[發(fā)明專利]基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法及系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202110672801.2
• 申請(qǐng)日: 2021-06-17
• 公開(kāi)（公告）號(hào): CN113297704A
• 公開(kāi)（公告）日: 2021-08-24
• 發(fā)明（設(shè)計(jì)）人: 陶建峰;李彬;覃程錦;劉成良;丁浩倫;余宏淦
• 申請(qǐng)（專利權(quán)）人: 上海交通大學(xué);上海智能制造功能平臺(tái)有限公司
• 主分類(lèi)號(hào): G06F30/17
• 分類(lèi)號(hào): G06F30/17;G06F30/27;G06N3/04;G06N3/063;G06N3/08
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

1.一種基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法，其特征在于，包括：

步驟S1：搭建諧波減速器加速壽命試驗(yàn)平臺(tái)，采集諧波減速器處于正常運(yùn)行狀態(tài)下的運(yùn)行及監(jiān)測(cè)參數(shù)；

步驟S2：基于采集到的諧波減速器運(yùn)行及監(jiān)測(cè)參數(shù)構(gòu)造數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集；

步驟S3：將預(yù)處理后的數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

步驟S4：利用訓(xùn)練集訓(xùn)練混合深度神經(jīng)網(wǎng)絡(luò)并得到對(duì)應(yīng)的權(quán)重與偏置，得到訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)；

步驟S5：利用訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)驗(yàn)證集的功率信號(hào)，計(jì)算驗(yàn)證集數(shù)據(jù)的預(yù)測(cè)誤差，當(dāng)預(yù)測(cè)誤差未滿足預(yù)設(shè)要求時(shí)，調(diào)整訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)的超參數(shù)，直至預(yù)測(cè)誤差滿足預(yù)設(shè)要求，保存當(dāng)前調(diào)整后訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)；

步驟S6：將對(duì)應(yīng)測(cè)試集數(shù)據(jù)輸入調(diào)整后訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)，對(duì)下一時(shí)刻功率信號(hào)進(jìn)行預(yù)測(cè)。

2.根據(jù)權(quán)利要求1所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法，其特征在于，所述采集諧波減速器處于正常運(yùn)行狀態(tài)下的運(yùn)行及監(jiān)測(cè)參數(shù)包括：變頻電機(jī)、磁粉制動(dòng)器以及傳感器的運(yùn)行及監(jiān)測(cè)參數(shù)；

所述運(yùn)行及監(jiān)測(cè)參數(shù)包括：輸入扭矩轉(zhuǎn)速、溫度、X軸、Y軸以及Z軸三個(gè)方向加速度、輸出扭矩轉(zhuǎn)速以及功率信號(hào)。

3.根據(jù)權(quán)利要求1所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法，其特征在于，所述步驟S2中對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理包括：使用最大最小規(guī)范化方法對(duì)數(shù)據(jù)集進(jìn)行歸一化處理，得到預(yù)處理后的數(shù)據(jù)集。

4.根據(jù)權(quán)利要求1所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法，其特征在于，所述混合深度神經(jīng)網(wǎng)絡(luò)包括：利用卷積神經(jīng)網(wǎng)絡(luò)分支和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)分支分別提取狀態(tài)監(jiān)測(cè)數(shù)據(jù)的空間特征和雙向時(shí)序依賴特征，并將卷積神經(jīng)網(wǎng)絡(luò)和雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)的輸出連接起來(lái)，經(jīng)過(guò)預(yù)設(shè)層的全連接層網(wǎng)絡(luò)，得到混合深度神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果；

所述卷積神經(jīng)網(wǎng)絡(luò)分支包括預(yù)設(shè)層CNN卷積層、預(yù)設(shè)層最大池化操作層以及預(yù)設(shè)層扁平化操作層；所述卷積神經(jīng)網(wǎng)絡(luò)用來(lái)過(guò)濾輸入數(shù)據(jù)的噪聲和提取監(jiān)測(cè)數(shù)據(jù)的空間特征；

所述雙向長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)分支包括預(yù)設(shè)層BiLSTM層堆疊，所述BiLSTM層在訓(xùn)練混合深度神經(jīng)網(wǎng)絡(luò)時(shí)避免梯度消失和梯度爆炸，同時(shí)提取監(jiān)測(cè)數(shù)據(jù)的時(shí)序特征。

5.根據(jù)權(quán)利要求4所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)方法，其特征在于，所述步驟S4包括：初始化混合深度神經(jīng)網(wǎng)絡(luò)中包括CNN卷積層、BiLSTM層以及全連接層的參數(shù)，使用隨機(jī)梯度下降A(chǔ)dam算法優(yōu)化混合深度神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)以及偏置，直至損失函數(shù)最小。

6.一種基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)系統(tǒng)，其特征在于，包括：

模塊M1：搭建諧波減速器加速壽命試驗(yàn)平臺(tái)，采集諧波減速器處于正常運(yùn)行狀態(tài)下的運(yùn)行及監(jiān)測(cè)參數(shù)；

模塊M2：基于采集到的諧波減速器運(yùn)行及監(jiān)測(cè)參數(shù)構(gòu)造數(shù)據(jù)集，并對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)集；

模塊M3：將預(yù)處理后的數(shù)據(jù)集按照預(yù)設(shè)比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

模塊M4：利用訓(xùn)練集訓(xùn)練混合深度神經(jīng)網(wǎng)絡(luò)并得到對(duì)應(yīng)的權(quán)重與偏置，得到訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)；

模塊M5：利用訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)驗(yàn)證集的功率信號(hào)，計(jì)算驗(yàn)證集數(shù)據(jù)的預(yù)測(cè)誤差，當(dāng)預(yù)測(cè)誤差未滿足預(yù)設(shè)要求時(shí)，調(diào)整訓(xùn)練后的混合深度神經(jīng)網(wǎng)絡(luò)的超參數(shù)，直至預(yù)測(cè)誤差滿足預(yù)設(shè)要求，保存當(dāng)前調(diào)整后訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)；

模塊M6：將對(duì)應(yīng)測(cè)試集數(shù)據(jù)輸入調(diào)整后訓(xùn)練好的混合深度神經(jīng)網(wǎng)絡(luò)，對(duì)下一時(shí)刻功率信號(hào)進(jìn)行預(yù)測(cè)。

7.根據(jù)權(quán)利要求6所述的基于混合深度神經(jīng)網(wǎng)絡(luò)的諧波減速器功率實(shí)時(shí)預(yù)測(cè)系統(tǒng)，其特征在于，所述采集諧波減速器處于正常運(yùn)行狀態(tài)下的運(yùn)行及監(jiān)測(cè)參數(shù)包括：變頻電機(jī)、磁粉制動(dòng)器以及傳感器的運(yùn)行及監(jiān)測(cè)參數(shù)；

所述運(yùn)行及監(jiān)測(cè)參數(shù)包括：輸入扭矩轉(zhuǎn)速、溫度、X軸、Y軸以及Z軸三個(gè)方向加速度、輸出扭矩轉(zhuǎn)速以及功率信號(hào)。