[发明专利]一种自适应模糊神经网络齿轮剩余寿命预测方法

摘要

一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，属于机械可靠性技术领域，特征是实施步骤如下：1、利用振动传感器对齿轮退化实时监测；2、对齿轮疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；3、将模糊系统和神经网络结合，用神经网络自学习机制补偿模糊控制系统的不足，建立一种模糊信息模糊神经网络；4、在模糊处理层所有节点加入记忆单元，将上一时刻信息记忆并应用到此刻的输出上，使信息持续保存，加强信息前后关联，降低预测值与实际值偏差，建立改进型自适应模糊神经网络预测系统；5、根据训练改进型自适应模糊神经网络预测齿轮剩余寿命；优点是可有效地预测齿轮退化状态及实时剩余寿命，为齿轮预防性维修提供依据。

主权项

1.一种自适应模糊神经网络齿轮剩余寿命预测方法，其特征在于实施步骤是：/n步骤1、在齿轮箱安装加速度传感器，获取表征齿轮状态的实时监测数据；/n加速度传感器安装在主试箱的轴承座位置，在齿轮箱内安装温度传感器，在主试箱的正上方安装噪声传感器，/n步骤2、对齿轮的疲劳状态进行特征提取，对齿轮磨损退化性能进行衰退评估；/n利用均方幅值对齿轮磨损退化性能进行衰退评估，对于每次采样时间Δt长度内，离散随机信号的时间序列均方幅值x_rms(Δt)可表示为：/n /n式中Δt为采样时间；n＝F_s×Δt，F_s为采样频率，n为采样点数，∑表示求和，s∈(1,2,3....n)，x_s(t)为采样值；/n步骤3、将模糊系统和神经网络结合，用神经网络的自学习机制补偿模糊系统的不足，建立一种可处理模糊信息的模糊神经网络；/n步骤4、建立一种可处理模糊信息的模糊神经网络，在模糊处理层所有节点加入记忆单元，将上一时刻信息记忆并且应用到当前时刻的输出上，使信息持续保存，加强信息的前后关联，建立一种改进型自适应模糊神经网络，自适应处理模糊信息，神经网络输入标记为{x₀,x₁,…,x_t}，隐藏层的输出标记为{s₀,s₁,…,s_t}，输出标记为{y₀,y₁,…,y_t}，x₀,x₁,…,x_t表示神经网络从0到第t步的输入层变量，s₀,s₁,…,s_t表示从0到第t步的隐藏层变量，y₀,y₁,…,y_t表示从0到第t步的输出层变量，信息流从输入层到隐藏层最后到输出层，加入记忆单元后，会引导信息从输出单元返回隐藏层单元，隐藏层的输入不仅有该层输入，还包含上一隐藏层的状态，即隐藏层的节点互连也可自连，s_t为隐藏层的第t步状态，s_t＝f(Ux_t+Ws_t-1)，其中f是激活函数，U是输入层到隐藏层的权值，W是隐藏层到隐藏层的权值，在计算s₁即第一个隐藏层状态，需要用到s₀，但不存在，在实现中置0，/n第1层：选取4个变量{x_t-3r,x_t-2r,x_t-r,x_t}，其中x_t-3r,x_t-2r,x_t-r,x_t为4个输入状态变量，A_j,B_j为每个输入分配2个隶属度函数值，即j＝1,2，可生成16个if-then模糊规则，模糊规则为输入变量的线性组合，如果x₁是A_j，x₂是B_j，则y_l＝c_1,lx₂+c_2,lx₁+c_3,l，式中l＝1,2,3,4，c_1,l,c_2,l,c_3,l为结论参数，y_l为通过第l条模糊规则输出结果，是通过第1层模糊规则的输出结果，将输入变量模糊化为：/n /n式中x_i代表输入变量，是任意的参数化隶属函数，取为sigmoid函数，/n /n加入记忆单元后，/n /n /n 代表加入记忆单元后输入的隶属函数值，表示输入变量x_i隶属于A_j的程度，exp表示底数为以自然常数e为底的指数函数，b_ji，m_ji是前提参数，它的取值变化会影响sigmoid函数的形状，x_i⁽¹⁾是第1层输入变量，x_i⁽²⁾是第2层输入变量，θ_ji⁽²⁾是第2层中反馈的权重，初值为0，在迭代过程中不断优化，是一个延迟单元，能够将上一时刻数据中所包含的设备状态信息保留到下一时刻，/n第2层：模糊集运算，即计算各条规则的适用度，/n /n通过第2层模糊规则的输出结果记为也简化记为ω_l，Π为乘积符号，/n第3层：将各条规则的适用度进行归一化处理，/n /n通过第3层模糊规则的输出结果记为也简化记为∑为求和号，/n第4层：计算各条规则的输出，/n /n其中通过第4层模糊规则的输出结果记为c_1,l,c_2,l,c_3,l,c_4,l,c_5,l称为结论参数，f_l＝c_1,lx₄+c_2,lx₃+c_3,lx₂+c_4,lx₁+c_5,l为输入变量的线性组合，/n第5层：计算系统的输出，/n /n其中通过第5层模糊规则的输出结果记为/n则改进型自适应模糊神经网络预测模型输出结果记为Y：/n /n将训练数据输入网络采用混合算法训练网络修正各参数，先给b_ji，m_ji赋予初值，由最小二乘法估算c_1,l,c_2,l,c_3,l,c_4,l,c_5,l，最后使用梯度下降法反向传播系统误差以修正b_ji，m_ji，改进型自适应模糊神经网络预测模型在模糊化的过程中加入参数θ_ji⁽²⁾，系统在初次运行时按照上述方式修正各参数，θ_ji⁽²⁾为0；当迭代开始后，会将上一时刻模糊化的值卷入到此刻的模糊化输出中，取值为0.9，利用神经网络自学习能力自动从训练样本中学习修正权值变量，调整隶属度函数，生成模糊规则，通过不断学习使模型的响应不断逼近实际输出；/n步骤5、利用训练的改进型自适应模糊神经网络预测模型输入测试数据预测齿轮状态，通过预测到的退化状态值及已知的退化状态故障阈值可求解首次到达故障阈值的时间。/n