[发明专利]一种基于函数型数据拟合与卷积神经网络的行星齿轮故障预测方法

说明书

本发明涉及函数型数据拟合与卷积神经网络的行星齿轮故障预测研究。对安装于行星齿轮齿圈上的加速度传感器设置采样时间和频率，确定传感器通道个数，采集行星齿轮不同损伤状态下的振动信号，进行降噪处理，作为函数化转换的输入。通过观测离散数据选定基函数，建立基函数公式，利用基函数公式对离散数据进行拟合，求得函数系数，以误差参数为指标，对函数系数进行筛选，将剩下的函数系数组成预测模型的训练集。针对行星齿轮采用卷积神经网络的预测方法，建立卷积神经网络预测模型，将由函数系数组成的训练集输入进行预测得出结果，通过与传统浅层算法BP神经网络预测模型对比试验分析验证卷积神经网络预测模型的优势。通过以上方法可以进行行星齿轮故障的精确预测。

技术领域

本发明属于泛函逼近的旋转机械预测方法研究领域，具体涉及对离散数据采用函数型数据拟合的方法进行数据拟合，提取系数后输入到卷积神经网络中进行预测。

背景技术

目前，旋转机械设备正在逐步趋于自动化、精密化、智能化，其内部结构也变得更加复杂，机械设备中各零部件间的相互作用与相互联系也更为密切，一旦其中某一部分发生故障，就会引起连锁反应，不仅会影响机械设备的正常运行，给企业造成不必要的经济损失，更严重者甚至会威胁到人员的生命安全，因此对机械设备进行故障预测具有重要意义。

行星齿轮作为旋转机械中最重要的组成部分，凭借其结构紧凑，传动比大，同轴度高，噪音和振动小，可受负载大等优点，目前已经在航空航天、风力发电、船舶驱动、矿石开采、起重运输等诸多领域。行星齿轮的结构由太阳轮、若干行星轮、齿圈及行星架等组成，与定轴齿轮箱的运动相比，行星齿轮的运动更为复杂，是典型的复合运动。行星轮齿轮的太阳轮与行星轮分别具有各自固定的旋转中心轴，太阳轮绕自身的轴线进行公转，齿圈一般保持不动，行星轮在环绕自身固定中心轴自转的同时，又绕太阳轮的轴线进行公转，行星轮的轮齿同时与太阳轮和齿圈的轮齿相互啮合。

现阶段，对于机械故障的研究大多数着重于旋转机械故障诊断方向，主要是针对旋转机械已发生的故障进行诊断，找出故障的原因，从而避免造成更多的经济损失，但这终究是“治标不治本”是无法避免故障产生的。随着现代工业的快速发展，旋转机械设备正在步入自动化、精密化、智能化的时代，使得现代工业对于旋转机械的可靠性与安全性的要求进一步提高，更希望在出现故障征兆时便能对故障的发展进行预测。与故障诊断研究已经发生的确定性事件不同，故障预测更偏向于对设备未来一段时间内的运行趋势的预测，因此通过故障预测可以使维修人员提前得知故障的发生时间，将要发生何种故障，从而合理安排维修策略，减少维修方面的投入成本及由设备故障产生的损失。故障预测作为新的研究方向，已经成为众多学者的研究热点，然而现有的故障预测方法仍存在问题，需进一步研究与完善。

发明内容

鉴上所述，本发明提出基于函数型数据拟合的方法对行星齿轮离散数据进行函数化转换，可以有效的避免数据丢失等问题，又提出了基于卷积神经网络的故障预测方法，来解决浅层预测方法仅适用于小批量样本数据的局限性，弥补传统浅层预测方法需人为进行特征提取与特征降维的不足。

为达到上述目的，本发明提供如下技术方案:

步骤一、离散数据采集与数据降噪处理对安装于行星齿轮齿圈上的加速度传感器设置采样时间和频率。确定传感器通道个数，并采集行星齿轮不同损伤状态下的振动信号。随后故障信号进行降噪处理，作为函数化转换的输入。

步骤二、基于离散数据函数化转换通过观测离散数据选定基函数，根据建立正确的基函数公式。利用基函数公式对离散数据进行拟合，求得函数系数，以误差参数为指标，对函数系数进行筛选，将剩下的函数系数组成预测模型的训练集。

步骤三、基于卷积神经网络的故障预测预测基于行星齿轮采用卷积神经网络的预测方法。针对行星齿轮数据建立卷积神经网络预测模型的结构，将由函数系数组成的训练集输入进行预测得出结果，通过与传统浅层算法BP神经网络预测模型对比试验分析验证卷积神经网络预测模型的优势。