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。

说明书

技术领域

本发明属于机械可靠性技术领域，具体涉及一种齿轮剩余寿命预测方法，

背景技术

齿轮是传递运动和动力的机械零部件，依靠电机带动轮齿的逐渐啮合改变运动的大小和方向进而将滚轴间的动力传递下去，多以齿轮箱等封闭形式应用于机械设备中，相对于其它形式的传动机构，齿轮传动传递具有圆周速度和功率的范围广、效率高，能保证恒定的传动比、安全可靠等优点，如今产品性能不断提高，机械设备系统的结构也随之精巧复杂，齿轮在长期负荷运作时很容易出现振动频率高、磨损或断齿、裂纹等故障，研究发现，多数的齿轮箱故障都是由齿轮引起的，齿轮箱运行状态的好坏直接影响机器设备的正常运作，一旦设备零件不能正常运作，有可能损害整台设备甚至影响整个生产过程，造成停机等经济损失，甚至导致灾难性的人员伤亡，因此，对齿轮进行剩余寿命预测，是保障机械设备安全、高效的运作和提高产品质量的重要措施。

发明内容

本发明目的是提供一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，此算法融合了多测点的实时监测信息，增加记忆单元于模糊层节点上，将上一时刻信息记忆并应用到此刻的输出上，有效地提高了网络模型的预测精度，改进的预测模型随着迭代次数的增多，误差相比传统的自适应神经模糊系统降低很多。

本发明是这样实现的，包括以下实施步骤：

步骤1、在齿轮箱内轴承座位置上安装加速度传感器，以获取表征齿轮状态的实时监测数据，在齿轮箱正上方位安装温度传感器，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可表示为：

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，i∈(1,2,3....n)，x_i(t)为采样值；

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控制系统的不足，建立一种模糊信息的模糊神经网络；

步骤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，加强信息的前后关联，降低预测值与实际值的偏差，建立改进型自适应模糊神经网络，输入标记为{x₀,x₁,L,x_t}，隐层的输出标记为{s₀,s₁,L,s_t}，输出标记为{y₀,y₁,L,y_t}，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，如tan或sigmoid函数；U是输入层到隐藏层的权值，W是隐层到隐层的权值，在计算s₀即第一个隐藏层状态，需要用到s_t-1，但不存在，在实现中一般置0；

选取4个变量{x_t-3r,x_t-2r,x_t-r,x_t}，每个变量分配模糊语言变量，如大和小，因此，生成16个if-then模糊规则，如果x₁是A_i^l，x₂是B_i^l，则y^l是通过第l条模糊规则的输出结果，计算过程如下：

第1层：将输入变量模糊化

xi(i＝1,2,3,4.),(j＝1,2.)代表输入变量，是任意的参数化隶属函数，如sigmoid函数：

b,m是前提参数，它的取值变化会影响sigmoid函数的形状，代表输入的隶属函数值，表示输入变量x_i隶属于A_j的程度，加入记忆单元后，

是第二层中反馈的权重，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，

第2层：模糊集运算,即计算各条规则的适用度

第3层：将各条规则的适用度进行归一化处理

第4层：计算各条规则的输出

其中{c_1,l,c_2,l,c_3,l,c_4,l,c_5,l}称为结论参数，

第5层：计算系统的输出

则改进自适应模糊神经网络齿轮剩余寿命预测模型输出为：

改进型自适应模糊神经网络齿轮剩余寿命预测模型采用混合算法修正各参数，先给b,m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,m，预测模型在模糊化的过程中加入参数θ，系统在初次运行时按照上述方式修正各参数，θ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，取值在0.9附近，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；

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。

本发明优点及积极效果：

本发明提出一种改进型自适应模糊神经网络齿轮剩余寿命预测方法，在模糊神经网络的模糊层节点加入记忆单元，能够将上一时刻的包含的设备信息保留到下一时刻并应用到输出上，提高整个模型的预测精度，将本发明应用到齿轮箱体的齿轮剩余寿命预测中，使用样本数据建立预测模型，应用到测试数据上表现出良好的结果，齿轮剩余寿命和各影响因素之间的内在联系和规律，可以对齿轮剩余寿命做出有效预测，本发明提出改进型自适应模糊神经网络齿轮剩余寿命预测方法在收敛性、误差精度、训练速度等方面优于传统的模糊神经网络预测方法。

附图说明

图1为本发明实施例中齿轮实时剩余寿命预测方法流程图；

图2为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型的预测流程图；

图3为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型结构图；

图4为本发明实施例中改进型自适应模糊神经网络结构图；

图5为模型在不同训练次数时训练数据的输出与模型输出的比较图，图5(a)是训练次数为200时，训练数据的输出与模型输出的比较图，图5(b)是训练次数为800时，训练数据的输出与模型输出比较图，图5(c)是训练次数为1000时，训练数据的输出与模型输出比较图；

图6为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，训练数据的输出与模型输出的误差图；图6(a)是训练次数为200时，训练数据输出与模型输出的误差图，图6(b)是训练次数为800时，训练数据输出与模型输出的误差图；图6(c)训练次数为1000时，训练数据输出与模型输出的误差图；

图7为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，测试数据输出与模型输出的比较图；图7(a)是训练次数为200时，测试数据输出与模型输出的比较图，图7(b)是训练次数为800时，测试数据输出与模型输出的比较图；图7(c)训练次数为1000时，测试数据输出与模型输出的比较图；

图8为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型在不同训练次数时，测试数据输出与模型输出的误差图；图8(a)是训练次数为200时，测试数据输出与模型输出的误差图，图8(b)是训练次数为800时，测试数据输出与模型输出的误差图；图8(c)训练次数为1000时，测试数据输出与模型输出的误差图；

图9为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型截取的200组数据中，允许精度为1×e^-4，测试数据输出与模型输出的比较图；

图10为本发明实施例中改进型自适应模糊神经网络齿轮剩余寿命预测模型截取的200组数据中，允许精度为1×e^-4，测试数据输出与模型输出的误差图。

具体实施方式

下面结合附图对本发明一种实施例做进一步说明：

本发明实施例中，基于模糊神经网络的齿轮剩余寿命预测方法，方法流程图如图1所示，包括以下步骤：

步骤1、对齿轮进行疲劳试验，获取表征齿轮退化的实时监测数据：

齿轮疲劳寿命试验采用了功率流封闭式试验台架，试验台的中心距为150mm，电机转速为1200r/min，试验过程对箱体振动、油温和噪音等进行监测，试验中采用材料为合金钢，齿面硬度为58-61HRC的硬齿面齿轮，表面处理为渗碳淬火，采用正反面交错搭接啮合方式，主试箱齿轮模数m＝3，齿数为z1＝z2＝50，压力角α＝20°，齿宽29mm，实际工作齿宽13～14mm；陪试箱齿轮齿数为z3＝z4＝24，压力角α＝20°，工作齿宽20mm，齿轮啮合频率有2个，主试箱齿轮为1000Hz，陪试箱齿轮为480Hz，试验润滑油采用L-CKC320工业闭式齿轮油；

试验共布置11个传感器，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，1号～4号加速度传感器布置在主试箱轴承座的径向，7号和8号加速度传感器布置在主试箱的轴向，5号和6号加速度传感器布置在陪试箱轴承座的径向；9号和10号传感器为声传感器，分别布置在主试箱和陪试箱正上方约40cm处；11号传感器是测试润滑油温度的温度传感器，布置在主试箱体内，试验中测试润滑油温度，采样频率25.6kHz，采样时间60s，采样间隔9min，本试验中采用常规成组法即恒载的方式进行，转矩为822.7N.M，当试验齿轮发生断齿时即判定该齿轮失效；

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；

在进行寿命预测时选择齿轮疲劳试验中离断齿位置最近、且在轴承座位置布置的4号传感器输出的463组振动信号进行特征提取，试验中采样频率25.6kHz，采样时间60s，采样间隔9min，将采样点次数折算为监测时间，4号传感器均方幅值曲线在去除个别奇异点后整体变化趋势可反映试验齿轮各监测点磨损情况与振动能量对应的关系，该曲线包含了从开始磨合阶段到完成疲劳试验在77.2h处发生断齿的振动信号均方幅值，由齿轮疲劳试验可知断齿时均方幅值x_rms(T^*)＝77.375，记为退化阈值，T^*为首次到达故障阈值的时间，T^*＝77.2h，采用4#传感器数据作为改进型自适应模糊神经网络模型输入，均方幅值(Root>rms(Δt)评估齿轮退化特性；

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控制系统的不足，建立一种模糊信息的模糊神经网络；

步骤4、改进型自适应模糊神经网络齿轮剩余寿命预测模型的构建分为模型训练阶段和模型测试阶段，采用前200组数据用于模型训练，将训练数据输入预测模型，训练过程求得网络各参数的最优值，100组数据用于模型测试，允许误差精度为1×e^-4进行齿轮运行状态的预测，

训练得知，隶属函数值的个数影响训练结果，增大个数会减小训练误差，但会增加计算量，本次试验选取5得到较好的训练结果，以下分别为训练次数为200、800、1000时，训练数据的输出与模型输出(图5)、训练数据输出与模型输出误差(图6)、测试数据输出与模型输出(图7)、测试数据输出与模型输出误差(图8)，

由图5、6、7、8可知改进型自适应模糊神经网络齿轮剩余寿命预测模型有着良好的拟合效果，随着训练次数的增加，误差具有良好的收敛性，在参数相同条件下，模糊神经网络齿轮剩余寿命预测模型与改进型自适应模糊神经网络齿轮剩余寿命预测模型的误差精度如表1所示：

表1 2种模型训练误差精度比较

由上表可知，训练次数相同的情况下，改进型自适应模糊神经网络齿轮剩余寿命预测模型比传统模糊神经网络齿轮剩余寿命预测模型的误差精度低，在允许的误差为1×e^-4时，传统的训练误差需要迭代864次，改进型自适应模糊神经网络齿轮剩余寿命预测需迭代424次。

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；

利用改进型自适应模糊神经网络齿轮剩余寿命预测模型可对系统的监测点之后的退化状态进行预测，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，即为预测的齿轮剩余寿命。

综上所述，本发明提出改进型自适应模糊神经网络齿轮剩余寿命预测算法，在模糊层节点加入记忆单元，能够将上一时刻的包含的设备信息保留到下一时刻并应用到输出上，在收敛性、误差精度、训练速度等方面优于传统的模糊神经网络，可以提高实时剩余寿命预测准确度。