一种齿轮剩余使用寿命预测方法与系统.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115982562A(43)申请公布日2023.04.18(21)申请号202211467055.4G06N3/096(2023.01)(22)申请日2022.11.22G07C3/00(2006.01)G01M13/021(2019.01)(71)申请人重庆大学G01M13/028(2019.01)地址400044重庆市沙坪坝区沙正街174号(72)发明人秦毅陈定粮董鹏飞周江洪(74)专利代理机构北京方圆嘉禾知识产权代理有限公司11385专利代理师王月松(51)Int.Cl.G06F18/213(2023.01)G06N3/0442(2023.01)G06N3/0455(2023.01)G06N3/0464(2023.01)G06N3/047(2023.01)G06N3/048(2023.01)权利要求书5页说明书8页附图4页(54)发明名称一种齿轮剩余使用寿命预测方法与系统(57)摘要本发明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‑Net进行训练；根据训练向量和训练好的MLMA‑Net进行迭代运算得到下一时刻的健康特征指标，当下一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确定齿轮剩余使用寿命。本发明可提高齿轮剩余使用寿命的预测精度。CN115982562ACN115982562A权利要求书1/5页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：ft＝σ(Wfxt+Ufht‑1+bf)it＝σ(Wixt+Uiht‑1+bi)ot＝σ(Woxt+Uoht‑1+bo)2CN115982562A权利要求书2/5页其中，ft为遗忘门，σ为sigmoid激活函数，Wf为遗忘门第一权重矩阵，xt为多分层长期记忆增强网络输入信息，Uf为遗忘门第二权重矩阵，ht‑1为上一时刻隐藏状态信息，bf为遗忘门偏置矩阵，it为输入门，Wi为输入门第一权重矩阵，Ui为输入门第二权重矩阵，bi为输入门偏置矩阵，ot为输出门，Wo为输出门第一权重矩阵，Uo为输出门第二权重矩阵，bo为输出门偏置矩阵，为候选细胞状态，Wc为候选细胞状态第一权重矩阵，Uc为候选细胞状态第二权重矩阵，bc为候选细胞状态偏置矩阵，为记忆增强函数，为