[發明專利]一種齒輪箱軸承剩余壽命的預測方法有效
| 申請號: | 202110461409.3 | 申請日: | 2021-04-27 |
| 公開(公告)號: | CN113255209B | 公開(公告)日: | 2022-06-07 |
| 發明(設計)人: | 江國乾;周文達;謝平;李小俚;趙小川;李英偉;李陳 | 申請(專利權)人: | 燕山大學 |
| 主分類號: | G06F30/27 | 分類號: | G06F30/27;G01M13/045;G06N3/04;G06N3/08;G06F119/04 |
| 代理公司: | 石家莊眾志華清知識產權事務所(特殊普通合伙) 13123 | 代理人: | 張建 |
| 地址: | 066004 河北*** | 國省代碼: | 河北;13 |
| 權利要求書: | 查看更多 | 說明書: | 查看更多 |
| 摘要: | |||
| 搜索關鍵詞: | 一種 齒輪箱 軸承 剩余 壽命 預測 方法 | ||
1.一種齒輪箱軸承剩余壽命的預測方法,其特征在于包括以下步驟:
步驟S1:利用加速度傳感器采集齒輪箱軸承的多通道振動信號,通過電流鉗從發電機輸出端獲取多通道定子電流信號,并進行數據預處理;
步驟S2:針對多通道振動信號和多通道定子電流信號分別設計深度卷積網絡空間特征學習模塊,對每一個時間點進行多傳感器特征的融合提取,得到多通道振動信號和多通道定子電流信號的特征時序序列,并在通道維度上進行拼接;
步驟S3:設計基于注意力機制的加權融合層,動態加權融合特征;
步驟S4:將融合后的特征序列輸入到雙向長短時記憶網絡中,進一步提取時間維度的特征,輸出多視角時空融合特征;
步驟S5:構建Dense回歸層,將多視角時空融合特征輸入到Dense回歸層中,輸出得到齒輪箱軸承的剩余壽命預測結果。
2.根據權利要求1所述的一種齒輪箱軸承剩余壽命的預測方法,其特征在于:所述步驟S1包括如下具體步驟:
步驟S11、所得到的多通道振動信號和多通道定子電流信號的數據大小分別為H1×1×C1和H2×1×C2,其中H1、C1分別表示多通道振動信號的長度和通道數,H2、C2分別表示多通道定子電流信號的長度和通道數;
步驟S12、對數據在時序上進行等距索引以減少數據量,步長為M;
步驟S13、進行滑窗處理以充分提取時序特征信息,窗口大小為W,進一步經過最大最小值歸一化處理后,最終得到的數據大小為:
H1/(M*W)×1×C1,H2/(M*W)×1×C2,計算公式如下:
其中yij是標準化處理后的多通道時間序列中通道j的第i個值,xij是原始多通道時間序列中通道j的第i個值,min(xj)和max(xj)分別是通道j的最小值和最大值。
3.根據權利要求1所述的一種齒輪箱軸承剩余壽命的預測方法,其特征在于:所述步驟S2包括如下具體步驟:
步驟S21、針對多通道振動信號和多通道定子電流信號不同的特點分別設計深度卷積網絡空間特征學習模塊,卷積層采用ReLU作為激活函數,并在模塊內添加Dropout層和批標準化層以提高模型的訓練效果,從而獲得信號的空間特征圖;多通道振動信號的深度卷積神經網絡共有3個卷積層,卷積層的卷積核大小為F1×1,數量為N1;多通道定子電流信號的深度卷積神經網絡共有3個卷積層,卷積層的卷積核大小為Fi×1,數量為N2,第l個卷積層的第n個特征圖可表示為xln;
步驟S22、分別對處理后的多通道振動信號和多通道定子電流信號的每個時間點t0,t1,…tn分別進行空間特征提取,最終得到多通道振動信號和多通道定子電流信號的時序特征序列;
步驟S23、將所得到的多通道振動信號和多通道定子電流信號的時序特征序列在通道維度上進行拼接,以保持特征序列的時序關系。
4.根據權利要求3所述的一種齒輪箱軸承剩余壽命的預測方法,其特征在于:所述步驟S3包括如下具體步驟:
步驟S31、將步驟S2中得到的時序特征序列進行全局平均池化處理,聚合每個通道的全局信息,計算公式如下
zl代表更新后的特征圖,I為每個特征序列的長度;
步驟S32、通過多層感知機和hard sigmoid激活函數得到通道權重,和輸入相乘后得到每個時間點的加權融合后的特征序列。
5.根據權利要求1所述的一種齒輪箱軸承剩余壽命的預測方法,其特征在于:所述步驟S4包括如下具體步驟:
采用雙向長短時記憶網絡來提取時序特征信息,以達到時空特征融合的目的。
該專利技術資料僅供研究查看技術是否侵權等信息,商用須獲得專利權人授權。該專利全部權利屬于燕山大學,未經燕山大學許可,擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作,請聯系【客服】
本文鏈接:http://www.szxzyx.cn/pat/books/202110461409.3/1.html,轉載請聲明來源鉆瓜專利網。





