基于生成对抗网络模型的齿轮参数过采样方法.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CN108596261A(43)申请公布日2018.09.28(21)申请号201810399022.8(22)申请日2018.04.28(71)申请人重庆青山工业有限责任公司地址402776重庆市璧山区青杠街道申请人重庆科技学院(72)发明人利节龚为伦刘春亮姜艳军孙宇罗建伟何宏黎(74)专利代理机构成都蓉域智慧知识产权代理事务所(普通合伙)51250代理人陈千(51)Int.Cl.G06K9/62(2006.01)G06N3/063(2006.01)权利要求书1页说明书3页附图3页(54)发明名称基于生成对抗网络模型的齿轮参数过采样方法(57)摘要本发明提供一种基于生成对抗网络模型的齿轮参数过采样方法，按以下步骤进行：S1：确定需要采样的齿轮参数并采集相应数据；S2：通过神经网络构建一个生成器和一个判别器；S3：输入噪声序列信号到生成器中，得到生成数据；S4：将生成的数据与原始采样数据输入判别器进行分类判断；S5：利用Softmax层进行线性变换，得到最终分类结果；S6：将分类结果与设定值比较得到分类误差，当大于预设目标，则更新生成器中各个神经元的权重生成新的数据；小于预设目标，则更新判别器中各个神经元的权重重新分类判断；S7：将生成器生成的数据和原始采样数据融合。其效果是：生成的数据与原始采样数据具有类似的分布，为齿轮性能分析提供了足够的数据资源。CN108596261ACN108596261A权利要求书1/1页1.一种基于生成对抗网络模型的齿轮参数过采样方法，其特征在于按以下步骤进行：S1：确定需要采样的齿轮参数并采集相应数据，定义原始采样数据为D；S2：通过神经网络构建一个生成器和一个判别器；S3：输入噪声序列信号Z到所述生成器中，得到生成数据；S4：将生成器所生成的数据与步骤S1所得的原始采样数据D同时输入所述判别器进行分类判断；S5：利用Softmax层对判别器的输出结果进行线性变换，得到最终分类结果；S6：将分类结果与设定值比较得到分类误差，当分类误差大于预设目标，则更新生成器中各个神经元的权重，然后返回S3生成新的数据；当分类误差小于预设目标，则更新判别器中各个神经元的权重，然后返回S4重新进行分类判断；S7：将生成器生成的数据和原始采样数据为D融合共同作为齿轮参数分析所需的采样数据。2.根据权利要求1所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，步骤S1中将85个参数和2个安全系数作为需要采样的齿轮参数，所述85个参数包括轮齿负载、应用因子KA，内部动态因素Kv，齿宽负荷因素KHβ,KFβ、端负荷因素KHα,KFα，啮合载荷系数FHKγ，所述2个安全系数为弯曲安全系数S和接触安全系数S。3.根据权利要求2所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，所述生成器是由4层神经网络构成，神经元的个数依次为128、1024、256、87，第4层神经网络的87个神经元对应输出为85个参数和2个安全系数，每一层神经网络中的激活函数为Relu函数。4.根据权利要求1或3所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，所述判别器是由3层神经网络构成，神经元的个数依次为256、1024、128，每一层神经网络中的激活函数为leaky_Relu函数。5.根据权利要求1或3所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，步骤S3中输入噪声序列信号Z服从均匀分布或高斯分布。6.根据权利要求1所述的基于生成对抗网络模型的齿轮参数过采样方法，其特征在于，过采样所得的数据被送入重构误差PCA模型提取特征，然后通过PSO-BP算法得到2个安全系数的估计值。2CN108596261A说明书1/3页基于生成对抗网络模型的齿轮参数过采样方法技术领域[0001]本发明涉及大数据领域中的数据采样技术，具体涉及一种基于生成对抗网络模型的齿轮参数过采样方法。背景技术[0002]变速器作为汽车的主要组成部分，严重影响着汽车的稳定性和安全性。而齿轮是变速器中的关键部件，齿轮故障通常是变速器故障的主要原因。齿轮系统复杂、非线性，不能直接反映机械故障与物理参数之间的关系。许多研究致力于提高齿轮的安全性，包括改进其物理结构，寻找其各个物理参数与安全系数之间的关系等等。[0003]现有技术中，汽车制造商通常根据人为的经验和ISO6336标准设计传动齿轮，而且大多数研究采样齿轮尺寸参数来评价齿轮的性能，实际操作时，通常用全尺寸参数相互配合来进行安全系数的评估，由于获取各项数据相对麻烦，一方面评估周期较长，另一方面，因为采样数据的稀缺，导致齿轮安全状态预测精度较低。发明内容[0004]为了解决上述问题，本发明提出一种基于生成对抗网络模型的齿轮参数