[发明专利]基于深度置信网络的齿轮振动噪声预估方法

说明书

本发明公开了一种基于深度置信网络的齿轮振动噪声预估方法，首先对通过实验采集到的齿轮振动噪声数据进行降噪处理；其次构建基于频程分析算法的数据库；接着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；然后通过基于自适应惯性权重和学习因子的粒子群寻优算法得到最优的参数；最后采用去噪及扩增后的齿轮振动数据，利用基于APSO‑DBN的方法进行噪声预估。本发明方法通过频程分析扩增了数据，克服了因数据量不足导致的训练困难；提出的APSO‑DBN算法比PSO‑DBN算法具有更好的迭代效果；在总声压级预测上，与手动选择网络节点的DBN网络相比，APSO‑DBN算法的平均相对误差具有明显的降低。

技术领域

本发明属于一种噪声预估方法，特别是一种基于深度置信网络的齿轮振动噪声预估方法。

背景技术

传动设备往往长期运行在高速、高压等恶劣的工况下，设备中的精密零件尤其是齿轮极有可能发生损耗，引发整个设备故障，进而带来严重的人力、财力及物力损失。

在齿轮性能退化的定量和定性评估过程中，噪声会对振动信号的识别产生干扰，齿轮传动系统的噪声是由齿轮副时变啮合刚度、齿面误差、间隙、传动误差等耦合的振动行为导致的，噪声水平也是设备运行状态的关键指标。

噪声预估作为一种噪声评估的常见措施，能够根据齿轮传动系统的负载和外部环境条件对箱体的噪声量进行估算。目前，噪声预估方法大部分和有限元方法相关关注齿轮传动系统的内外部激励和结构，但是此类方法计算量大、实时预测效果差，对采集数据利用率低。因此，如何充分利用现有数据来预估噪声成为了健康监测的一大挑战。

发明内容

本发明的目的在于针对现有技术的弊端，提供一种基于深度置信网络的齿轮振动噪声预估方法，以实现对齿轮振动噪声进行预估。利用基于频程分析的方法将特定转速-负载状态下的加速度信号转换成特定频段的加速度激励，同时将A计权频程分析的声压作为学习目标，以此构建噪声预估算法数据库；从惯性权重自适应的角度出发，在惯性权重配置中引入当前迭代数的自适应函数数值，同时结合深度置信网络无监督深层次学习的能力，提出了基于APSO-DBN的噪声预估方法。

为达到上述目的，本发明采用如下技术方案：

一种基于深度置信网络的齿轮振动噪声预估方法，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。

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。