[发明专利]基于深度置信网络的齿轮振动噪声预估方法

权利要求书

1.一种基于深度置信网络的齿轮振动噪声预估方法，其特征在于，包括以下步骤：

S1：对齿轮振动噪声数据进行降噪处理；

S2：构建基于频程分析算法的数据库；

S3：构建基于受限玻尔兹曼机的深度置信网络模型并对其进行训练；

S4：通过基于自适应惯性权重和学习因子的粒子群寻优算法APSO得到最优的参数；

S5：采用去噪及扩增后的齿轮震振动数据，利用基于APSO-DBN的方法进行噪声预估。

2.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法，其特征在于，所述步骤S1中对齿轮振动噪声数据进行降噪处理，具体为：

对齿轮振动噪声数据进行A计权处理；A计权是40方等响应曲线的倒置，有较好的低频噪声降低效果，更贴近人耳听觉主观性；噪声传感器直接测得的声音数据包含了电机运转噪声，油液循环系统噪声的各类背景噪声，需要从测得的噪声数据中去除或者降低背景噪声得到被测齿轮产生的真实噪声；背景噪声修正值K₁的计算公式为：

式中为被测声源运行时，测量面上传感器A计权时间平均声压级的均值；为测量面上传感器背景噪声的A计权时间平均声压级的均值；ΔL_p为测量面上平均声压级均值的差值，如果ΔL_p15dB，则认为K₁为0，无需进行背景修正；如果6dB≤ΔL_p≤15dB，应按公式进行修正；如果ΔL_p＜6dB，需要进一步采取其它降低背景噪声的方法，保证测量结果的合理性。

3.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法，其特征在于，所述步骤S2中构建基于频程分析算法的数据库，具体为：

针对主要有输入转速、负载和齿轮健康状态这几个特征参数的齿轮振动噪声数据，采用频程分析的方法实现样本特征扩增，该方法能在一定频带范围内进行幅值平均，时域的振动噪声数据转换成多频段的功率值和声压值；通过频程分析方法对齿轮表面噪声信号以及加速度信号进行1/3倍频分析各得到9个频段的1/3频程，从而实现样本特征扩增；

将齿轮振动试验台输入轴测点和输出轴测点的振动加速度数据经过频程分析，分别转换成9维的加速度激励数据，齿轮振动噪声数据也同样通过频程分析得到0维噪声数据，最后加上A计权的总声压数据组成一个维数为28的数据库。

4.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法，其特征在于，所述步骤S3中构建基于受限玻尔兹曼机的深度置信网络模型并对其进行训练，具体步骤为：

S3.1：对受限玻尔兹曼机RBM网络进行迭代计算：

将训练数据输入到模型输入节点，由式(3)对隐层节点采样，

其中，v_i，h_j分别是可见层神经元i和隐层神经元j的状态，b_j是隐层神经元j的偏差，w_ij可见层神经元i和隐层神经元j之间的连接权重，v表示可见层，其中，σ(x)为sigmoid激活函数，即σ(x)＝1/(1+exp(-x))；

由式(4)对输入层采样，采样值再作为输入层节点值重复上一步，完成一步Gibbs采样；

其中，a_i是可见层神经元i的偏差，h表示隐藏层；

根据设定的k值不同，重复上两步k次；将上一步的采样值代入式(5)至(7)，计算梯度并更新参数：

Δb_j＝P(h_j＝1∣v⁽⁰⁾)-P(h_j＝1∣v^(k)) (7)

更新训练数据，重复前四步直到达到迭代要求；

S3.2：训练深度置信网络：

构建一个由4层受限玻尔兹曼机RBM与一层BP神经网络两部分组成的深度置信网络，将去噪后且经过频程分析扩增的齿轮振动数据输入到该网络模型中，对该网络模型进行无监督的前向贪婪学习和有监督反向调节训练。