使用神经网络预测后桥齿轮损坏外文翻译资料

 2022-11-05 11:49:07

英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

使用神经网络预测后桥齿轮损坏

摘要：精确的后桥损坏预测非常困难因为当卡车运行时转速和负载不断变化。在本文中，一种新的方法，结合数据预处理（递归处理）和人工神经网络，被提出以准确预测后轴损坏。模拟和实验结果表明提出的方法具有较高的预测精度。通过与传统时间序列的比较预测，使用相同的振动参数方法，发现人工神经网络在预测精度的方面性能更好。这项研究提供了一种新的方法，以用于预测剩余齿轮寿命。

关键词：损坏预测; 后桥; 神经网络

I介绍

使用可靠的机器故障预测系统可以预测旋转机械的损伤传播趋势，并且可以在故障达到临界水平之前发出报警。知道机械的剩余寿命，就能够优化相关使用和维护计划，并避免意外失败。有大量的文献可用描述了各种可以预期的振动信号的类型，用于滚动轴承的故障，以及分析可用于早期检测故障的技术。吴庚申经稳定检查后的随机平稳噪声项目后，为振动断层建立了ARMA模型信号，其中倾向和周期项目被去除。陈中生提出了一种新方法，基于线性周期性时变的检测故障自回归模型具有良好的预测性能，并可以使用峰度检测早期齿轮裂纹断裂残差信号。侯宁开发了一个灰色的无偏见GM（1,1）模型用于通过使用小波理论分解非平稳时间序列数据之后的预测，并可以获得满意的结果。Talbott提出了结果“知识库”，并努力改进剩余机器寿命预测精度。段传学已经描述了概率神经网络时间序列预测，通过分析模拟数据和齿轮箱的实验数据，滞后性质预测和一些参数的影响结合预测。齿轮作为机械设备的传动部分,担负着传递动力和运动的重要使命,齿轮故障不仅会损坏齿轮本身,还直接关系着整个设备的运转,甚至危及到人身安全,所以对齿轮传动系统进行状态监测及故障诊断具有重大意义。

齿轮箱是一种量大面广的机械设备关键性基础部件,也是最易损坏的零部件之一,其运行状况直接影响到整个机器或机组设备的安全运行,因此,如何能尽早发现齿轮系统的早期故障,做到合理组织安排设备的维修,避免发生重大安全事故,造成重大的经济损失具有重大意义。机械设备的振动信号蕴含着系统(正常、故障)状态的信息,各种类型故障也有一定的规律可循,因此,采用振动信号对大型、关键机组运行状态监测和故障诊断是目前设备管理维护的主要手段。由于受齿轮传动振动响应和环境噪声的影响,齿轮早期故障的微弱信号往往被其他成分或环境噪声淹没,故障信号具有复杂的非线性、非平稳特性,采用传统的基于平稳信号假设的信号处理方法很难对其取得准确诊断,因此,研究有效去噪、消噪信号预处理技术和非平稳信号处理方法对设备故障诊断具有非常大的意义。然而，很少有以前的研究提供了方法，以用于后桥的损坏预测。甚至更少为波动参数开发了递归预处理过程。一种新的方法，包括数据预处理（递归处理）和人工神经网络，被提出精确求解的预测后桥损坏。与常用的预测模型相比，神经网络在处理非线性问题上有优势，并可以致力于预测齿轮损伤寿命。递归预处理工艺还应用来使参数稳定以便准确地解决后桥的预测损坏。这个程序增强了传统的方法以预测剩余齿轮寿命。

本文的组织结构如下。第2节将会简单讨论了预测方法的评价。在第3节中，将提及后桥的特点和两个选择参数以预测剩余齿轮寿命。在第4节，基于神经网络的预测，预测剩余寿命的基本程序，并提出了复现预处理方法。在第5节，应用训练网络和实验结果的模拟信号说明了提出了的预测后轴齿轮寿命的程序性能将会呈现介绍。结论性意见见第6节。

II预测方法的评论

  1. 自回归移动平均（ARMA）模型

使用自回归移动平均（ARMA）模型是时间序列方法的基本方法预测。ARMA模型可以通过以下方程来描述：

其中p和q分别是自回归部分和移动平均部分的顺序。参数phi;i（i = 1,2，... p），theta;i（i = 1,2，... p）是自回归模型的系数和移动平均模型的系数。εt是正常白噪声具有零均值和方差delta;2的过程。 yt是固定的时间序列。

  1. 指数平滑模型[8]

指数平滑模型可以表征为下面的公式：

其中Yt 1（t）是对下一时段t 1的预测；a（t）是在时间周期t的水平上经平滑的估计;b（t）是在时间周期t的斜率的平滑估计; Sn n 1( t 1-L ) 是对时段t 1-L的（t 1）th平滑的估计；L是周期性的季节性。

  1. 反向传播神经网络

反向传播神经网络的架构是如图1所示。

图1.前馈反向传播神经网络的架构

一般来说，前馈后向传播神经网络由三层神经元组成：输入层，隐藏层和输出层。前馈神经网络可以被定义为映射第k个输入的函数矢量X k到第k个输出矢量O k。

假设输入向量X =[X1,X2...Xi];

输出矢量Y =[Y1,Y2...Yk]

实际输出T =[T1,T2...Tl]

隐层中的输出向量Zk =[Z1,Z2...Zo]

假设网络具有p个样本，对于第k个样品：

其中W是两层之间的重量，theta;是隐藏和输出节点的阈值。f是映射函数和S函数

作为表达式表达如下：

通过使残差平方和最小化来获得估计：

这是通过使用称为反向传播梯度下降程序完成。在更复杂的情况下，如预测剩余齿轮寿命，必须考虑多层网络。

III后桥的振动特性

不能直接观察并进行分析后桥的状况，因此应使用振动数据进行监测后桥的状态。选择两个参数值：RMS和峰度因子，以评价本研究中后桥的剩余寿命。

峰度因子对冲击脉冲型振动特征导致的故障敏感，特别是早期失效阶段。峰度因子最初快速增加，但随着断层发展其灵敏度将增加而减少。RMS项的稳定性良好; 但是，RMS对早期失效不敏感。

一般来说，一些影响因素影响参数波动，如转速，负载和齿轮啮合频率。从实验数据计算的因子值得到的RMS值和峰度的原始图显示在图2。

峰度因子和RMS值见图2在后桥损坏之前获得。根据经验估计，该实验数据的RMS和峰度的阈值分别为2.4和4。图a）和b）中分别显示了RMS值和时间之间的关系以及峰度因子对时间的曲线。图a）中A，B和C点的RMS值，和在图b中的点E，F和G处的峰度因子已经超过局部阈值。但这并不表示后桥发生了一些损坏。它们是奇点，给使用寿命预测准确性带来困难。为了解决这些问题，本文利用循环预处理方法使曲线更加稳定。

  1. RMS原始值

  1. 峰度因子原始值

图2.原始参数值

IV后桥损坏预测

  1. 基于神经网络的预测

鉴于后桥系统，本文探讨了应用人工神经网络解决准确预测剩余齿轮寿命的问题。在预测剩余齿轮寿命上，神经网络配置是非常重要的因素。设计的网络必须足够大以吸收网络必须学习的信息，但足够小，使培训时间最小化。神经网络的特点包括输入神经元的数量，输出神经元的数量，隐藏层的数量和每个隐藏层中的神经元的数量。

基于神经网络的时间序列预测可以执行一步或多步预测。越多的步骤，预测操作越不可靠，因为涉及多步预测中的方法与一步操作相关联。因此，这项研究集中在一步预测操作，并且用于齿轮寿命的这种预测的输出神经元的数量是简单的一个。已经证明任何连续函数可以用闭合间隔中的单个隐藏层近似。同时，为了减少训练时间，针对齿轮损伤预测引入了三层网络。隐含层神经元的数量可以使用经验公式规则来确定。

在本文中，使用三层网络来进行对剩余齿轮寿命的预测。反向传播网络设计有输入层中的十个神经元，每个隐藏层中的40个神经元，以及输出层中的一个神经元。学习率alpha;为0.001，函数为培训是traingdx。

  1. 神经网络预测程序

用于预测剩余齿轮寿命的方法是如图3所示。其中E表示总平方误差

ε是具有值的训练目标参数0.00001。 预测剩余寿命的程序为如下：

  1. 用传感器收集数据以获得时间序列中不稳定时段的特征参数数据
  2. 使用时间序列稳定复发跟踪数据处理方法
  3. 使用神经网络方法和Matlab神经网络工具箱建立和训练网络
  4. 计算总平方误差E并检查误差是否小于误差阈值ε。

达到精度要求后，该网可以用于预测剩余的后桥齿轮寿命。

图3.后桥损坏预测的基本流程图

为了更好地预测后桥的剩余寿命，应对原始振动数据进行预处理之前用神经网络做生活预测。

  1. 使用重复跟踪方法的数据预处理

使用参数值复发跟踪方法在本研究中为了消除由于的扰动随机因素和改进的预测参数值。遵循此方法的参数值被发现变得更加稳定。

循环跟踪公式如下：

其中mu;xn是递归值，xn是当前值，并且n是次数。如图3所示的原始峰度因子和RMS值将用这个方法被处理，结果将在第五节中讨论。

  1. 培训网络

为了训练网络，可用的数据是分为两组：训练集和预测集。训练集用于训练网络的权重后者用于预测。培训被确定

在总平方误差（MSE）小于可接受的误差阈值时完成。用于剩余的预测

齿轮寿命，误差阈值ε设置为0.00001，训练样本的点数为21。神经网络采用10-40-1模型（中子输入层，隐层和输出层数量分别为10，40和1），有21个训练点和数目的预测点为3。

V实验和模拟的讨论结果

  1. 原始数据预处理的结果

原始数据的结果如图2所示。该结果使用递归处理方法处理，结果如图4所示

  1. RMS值与递归过程

  1. 递推过程的峰度值

图4.具有递归过程的参数值

通过图2和图4的比较可以得出一些结论，即预处理后的RMS值和峰度因子变得更稳定之前可以提高预测的准确性。

  1. 模拟数据分析

为了检验本文提出的方法的准确性，将线性函数与a组合的信号正弦函数与表达式y = 0.5 x sin 4x被用作模拟信号，以证明可行性的方法。信号有一些波动和一致具有真实轴系统的特性。采用10-40-1模型预测三个模拟数据序列，包括21个训练样本和3个预测数字。可以得出结论，神经网络模型可以遵循信号的趋势，如图5所示。

同时，获得了精确的预测如表1所示。基于这些结果，神经网络的应用可以成功地开发用于预测齿轮的剩余寿命的真实轴齿轮箱。

图5.模拟值的神经网络预测

表格 1神经的模拟值的预测网络

估计点

测量值

估计值

近似差

MSE

32

1.7933

1.7357

3.21%

0.0026

33

1.8459

1.7939

2.82%

34

1.8905

1.8474

2.28%
  1. 预测后桥轴齿轮寿命的实验结果

ARMA模型，指数平滑模型和选择所提出的方法来预测剩余齿轮寿命，并且该预测基于RMS值和峰度因子。在比较的RMS和峰度值可以得到结论。其中MSE值显示在表2中.

表2 预测性能的方法

模型

参数

ARMA

指数平滑

神经网络

RMS值

0.01

0.022

5.7e-5

峰度因子

0.488

0.715

0.0064

所提出的神经网络模型的方法结合递归预处理的预测结果RMS值和峰度因子如图4所示。

两个参数曲线来自图4，并且可以使用具有递归过程的参数值预测剩余齿轮寿命。

从图

a）如图6所示，当只有少量的伤害存在时，当齿轮啮合时出现冲击振动并且大

值出现在时间系列的开始。该值不能视为损害，因为后续的值变小。虚线表示损伤

发生

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[139866]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

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。

您可能感兴趣的文章