[發(fā)明專利]基于邊界約束生成對(duì)抗網(wǎng)絡(luò)的齒輪可靠性分析系統(tǒng)

有效

• 申請(qǐng)?zhí)枺?/td>: 201811116526.0
• 申請(qǐng)日: 2018-09-25
• 公開（公告）號(hào): CN109214103B
• 公開（公告）日: 2023-01-20
• 發(fā)明（設(shè)計(jì)）人: 利節(jié);孫宇;姜艷軍;龔為倫;劉垚;何宏黎;陳瑤
• 申請(qǐng)（專利權(quán)）人: 重慶青山工業(yè)有限責(zé)任公司;重慶科技學(xué)院
• 主分類號(hào): G06F30/17
• 分類號(hào): G06F30/17;G06F30/15;G06F30/27;G06F18/2415;G06N3/0475;G06N3/047;G06N3/094;G06F111/04
• 代理公司: 成都時(shí)譽(yù)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51250
• 代理人: 陳千

本發(fā)明提供一種基于邊界約束生成對(duì)抗網(wǎng)絡(luò)的齒輪可靠性分析系統(tǒng)，其特征在于包括：原始數(shù)據(jù)采樣模塊、生成對(duì)抗網(wǎng)絡(luò)模塊、均值協(xié)方差標(biāo)記模塊以及分類器，其中：原始數(shù)據(jù)采樣模塊：用于獲取齒輪原始參數(shù)并對(duì)其進(jìn)行歸一化處理；生成對(duì)抗網(wǎng)絡(luò)模塊：包括生成器和判別器，在生成器和判別器之間還設(shè)置有邊界約束模塊；均值協(xié)方差標(biāo)記模塊：用于對(duì)生成對(duì)抗網(wǎng)絡(luò)模塊最終的生成數(shù)據(jù)進(jìn)行標(biāo)記；分類器：選擇部分原始參數(shù)和部分標(biāo)記后的生成數(shù)據(jù)作為最終的合成數(shù)據(jù)集進(jìn)行安全性能分類。其效果是：能夠生成更多的實(shí)例數(shù)據(jù)，并對(duì)其進(jìn)行有效的標(biāo)記，采用帶約束GAN產(chǎn)生的數(shù)據(jù)具有更好的可靠性分類能力。

技術(shù)領(lǐng)域

本發(fā)明涉及機(jī)械設(shè)備可靠性分析技術(shù)，具體涉及一種基于邊界約束生成對(duì)抗網(wǎng)絡(luò)的齒輪可靠性分析系統(tǒng)。

背景技術(shù)

傳動(dòng)齒輪為車輛提供主要的傳遞動(dòng)力，并調(diào)節(jié)車輛運(yùn)動(dòng)的速度和方向。由于齒輪的維修過程復(fù)雜，因此其維修和停機(jī)成本較高。60％以上的傳動(dòng)故障是由齒輪引起的，齒輪可靠性是評(píng)價(jià)齒輪安全性的關(guān)鍵指標(biāo)。因此，對(duì)齒輪參數(shù)的安全可靠性進(jìn)行精確分類是保證傳動(dòng)運(yùn)行的關(guān)鍵。

然而，具有全尺寸參數(shù)的齒輪數(shù)據(jù)的不足導(dǎo)致錯(cuò)誤分類率高。在實(shí)踐中，齒輪參數(shù)通過四個(gè)步驟獲得。首先，用經(jīng)驗(yàn)值初始化齒輪參數(shù)。其次，用大量帶有初始參數(shù)的復(fù)雜方程計(jì)算齒輪安全系數(shù)。只有當(dāng)這些系數(shù)保持在一個(gè)可接受的范圍內(nèi)時(shí)，相應(yīng)的參數(shù)才是有效和合格的。然后，以合格的齒輪參數(shù)生產(chǎn)傳動(dòng)齒輪。在各種條件下在測(cè)試平臺(tái)上進(jìn)行傳動(dòng)操作。最后，收集來(lái)自合格傳統(tǒng)的齒輪參數(shù)。顯然，第一步的初始值對(duì)整個(gè)過程有重大影響。實(shí)際上，由于齒輪設(shè)計(jì)人員通過微調(diào)參數(shù)來(lái)保證齒輪的可靠性，因此經(jīng)驗(yàn)值非常接近，這導(dǎo)致了所收集齒輪數(shù)據(jù)的高密度。同時(shí)，由于這些復(fù)雜和高成本的程序，可靠的齒輪數(shù)據(jù)嚴(yán)重不足。因此，有必要生成可靠的實(shí)例來(lái)提高傳動(dòng)裝置的可靠性分類準(zhǔn)確性。

數(shù)據(jù)生成問題通常采用兩個(gè)主要方案來(lái)解決：過采樣方法和生成模型。過采樣是擴(kuò)大數(shù)據(jù)不足的生產(chǎn)機(jī)制。將一組實(shí)例添加到少數(shù)類中直到樣本達(dá)到所需的大小。合成少數(shù)群體過采樣技術(shù)(SMOTE)是一種典型的過采樣方法，它利用歐氏距離來(lái)尋找實(shí)例的類內(nèi)k近鄰，再?gòu)膶?shí)例到它們的k近鄰的方向上隨機(jī)生成新實(shí)例。基于這種策略，SMOTE的變體被用于來(lái)生成數(shù)據(jù)。此外，工業(yè)中的數(shù)據(jù)不足大多也是通過過采樣技術(shù)解決的，例如功率因數(shù)校正轉(zhuǎn)換器、AMB轉(zhuǎn)子系統(tǒng)、電池管理系統(tǒng)、電力系統(tǒng)、電機(jī)軸承、硬盤驅(qū)動(dòng)器和感應(yīng)電動(dòng)機(jī)。然而，大多數(shù)過度抽樣方法只會(huì)擴(kuò)大少量數(shù)據(jù)，并在現(xiàn)有數(shù)據(jù)空間內(nèi)產(chǎn)生實(shí)例。這些技術(shù)在管理高密度數(shù)據(jù)集的同時(shí)，也帶來(lái)了重疊的問題。在這種情況下，對(duì)于實(shí)例數(shù)量少且密度高的齒輪數(shù)據(jù)，這些過采樣方法無(wú)法有效執(zhí)行。

生成模型在聯(lián)合概率分布的基礎(chǔ)上學(xué)習(xí)數(shù)據(jù)固有性。這些模型利用觀察到的性質(zhì)來(lái)估計(jì)概率密度或質(zhì)量函數(shù)。根據(jù)估計(jì)的分布，生成模型在整個(gè)數(shù)據(jù)空間上產(chǎn)生實(shí)例，而不僅僅是少量數(shù)據(jù)。生成對(duì)抗網(wǎng)絡(luò)(GAN)是一種流行的生成模型，因其在圖像分類和語(yǔ)義分析方面的優(yōu)越性能而備受關(guān)注。

GAN有兩個(gè)網(wǎng)絡(luò)，分別稱為生成器和判別器。在生成器中，隱式使用噪聲變量來(lái)探索固有分布，該分布被映射到原始數(shù)據(jù)的空間中。合成數(shù)據(jù)是在獲知的分布之后隨機(jī)生成的。在判別器中，通過計(jì)算被測(cè)試實(shí)例屬于原始或合成數(shù)據(jù)的概率來(lái)識(shí)別實(shí)例。兩個(gè)網(wǎng)絡(luò)相互競(jìng)爭(zhēng)直到達(dá)到平衡。此外，還研究了GAN的變化，如信息條件下的條件GAN(CGAN)、互信息最大化的InfoGAN、具有編碼器和解碼器邊界的邊界平衡GAN(BEGAN)、具有WaSersin距離的Wasserstein GAN(WGAN)。

然而，利用GAN模型生成齒輪數(shù)據(jù)存在三個(gè)問題。首先，GAN及其變體產(chǎn)生數(shù)據(jù)，不考慮生成的數(shù)據(jù)的范圍。齒輪參數(shù)的邊界具有實(shí)際意義，并且必須控制在特定的域內(nèi)。其次，使用GAN生成的數(shù)據(jù)在實(shí)例中沒有分類標(biāo)簽，不能直接用于分類器。雖然在一個(gè)類中使用實(shí)例作為GAN的輸入可以標(biāo)記生成的數(shù)據(jù)，但是由于每個(gè)類的不足，它不能保證學(xué)習(xí)分配的效率。第三，在傳統(tǒng)的GAN中，利用梯度下降來(lái)更新兩個(gè)網(wǎng)絡(luò)的權(quán)重和偏差，由于目標(biāo)函數(shù)的非凸性，容易產(chǎn)生收斂困難。此外，鑒別器使用嚴(yán)格的目標(biāo)來(lái)識(shí)別原始和合成數(shù)據(jù)，這易于發(fā)生網(wǎng)絡(luò)漏洞。

發(fā)明內(nèi)容