一种基于二维卷积神经网络的齿轮剩余寿命预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110175369A(43)申请公布日2019.08.27(21)申请号201910360392.5(22)申请日2019.04.30(71)申请人南京邮电大学地址210003江苏省南京市鼓楼区新模范马路66号(72)发明人高浩张頔(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.G06F17/50(2006.01)G06N3/04(2006.01)权利要求书2页说明书5页附图3页(54)发明名称一种基于二维卷积神经网络的齿轮剩余寿命预测方法(57)摘要本发明公开一种基于二维卷积神经网络的齿轮剩余寿命预测方法，首先构建卷积神经网络结构，对接收到的齿轮的实时振动信号其退化特征来提取齿轮的健康状态信息；再对振动信号进行分类回归，以此得到齿轮的准确剩余寿命估计；并运用齿轮疲劳寿命试验台的实时监测数据对深度学习预测模型进行验证，解决齿轮疲劳退化过程中实时振动信号包含的内容繁杂，数据规模大，难以提取出有效的、反映齿轮退化的特征信息进行实时剩余寿命准确预测问题。本发明的二维卷积神经网络训练得到的预测模型可以快速、准确地预测齿轮的剩余寿命。CN110175369ACN110175369A权利要求书1/2页1.一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，包括以下步骤：S1，采集训练数据，通过安装在齿轮箱上的加速度传感器采集齿轮的振动信号，每隔T秒采样一次，每N*N个采样点的数据构成一组样本，采集X组样本；S2，数据预处理，将所述X组样本按工作时间分为C个类别，按照类别给每个样本打上标签作为训练样本；S3，构建神经网络，构建一个包含4层卷积层和两层全连接层的卷积神经网络；S4，训练神经网络，将所述训练样本输入构建好的神经网络进行训练，得到齿轮剩余寿命的预测模型；S5，预测齿轮剩余寿命，采集同一个齿轮的多组振动信号作为预测数据样本，将多组所述预测数据样本输入训练得到的预测模型，通过预测模型输出齿轮多组剩余工作时间的平均值，该平均值即为该齿轮剩余寿命的预测结果。2.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，步骤S1中，所述齿轮的振动信号通过采集平台采集，所述采集平台包括：主试箱、陪试箱、负载电机、驱动电机和控制系统；所述主试箱、陪试箱内均设有齿轮、声传感器、加速度传感器；所述主试箱、陪试箱分别与负载电机、驱动电机连接。所述声传感器用于测齿轮振动产生的噪声；所述加速度传感器用于采集主试箱/陪试箱振动的加速度值；所述驱动电机、负载电机分别与控制系统连接，所述控制系统用于控制驱动电机、负载电机工作，同时采集所述声传感器、加速度传感器的检测数据。3.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，步骤S2中，在对所述X组样本进行分类时，去掉紧邻分类线±5分钟的数据样本，以消除相邻类别在分类界限处的连续性对分类结果造成的影响。4.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，步骤S3中，所述卷积神经网络包括4个卷积层、4个池化层、4个激活层、2个全连接层和1个Softmax层。5.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，步骤S4中，所述神经网络训练时的学习率为0.002，dropout概率为0.5。6.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，步骤S4中，当训练样本数据输入卷积神经网络时，卷积层会执行前向传播的步骤；并将输出的值与实际值之间的误差的导数反向传播到神经网络中更新神经网络的参数和权重；输入的特征图经过卷积核扫过后会得到新一层特征图，新的特征图再经过激活函数后结合其他卷积核扫过的输出图构成下一个多输入特征图；计算公式如下：其中，表示一个选择输入特征映射，L是指神经网络的第L层，M为卷积之后输出特征的大小，i,j为卷积输入矩阵大小；K是一个S×S的矩阵，S是卷积核的大小；f是双曲正切或sigmoid非线性激活函数。7.根据权利要求1所述的一种基于二维卷积神经网络的齿轮剩余寿命预测方法，其特征在于，所述神经网络的池化层函数由以下公式确定：2CN110175369A权利要求书2/2页其中，为池化层函数，down为下采样函数；在输入特征图时，该采样函数对每一个不同的n×n输入块相加，以缩减输出特征映射的空间维度；β为偏置系数，b为加法偏置。3CN110175369A说明书1/5页一种基于二维卷积神经网络的齿轮剩余寿命预测方法技术领域[0001]本发明属于神经网络应用技术领域，具体是一种基于二维卷积神经网络的齿轮剩余寿命预测方法。背景技术[000