[发明专利]基于长短期记忆网络的齿轮剩余寿命预测方法

摘要

本发明基于长短期记忆网络的齿轮剩余寿命预测方法属于大数据和智能制造领域，解决了现有RNN算法无法解决长时依赖和循环神经网络容易出现梯度爆炸或是梯度消散等现象的问题，采用算法的具体步骤如下：1、利用传感器对动力齿轮退化实时监测；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、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型；4、基于LSTM预测模型的参数优选；5、根据齿轮状态估计及已知的齿轮故障阈值进行齿轮剩余寿命预测，本发明的优点是可有效的预测齿轮退化状态及实时剩余寿命的准确度，为齿轮预测性维修提供依据。

主权项

1.基于长短期记忆网络的齿轮剩余寿命预测方法，其特征在于，具体步骤如下：步骤1、在齿轮箱安装传感器，获取齿轮弯曲疲劳的实时监测数据；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，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；利用均方幅值对齿轮磨损状态变化进行性能衰退评估，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可表示为：式中Δt为采用时间；n＝Fs×Δt，Fs为采样频率，n为采样点数，∑表示求和，i∈(1,2,3....n)，xi(t)为采样值；步骤3、建立基于LSTM的齿轮弯曲疲劳的实时监测数据预测模型；步骤4、基于LSTM预测模型的进行参数优选；步骤5、根据齿轮状态估计及已知的齿轮故障阈值进行齿轮剩余寿命预测：加速度传感器接收到的振动数据经过特征提取后的数据作为模型输入，采用改进型LSTM模型进行齿轮剩余寿命预测，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，将采样点数折算成时间，引用绝对误差百分比(Absolute Percentage Error,APE)其中，TRUL为模型预测的剩余寿命，Ta＝T*‑tp式中，tp表示当前时刻，Ta为齿轮的实际剩余寿命，T*为齿轮首次到达故障阈值的时间。