力与切应力为损伤参量，结合齿轮材料疲劳特性参数，构建输入特征集
M1：
[0015]M1＝
[
σ
x
,
σ
y
,
τ
xy
,E,
σ
′
f
,b0,
τ
′
f
,b1][0016]上式中，
E
为齿轮材料的弹性模量，
σ
′
f
为单轴拉压下齿轮材料的疲劳强度系数，
b0为单轴拉压下齿轮材料的疲劳强度指数，
τ
′
f
为纯扭加载下齿轮材料的疲劳强度系数，
b1为纯扭加载下齿轮材料的疲劳强度指数
。
[0017]以齿轮接触疲劳寿命为输出特征，构建输出特征集
M2：
[0018]M2＝
[N
f
][0019]上式中，
N
f
为齿轮接触疲劳寿命
。
[0020]对输入集与输出集数据进行归一化处理，将其映射到
(0
，
1)
区间
。
将归一化后的
3/4
的样本数据作为训练样本集，将
1/4
的样本数据作为测试样本集
。
[0021]步骤三
、
构建一个具有多层隐含层的深度学习网络模型，初步设置隐含层层数
、
神经元数量
、
学习率
、
最大迭代次数等参数
。
在无监督逐层训练时，首先采用对比散度算法训练第一层隐含层：
[0022]w
ij
＝
η
(<v
i
h
j
>
‑
<v
i
′
h
j
′
>)
[0023]上式中，
v
i
为第
i
个显层神经元的状态，
h
j
第
j
个隐层神经元的状态，
v
i
′
为第
i
个显层神经元更新后的状态，
h
j
′
第
j
个隐层神经元更新后的状态，
w
ij
为第
i
个显层神经元与第
j
个隐层神经元之间的连接权，
η
为学习率
。
[0024]第一层训练完成后，将第一层的隐含层结点视为第二层的输入结点，对第二层进行训练；同理依次对后续的隐含层进行训练
。
[0025]步骤四
、
各隐含层训练完成后，采用梯度下降算法对整个网络进行调整
。
将计算值与真实值进行对比，并将误差从顶层至底层反向运算
。
当误差抵达新的一层时，更新该层的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种融合失效机理与深度学习的齿轮接触疲劳寿命预测方法，其特征在于，包括如下步骤：步骤一
、
构建输入特征集
M1和输出特征集
M2：其中，
σ
x
与
σ
y
分别为齿轮上的某一点沿
x
轴和
y
轴方向的正应力，
τ
xy
为齿轮上的某一点的切应力；
E
为齿轮材料的弹性模量，
σ
′
f
为单轴拉压下齿轮材料的疲劳强度系数，
b0为单轴拉压下齿轮材料的疲劳强度指数，
τ
′
f
为纯扭加载下齿轮材料的疲劳强度系数，
b1为纯扭加载下齿轮材料的疲劳强度指数；
N
f
为齿轮接触疲劳寿命；结合输入特征集
M1
和输出特征集
M2
形成训练样本集和测试样本集；步骤二
、
构建一个具有多层隐含层的深度学习网络模型，该模型由4个受限玻尔兹曼机堆叠而成，每个受限玻尔兹曼机分为显层和隐层两层，显层用于表示数据的输入与输出，隐层表示数据的内在表达；将训练样本集输入深度学习网络模型进行训练，得到训练后的深度学习网络模型；步骤三
、
通过测试样本集对训练后的深度学习网络模型的预测结果进行评价：计算预测精度评价参数均方根误差
E
R
与相关系数
R2：上式中，
y
i
′
为第
i
个样本的寿命预测值，
y
i
为第
i
个样本的寿命真实值，
i
为样本编号，
n
为总样本数，若均方根误差
E
R
与相关系数
R2满足设定值，则完成训练，得到训练完成的深度学习网络模型，否则继续对具有多层隐含层的深度学习网络模型进行训练，直至得到训练完成的深度学习网络模型；步骤四
、
采集待预测寿命的齿轮的输入特征集输入训练完成的深度学习网络模型，预测得到待预测寿命齿轮的接触疲劳寿命
。2.
如权利要求1所述的融合失效机理与深度学习的齿轮接触疲劳寿命预测方法，其特征在于，其特征在于，所述步骤一中，
σ
x
、
σ
y
和
τ
xy
通过以下方法得到：将一对齿的啮合简化成一对反向圆台接触，圆台垂直于轴线的截面半径为齿轮啮合点处的曲率半径，将接触线上每个点采用切片方法简化成二维接触模型，采用赫兹接触理论计算接触半宽
b
：
上式中，
P
为啮合线单位长度上的载荷；
r1与
r2分别为主动轮和从动轮啮合点处曲率半径，
E1与
E2分别为主动轮和从动轮材料的弹性模量；
v1与
v2分别为主动轮和从动轮材料的泊松比；以接触线中点为原点建立坐标系，以接触线方向为
x
轴，垂直接触线方向为
y
轴；齿轮内部任一点
D(x1...

【专利技术属性】
技术研发人员：周长江，王豪野，靳广虎，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：