[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在审
| 申请号： | 201910432814.5 | 申请日： | 2019-05-23 |
| 公开（公告）号： | CN110307969A | 公开（公告）日： | 2019-10-08 |
| 发明（设计）人： | 葛江华;蒲东;王亚萍 | 申请（专利权）人： | 哈尔滨理工大学 |
| 主分类号： | G01M13/021 | 分类号： | G01M13/021;G01M13/028;G06F17/15;G06N3/04;G06N3/08 |
| 代理公司： | 暂无信息 | 代理人： | 暂无信息 |
| 地址： | 150080 黑龙*** | 国省代码： | 黑龙江;23 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 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。 | ||
| 搜索关键词： | 卷积神经网络 行星齿轮 函数系数 预测模型 基函数 故障预测 离散数据 数据拟合 训练集 预测 加速度传感器 行星齿轮齿圈 传感器通道 对比试验 降噪处理 误差参数 振动信号 函数化 采样 拟合 浅层 算法 观测 损伤 验证 采集 筛选 转换 分析 研究 | ||
【主权项】：
1.一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，其特征在于，包括以下步骤：S1、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；S2、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；S3、基于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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于哈尔滨理工大学，未经哈尔滨理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910432814.5/，转载请声明来源钻瓜专利网。
- 上一篇：一种磁流变减振器疲劳测试方法及系统
- 下一篇：一种同轴同侧式加载装置
