英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料
基于人工智能的汽车变速器齿轮噪声诊断系统
（中间层数量对判断性能的影响）
守将中村
京都工艺纤维大学
京都市左景区 Matsugasaki
606-8585，日本
京都工艺纤维大学
京都市左景区 Matsugasaki
606-8585，日本
一郎边
京都工艺纤维大学
京都市左京区，Matsugasaki
606-8585，日本
摘要
该论文主要介绍一种数字化齿轮噪声测量方法以及用于齿轮噪声诊断的神经网络系统的建立。
仅从一些变速器生产线上的噪声水平测量很难可靠的评估变速器齿轮的整体噪声水平，而汽车变速器发出的齿轮噪声也可以由专家来评估，然而测量得到的噪声水平和齿轮噪声专家的评估结果并没有一定的关系。所以，应严格对待齿轮噪声的诊断。这样，这个拥有齿轮噪声诊断系统的自动生产线才能生产出高质量的汽车变速器。
最近的一次基于人工智能的新齿轮噪声诊断系统的研究中，采用了神经网络系统。当神经网络系统的统计特性通过学习进行推广以后，以新的齿轮噪声诊断系统来测试齿轮噪声的结果是比较准确的。这一事实意味着许多经典的神经信号在实际中的使用是必要的。
即使在其测试信号与普通信号不相似时，被提出的测量齿轮噪声水平的数字化解决方案也能使用神经网络系统给出一个准确的测试结果。此外，一种新的代替“反向传播法”来构建神经网络系统的“矩阵法”被提出。与“反向传播法”相比，“矩阵法”更以利于提高系统判断。
“矩阵法”为神经网络系统带来了良好的测试性能，而且比较小的神经网络系统中间层数目，也更容易带来较好的测试性能。研究发现，“矩阵法”因之与最新解决方案的连接为科学界提供了一份很好的学习资料。自“矩阵法”被用来建立神经网络系统神经元之间的连接之后，新的齿轮噪声诊断系统实现了更高的准确诊断率，而其中神经网络系统的中间层只需要一个就足够位系统获得良好的诊断性能，本次实验中，采用过最多四个中间层数，却并没有提供良好的诊断性能。
关键词：齿轮，齿轮噪声，神经网络系统
- 简介
关于齿轮噪声的研究已经有许多，他们中的一些都已经涉及到了降低齿轮噪声优化设计的确定。同时，许多创新的生产技术已经实现了低噪声精密齿轮的大批量制造。然而，由于制造偏差的不可避免，总有一些齿轮会产生不符合标准的噪声。因此，在实际生产，特别是大规模生产时，在生产结束之后，对齿轮的检查依然十分重要。
现在，齿轮噪声的图形-数据转换在理论上是有可能实现的，这就意味着计算机系统来判断一个齿轮或一个部件是否满足要求是有可能实现的，然而，就目前的技术水平而言，这虽有可能却很难真正实现。一般在一个汽车变速器零件生产线的末尾，都会检查齿轮产生的噪声是否达到标准，有些生产线上，会由齿轮噪声诊断专家来检验噪声，也有些生产线上，应用的是智能噪声诊断系统，智能噪声诊断系统一般是通过评定噪声水平来检验噪声是否达标，然而，测量出来的噪声水平与专家的评定结果之间的关系并不能确定。因此，所有的齿轮噪声诊断系统的检测都是非常严格的，然后，通过这样的生产线制造出来的齿轮都有可能是高质量的产品。这就意味着生产成本会相应的提高。
为了在不超出标准太多的情况下，开发一种智能齿轮噪声诊断系统，本次研究采用了一种人工智能，一种适用于解决这种噪声问题的人工智能，而一种以人的大脑为原型的神经元网络系统是目前最流行的人工智能系统之一。1943年，McCulloch和Pitts发表了一篇有关于神经网络系统的论文[1]，模拟了神经网络系统的研究过程。而在齿轮技术领域，一些研究结果也已经出版[2，3，4]。
在本次研究中，一个有关于汽车变速器齿轮噪声诊断系统的计算机程序已被开发出来。在这个系统中，诊断程序的第一步，就是向计算机中输入一些典型信号，这些典型信号由专家给出的噪声标准和FFT分析仪分析的噪声水平组成。然后，该系统构建了最有效的神经网络，就像一个人已经学会了这些知识一样。这之后，系统就可以对齿轮给出一个与FFT分析仪给出的检测结果一样的数据。可以预期的是，系统检测所给出的结果会与专家给出的结果有很高的相似度。
在本次研究中，既使用了原始的神经网络和一个简单的结构讨论了算法对解决方案的影响，也使用了更新后的神经网络系统研究了计算方法和中间层数目对系统性能的影响。
2、神经网络系统结构
人脑由大量的神经元组成，神经元在大脑中形成一个复杂的网络。每个神经元由一个主体（神经元体），若干从神经元体接收信号的突出部分（枝晶），将输出信号通过头发一样的突触传递到其他神经元的轴突组成（如图1所示）。
图1. 神经元示意图
轴突
神经元体
突触
枝晶
输入信息之后，神经网络系统的存储发生改变，创建一个合适的输出。这个过程就是“学习”。
神经系统是大脑模型，像上面提到的学习过程可以在计算机上实现。虽然已经提出了各种结构的神经网络，在本文中，使用最简
图2. 神经网络系统
}
人工神经元
神经元连接
····
····
····
····
····
输入层
输出层
中间层
单的结构之一。如图2所示，这里所使用的神经网络由输入层，输出层和一些中间层组成。中间层上所有人工神经元与上下两层的神经元相连接。
真实神经元的行为类似于阶跃函数，神经元可以将信号传递给下一个神经元除非接收信号的总和超过标准，此外，传输的信号有一定的水平。然而，阶跃函数是不连续的，它不能被区分，所以它可能导致计算机计算上的一些问题。因此，为了避免这些问题，Sigmoid函数一般是用来表示人工神经元之间的传递信号，由图3可以看出应用Sigmoid函数的输出变化[5]。
1
10
输入
0
-10
0.5
-5
0
5
输出
输出
输出
0.5
0
-10
-5
0
5
输入
5
0
-5
-10
0
0.5
图3. Sigmoid函数
sigmaf;a ( x)=1/（1 e-ax） （1）
从图中可以看到，当输入为-5时，输出已经接近于零了，而当输入为5时，输出接近于1。
学习是指神经元之间的信号传输，而且提出了许多种用于神经元之间信号传输的算法[2，3，4，6]。在这项研究中，反向传播法作为一种算法应用于神经网络系统的学习过程。
如图2所示，神经元分三层，输入层，输出层和中间层，输入层可以由接受外界环境的输入信号，输出层由可以由神经元将系统结果输出到用户，通常会有一些中间层在这两层之间。然而，我们考虑到神经网络的训练时间和所需精度，采用了只有一个中间层的最简单的结构。
输入信号在m层的n个神经元传递函数为（2）（3）
|
Nmminus;1 |
|
|
z mn = sum; wmni x( mminus;1)i |
(2) |
|
i=1 |
（n=1，2，L，Nm；m=2，3，L，M）
xmn=f（zmn） （3）
其中x（m-1）i是第i层第（m-1）个神经元的输出信号，wmni是m层第n神经元和（m-1）层第i个神经元之间的连接值，zmn是m层第n个神经元的输入信号。
在培训过程（每个神经元之间连接值之间的确定）中，一些对准双曲面齿轮齿接触的输入模式和输出模式按典型信号的评估等级区分。为了比较神经网络系统的输出与输入信号与典型信号，偏差输出x PI的神经网络的输出D PI典型信号，所以总的偏差为
|
1 |
Nm |
||
|
E p = |
sum;( x p Mi minus; d pi )2 |
(4) |
|
|
2 i=1 |
|||
|
P |
|||
|
E |
= sum; Ep |
(5) |
|
-
- =1
其中p为典型信号的总和[5，7，8]。
神经元连接值必须由式中神经网络的典型信号输出值E的最小值来确定。然而，当迭代评估总偏差小于10-4时，不可能找到这样的最小值。
在本次研究中，我们使用反向传播法来改变其连接值，连接值W（T 1）mni在（T 1）次迭代后的值由下式给出。
|
w( t ) mni = minus;eta; |
part;Ep |
(6) |
||
|
part; 剩余内容已隐藏，支付完成后下载完整资料 资料编号：[146893]，资料为PDF文档或Word文档，PDF文档可免费转换为Word |
||||
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
