【技术实现步骤摘要】
本专利技术属于旋转机械智能运维和信号处理领域，具体涉及一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法、装置、设备及介质，在不拆机的情况下通过采集到的齿轮系统的振动数据，对振动数据进行处理，构造描述齿轮运行状态的健康指标，进而联合无迹卡尔曼滤波与长短时记忆神经网络实现齿轮的寿命预测，解决了在采集数据样本较少时齿轮剩余使用寿命预测的精度不足、预测不稳定等问题。
技术介绍
1、齿轮是机械系统中不可缺少的部件，在航空航天、能源等工业场景中有着广泛的应用。齿轮多运行在低速重载、高速高功率等恶劣工况下，因此容易发生微小裂纹故障，进而随着裂纹扩展而破坏失效，这会严重影响工业设备的正常运行，甚至发生严重事故。因此有必要对齿轮进行寿命预测，已规划设备健康管理方式，避免造成重大的安全事故。
2、目前，数据驱动法预测齿轮剩余使用寿命主要分为机器学习法以及统计模型法。随着人工智能技术的兴起，基于数据驱动的寿命预测方法，特别是基于深度学习的旋转机械寿命预测迅猛发展。其中机器学习基于大量的数据样本预测机械零部件的退化趋势，适用于处理复杂机械系统的寿命...
【技术保护点】
1.一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，通过经验小波分解处理齿轮的原始振动信号，基于经验小波分解齿轮振动信号，将信号分解为N阶经验模态分量，这些经验模态分量通过相加即可还原齿轮的振动信号，表达式为：
3.根据权利要求2所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，通过求各个经验模态分量gi(t)的峭度，并根据所求峭度的大小，按照由大到小的顺序排列经验模态分量gi(t)，选取预设数量的经验模态分量来...
【技术特征摘要】
1.一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，通过经验小波分解处理齿轮的原始振动信号，基于经验小波分解齿轮振动信号，将信号分解为n阶经验模态分量，这些经验模态分量通过相加即可还原齿轮的振动信号，表达式为：
3.根据权利要求2所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，通过求各个经验模态分量gi(t)的峭度，并根据所求峭度的大小，按照由大到小的顺序排列经验模态分量gi(t)，选取预设数量的经验模态分量来重构信号，并将重构信号的峭度作为齿轮的健康指标，所述健康指标的计算公式为
4.根据权利要求1所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，建立齿轮退化模型，当故障类型是裂纹故障时，建立的齿轮发生裂纹故障时的退化模型表达式为，
5.根据权利要求1所述的一种无迹卡尔曼滤波联合神经网络的齿轮寿命预测方法，其特征在于，所述长短时记忆神经网络模型为在循环神经网络的循...
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。