一种齿轮剩余使用寿命预测方法与系统

技术领域

本发明涉及零件寿命预测技术领域，特别是涉及一种齿轮剩余使用寿命预测方法与系统。

背景技术

齿轮作为旋转机械设备中关键的传动零部件，已被广泛应用于航空航天、交通运输、矿山开采、高端数控机床以及国防军工等领域。由于齿轮的材料以及加工方式，装配误差以及复杂的工作环境，导致齿轮在长期运行后极易出现性能衰退或发生严重的故障。其中，闭式齿轮传动中会发生点蚀、胶合和断齿等故障，在开式齿轮传动中会发生磨粒磨损等故障。据统计，在机械设备中由齿轮造成的故障占齿轮箱故障的60％，主要故障为齿面点蚀，一些极端情况下会造成齿根断裂。究其原因是齿轮传动时的相对摩擦使齿面磨损，在高压油的作用下进而造成齿面剥落，出现点蚀现象。在出现小面积点蚀后，齿轮会在转动中产生额外的不稳定振动，进而继续影响齿面形态，造成齿轮损坏，最终使整个设备停机，导致生产停止。齿轮的健康状态制约着整个旋转机械设备的可靠性、安全性和高效性。因此，有必要研究齿轮的剩余使用寿命预测方法，通过预测得到的可靠的剩余使用寿命不仅可以保证零部件和传动系统及时得到检查和维修，避免资源浪费，而且还可以避免灾难性事故和人员伤亡，确保机械设备安全高效地生产工作。

旋转机械设备中传动系统的齿轮健康状态可以通过采集振动信号来有效反映，所以现有的技术可以利用采集得到的原始振动信号来构建其健康特征指标来表征齿轮的性能退化趋势，并以此健康特征指标进行齿轮的剩余使用寿命预测。但是实际工程应用中难以收集到足够多的振动信号数据，并且当在一个工况下训练得到的健康特征指标构建模型用于其他工况下健康特征指标构建时，得到的健康特征指标不能很好地表征齿轮的性能退化，进而使得预测到的剩余使用寿命并不准确。

发明内容

本发明的目的是提供一种齿轮剩余使用寿命预测方法与系统，可提高齿轮剩余使用寿命的预测精度。

为实现上述目的，本发明提供了如下方案：

一种齿轮剩余使用寿命预测方法，包括：

以设定采样频率，获取待预测齿轮全生命周期中的振动信号得到多个振动信号；

将各所述振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；所述健康特征指标集合中包括每个振动信号对应的健康特征指标；

根据所述健康特征指标集合确定健康特征指标向量和训练向量；所述健康特征指标向量为所述健康特征指标集合中所有健康特征指标组成的向量的转置；所述训练向量为所述健康特征指标集合中前目标数量个健康特征指标组成的向量的转置；

基于所述训练向量构建Hankel矩阵，所述Hankel矩阵有i+1行，其中i为多分层长期记忆增强网络模型输入层单元总数；

将所述Hankel矩阵的前i行作为所述多分层长期记忆增强网络模型的输入，以所述Hankel矩阵的第i+1行作为所述多分层长期记忆增强网络模型的输出，对所述多分层长期记忆增强网络模型进行训练得到训练好的多分层长期记忆增强网络模型；

将所述训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到下一时刻的健康特征指标向量；

在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻。

一种齿轮剩余使用寿命预测系统，包括：

采样模块，用于以设定采样频率，获取待预测齿轮全生命周期中的振动信号得到多个振动信号；

健康特征指标集合确定模块，用于将各所述振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；所述健康特征指标集合中包括每个振动信号对应的健康特征指标；

向量确定模块，用于根据所述健康特征指标集合确定健康特征指标向量和训练向量；所述健康特征指标向量为所述健康特征指标集合中所有健康特征指标组成的向量的转置；所述训练向量为所述健康特征指标集合中前目标数量个健康特征指标组成的向量的转置；

矩阵构建模块，用于基于所述训练向量构建Hankel矩阵，所述Hankel矩阵有i+1行，其中i为多分层长期记忆增强网络模型输入层单元总数；

训练模块，用于将所述Hankel矩阵的前i行作为所述多分层长期记忆增强网络模型的输入，以所述Hankel矩阵的第i+1行作为所述多分层长期记忆增强网络模型的输出，对所述多分层长期记忆增强网络模型进行训练得到训练好的多分层长期记忆增强网络模型；

剩余使用寿命预测模块，用于在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明以原始振动信号数据作为基于二次函数的多尺度深度卷积自编码器网络的输入并利用最大均值差异(MMD)度量准则来迁移构建齿轮的健康特征指标，并将构建好的健康特征指标用于齿轮的剩余使用寿命预测，提高齿轮剩余使用寿命的预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例提供的一种齿轮剩余使用寿命预测方法的流程图；

图2为本发明实施例提供的基于二次函数的多尺度深度卷积自编码器网络结构图；

图3为本发明实施例提供的第一Inception模块和第二Inception模块的具体结构图；

图4为本发明实施例提供的多分层长期记忆增强网络模型结构图；

图5为本发明实施例提供的齿轮剩余使用寿命预测方法流程示意图；

图6为本发明实施例提供的齿轮接触疲劳试验台结构图；

图7为本发明实施例提供的采样120个预测点时的失效阈值、训练值、预测值与实际值的对比结果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

在本发明中构建损失函数来训练基于二次函数的多尺度深度卷积自编码器网络，进而训练好的网络模型可以用于不同工况下齿轮的健康特征指标的构建，利用了最大均值差异(MMD)度量准则来迁移构建齿轮的健康特征指标，以原始振动信号数据作为基于二次函数的多尺度深度卷积自编码器网络的输入，并将构建好的健康特征指标用于齿轮的剩余使用寿命预测，利用迁移学习技术实现在不同工况下对齿轮进行有效的健康特征指标构建，进而提高剩余使用寿命预测的精度。

本发明实施例提供的齿轮剩余使用寿命预测方法大体步骤为：首先，通过安装在齿轮接触疲劳试验台上的加速度传感器来采集齿轮的振动信号，通过对振动信号进行预处理得到预处理后数据，将该数据输入基于二次函数的多尺度深度卷积自编码器网络中构建齿轮的健康特征指标，最后将该健康特征指标输入到多分层长期记忆增强网络中进行剩余使用寿命预测。如图1所示，所述方法的具体过程包括：

步骤101：以设定采样频率，获取待预测齿轮全生命周期中的振动信号得到多个振动信号。

步骤102：将各所述振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合。所述健康特征指标集合中包括每个振动信号对应的健康特征指标。

步骤103：根据所述健康特征指标集合确定健康特征指标向量和训练向量；所述健康特征指标向量为所述健康特征指标集合中所有健康特征指标组成的向量的转置；所述训练向量为所述健康特征指标集合中前目标数量个健康特征指标组成的向量的转置。

步骤104：基于所述训练向量构建Hankel矩阵。所述Hankel矩阵有i+1行，其中i为多分层长期记忆增强网络模型(MLMA-Net)输入层单元总数。

步骤105：将所述Hankel矩阵的前i行作为所述多分层长期记忆增强网络模型的输入，以所述Hankel矩阵的第i+1行作为所述多分层长期记忆增强网络模型的输出，对所述多分层长期记忆增强网络模型进行训练得到训练好的多分层长期记忆增强网络模型。

步骤106：在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻。

在实际应用中，在步骤102之前还包括：将振动信号进行预处理。

在实际应用中，所述基于二次函数的多尺度深度卷积自编码器网络如图2所示具体包括：

依次连接的第一模块、第一卷积层、第一最大池化层、第一上采样层、第二卷积层、第二模块、第二上采样层、第三卷积层和第四卷积层；所述第一模块包括多个依次连接的第一单元，所述第一单元包括依次连接的第一Inception模块和第二最大池化层；所述第二模块包括多个依次连接的第二单元，所述第二单元包括依次连接的第三上采样层和第二Inception模块，第一Inception模块和第二Inception模块的结构如图3所示。

在实际应用中，在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻，具体步骤为：

健康特征指标集合的长度是K，用前k个数据构成训练向量，根据训练向量构建Hankel矩阵训练多分层长期记忆增强网络模型，模型的输入层单元数为i，训练完后，在第一迭代次数下，将训练向量的后i个数据(k-i至k)作为输入来预测第k+1点的数据，此时第k+1点的数据并不小于设定的失效阈值，然后进入下次迭代用k-i+1至k+1的数据来预测第k+2点的数据，此时第k+2点的数据并不小于设定的失效阈值，然后进入下次迭代，以此类推，当预测到s点时，该点的数据的值小于设定的失效阈值，那么此时共迭代了(s-k)次，剩余寿命就等于(s-k)乘以(采集一个振动信号所用的时长+振动信号的采样间隔时间)。

在实际应用中，所述多分层长期记忆增强网络模型如图4所示，具体为：

其中，f

针对上述方法本发明实施例还提供了一种齿轮剩余使用寿命预测系统，包括：

采样模块，用于以设定采样频率，获取待预测齿轮全生命周期中的振动信号得到多个振动信号。

健康特征指标集合确定模块，用于将各所述振动信号分别输入训练好的基于二次函数的多尺度深度卷积自编码器网络中得到健康特征指标集合；所述健康特征指标集合中包括每个振动信号对应的健康特征指标。

向量确定模块，用于根据所述健康特征指标集合确定健康特征指标向量和训练向量；所述健康特征指标向量为所述健康特征指标集合中所有健康特征指标组成的向量的转置；所述训练向量为所述健康特征指标集合中前目标数量个健康特征指标组成的向量的转置。

矩阵构建模块，用于基于所述训练向量构建Hankel矩阵，所述Hankel矩阵有i+1行，其中i为多分层长期记忆增强网络模型输入层单元总数。

训练模块，用于将所述Hankel矩阵的前i行作为所述多分层长期记忆增强网络模型的输入，以所述Hankel矩阵的第i+1行作为所述多分层长期记忆增强网络模型的输出，对所述多分层长期记忆增强网络模型进行训练得到训练好的多分层长期记忆增强网络模型。

剩余使用寿命预测模块，用于在当前迭代次数下，将当前迭代次数下的训练向量中后i个健康特征指标输入所述训练好的多分层长期记忆增强网络模型得到目标时刻的健康特征指标，并根据所述目标时刻的健康特征指标得到下一迭代次数下的训练向量并更新迭代次数进入下次迭代，直到所述目标时刻的健康特征指标小于设定阈值时，则根据总的迭代次数、振动信号的采样间隔时间以及采集一个振动信号所用的时长得到所述待预测齿轮剩余使用寿命；所述目标时刻为当前迭代次数下的训练向量中最后一个健康特征指标对应的时刻的下一个时刻。

在实际应用中，所述基于二次函数的多尺度深度卷积自编码器网络具体包括：

依次连接的第一模块、第一卷积层、第一最大池化层、第一上采样层、第二卷积层、第二模块、第二上采样层、第三卷积层和第四卷积层；所述第一模块包括多个依次连接的第一单元，所述第一单元包括依次连接的第一Inception模块和第二最大池化层；所述第二模块包括多个依次连接的第二单元，所述第二单元包括依次连接的第三上采样层和第二Inception模块。

在实际应用中，所述多分层长期记忆增强网络模型为公式1。

本发明实施例提供了一种更加具体的预测方法如图5所示步骤如下：

1、采集齿轮全生命周期中的振动信号。定义采样频率为f

2、对振动信号进行预处理，将预处理后的数据输入训练好的基于二次函数的多尺度深度卷积自编码器网络中获取健康特征指标，则可得到K×1维的健康特征指标向量h＝[h

3、基于训练向量z，构建Hankel矩阵

4、构建多分层长期记忆增强网络模型，模型具体如公式1，输入层单元数为i，输出层单元数为1。

5、将矩阵M前面i行作为多分层长期记忆增强网络模型的输入，最后一行作为多分层长期记忆增强网络模型的输出来训练多分层长期记忆增强网络模型。

6、将z中倒数i个数据作为多分层长期记忆增强网络模型的输入，得到下一时刻的输出

7、重复步骤6直到得到

本发明提供了一个实施例来验证上述方法的有效性，本实施例采用的齿轮振动信号数据来自齿轮接触疲劳试验台，该试验台结构图如图6所示。齿轮接触疲劳试验台主要包括电气控制系统、齿轮传动平台、冷却系统以及操作系统控制台。试验台中的两对齿轮分别位于两个齿轮箱中，有独立的液压管路冷却齿轮箱内的齿轮和轴承，可以充分利用两个齿轮箱，但是试验台不可以改变中心距，中心距为定值160mm。齿轮振动信号的采样率为25000赫兹，采集一个振动信号所用的时长为0.2秒，振动信号的采样间隔时间为1分钟。

对测试齿轮利用基于二次函数的多尺度深度卷积自编码器网络构建健康特征指标并利用该指标进行寿命预测，预测最后120个点，预测结果如图7所示，其中图7(a)为测试齿轮1的预测结果，图7(b)为测试齿轮2的预测结果，根据图1和图2可知预测值和实际值很接近，证明了此方法的有效性。

本发明实施例还提供了对比试验：

为了充分证明本方法的优越性，从MAE(平均绝对误差)、NRMSE(标准均方根误差)、MAPE(平均绝对百分误差)、RMSE(均方根误差)和Score五个评价指标出发，分别于现有的神经网络模型进行对比。对比结果如表1所示，从表1可看出本发明所采用的MLMA-Net网络比现有神经网络具有更高的预测精度。

表1不同预测方法评价指标表

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。