基于时间卷积网络的移栽机齿轮箱轴承退化趋势研究.pdf
《基于时间卷积网络的移栽机齿轮箱轴承退化趋势研究.pdf》由会员分享,可在线阅读,更多相关《基于时间卷积网络的移栽机齿轮箱轴承退化趋势研究.pdf(13页珍藏版)》请在咨信网上搜索。
1、Modeling and Simulation 建模与仿真建模与仿真,2023,12(4),4041-4053 Published Online July 2023 in Hans.https:/www.hanspub.org/journal/mos https:/doi.org/10.12677/mos.2023.124369 文章引用文章引用:李道玉.基于时间卷积网络的移栽机齿轮箱轴承退化趋势研究J.建模与仿真,2023,12(4):4041-4053.DOI:10.12677/mos.2023.124369 基于时间卷积网络的移栽机齿轮箱轴承基于时间卷积网络的移栽机齿轮箱轴承 退化趋势研
2、究退化趋势研究 李道玉李道玉 河南科技大学机电工程学院,河南 洛阳 收稿日期:2023年4月17日;录用日期:2023年7月19日;发布日期:2023年7月26日 摘摘 要要 针对移栽机齿轮箱轴承振动信号传递路径长,难以进行基于振动信号的轴承退化趋势预测问题,以基于针对移栽机齿轮箱轴承振动信号传递路径长,难以进行基于振动信号的轴承退化趋势预测问题,以基于振动信号进行机器学习的轴承退化趋势预测算法研究,可实时监测齿轮箱退化趋势,最大程度减少损失。振动信号进行机器学习的轴承退化趋势预测算法研究,可实时监测齿轮箱退化趋势,最大程度减少损失。利用时间卷积网络通过不同尺寸的卷积核对轴承振动信号进行卷积,
3、实现对历史信息的特征提取;其次利用时间卷积网络通过不同尺寸的卷积核对轴承振动信号进行卷积,实现对历史信息的特征提取;其次通过链式结构实现网络的参数共享,有效解决长时间序列下的低预测精度等问题;通过引入因果卷积、通过链式结构实现网络的参数共享,有效解决长时间序列下的低预测精度等问题;通过引入因果卷积、跳层连接与残差网络等结构,使得其在跳层连接与残差网络等结构,使得其在CNN与与RNN的基础上能够有效解决梯度消失或爆炸等问题,捕捉的基础上能够有效解决梯度消失或爆炸等问题,捕捉序列的长期退化趋势与轴承振动信号间的非线性关系,由此建立序列的长期退化趋势与轴承振动信号间的非线性关系,由此建立齿轮箱轴承退
4、化趋势预测模型。进行实齿轮箱轴承退化趋势预测模型。进行实验探究时间卷积网络模型对退化趋势预测准确率的影响并验证其有效性。研究结果表明,基于在不同尺验探究时间卷积网络模型对退化趋势预测准确率的影响并验证其有效性。研究结果表明,基于在不同尺寸、不同故障类型、不同传感器采集到的振动信号对齿轮箱轴承退化趋势都具有显著的预测效果,满足寸、不同故障类型、不同传感器采集到的振动信号对齿轮箱轴承退化趋势都具有显著的预测效果,满足设计要求。设计要求。关键词关键词 轴承振动信号,健康指数,退化趋势预测,时间卷积网络轴承振动信号,健康指数,退化趋势预测,时间卷积网络 Research on the Degenera
5、tion Trend of Transplanting Gear Box Bearing Box Based on Time Convolution Network Daoyu Li School of Mechatronics Engineering,Henan University of Science and Technology,Luoyang Henan Received:Apr.17th,2023;accepted:Jul.19th,2023;published:Jul.26th,2023 Abstract For the long way to transmit the vibr
6、ation signal of the gear box of the transplanted machine,it is 李道玉 DOI:10.12677/mos.2023.124369 4042 建模与仿真 difficult to conduct the prediction of the bearing degradation trend based on the vibration signal.Reduce loss to the greatest extent.Using time convolutional networks to convolve the bearing v
7、i-bration signals through convolution kernels of different sizes to achieve the characteristics of his-torical information to extract the characteristics of historical information;secondly,the parame-ter sharing of the network through the chain structure can effectively solve the problems of low pre
8、diction accuracy under long sequence;by introducing the structure of causal convolution,jump-ing layer connection and residual network,it enables it to effectively solve the problems such as gradient disappearance or explosion on the basis of CNN and RNN.Relations,thereby establishing a predictive m
9、odel of gear box bearing trend.The effect of experimental exploration of the accu-racy of the accuracy of degradation trend predicts and verifies its effectiveness.The results of the study show that the vibration signals collected by different sizes,different faulty types,and dif-ferent sensors have
10、 significant predictive effects on the trend of the bearing of the gear box to meet the design requirements.Keywords Bearing Vibration Signal,Health Index,Degenerative Trend Prediction,Time Convolution Network Copyright 2023 by author(s)and Hans Publishers Inc.This work is licensed under the Creativ
11、e Commons Attribution International License(CC BY 4.0).http:/creativecommons.org/licenses/by/4.0/1.引言引言 轴承是农机齿轮箱内的旋转部件,农机齿轮箱在实际工作过程中轴承会产生周期性运动,轴承的运动不仅会受轴承故障的影响,还会由于温度、噪声的不同而有所差异,同时轴承振动信号的变化通常隐藏在大量的背景噪声中。因此基于轴承振动信号的农机发动机性能退化趋势逐渐成为业内重要的研究方向。目前国内外针对退化趋势的研究主要围绕轴承数据预处理、性能退化的有效表征及预测模型的构建等方面展开。其中基于大数据模拟的农机
12、发动机性能退化趋势的预测方法尤为热门,即在轴承运行过程中的构建基于 AI 的实时状态监测模型来预测其工作状态,进而实现定位故障点及退化趋势预测的目的。基于 AI 的退化趋势预测模型主要分为两类:基于机器学习和基于深度学习的预测模型。而以这两种为代表的数据挖掘方法,用于发动机故障趋势预测的智能算法已进行多年研究。当前常见的智能算法包括支持向量回归(SVR)、差分整合移动平均自回归(ARIMA)模型、长短期记忆网络(LSTM)、决策树和逻辑回归等,较多用于研究齿轮箱轴承退化趋势预测,但考虑到农机发动机振动信号采样频率高及其工况的复杂性,难以实现在实际应用中准确、快速地对农机发动机的高精度退化趋势预
13、测,因此本文拟开展基于机器学习的水稻钵苗移栽机齿轮箱轴承退化趋势预测研究。国内外关于轴承退化趋势预测问题上取得了许多成果。Mahamad 等人最早提出了将均方根和峭度作为人工神经网络(ANN)的输入特征的发动机退化趋势预测方法,然后将寿命百分比进行归一化操作后作为整个退化趋势模型的输出,由此能有效预测轴承失效的时间点1。Gebraeel 等人使用了具有反馈性质的 BP 神经网络构建新型轴承退化趋势预测模型,并对基于振动信号计算农机发动机的回归预测模型的参数进行实时更新,来对移栽机齿轮箱轴承参数的实时预测实现2。Maior 等人考虑到 SVM 在非平稳的移栽机齿轮箱轴承振动信号上表现不佳的问题,
14、提出基于 EMD 和 SVM 的齿轮箱轴承退化趋势预测模型,结果表明比单一的 SVM 性能更佳3;奚立峰等人提出了一种利用自组织映射和 BP 神经网络两种算法模型用来筛选时域、频域等特征,并据此建立了剩余寿命预测模型,实验结果证明该方法在剩余寿命预测Open AccessOpen Access李道玉 DOI:10.12677/mos.2023.124369 4043 建模与仿真 上的预测精度优于基于 L10 寿命估计方法4。张鑫等人提出先通过 BP 神经网络来预测轴承寿命分布的分布情况,然后再基于维修窗进行维修决策的指定,克服基于阈值的轴承维修决策模型代价成本过高的缺点,能够在降低维修成本的同
15、时提升轴承寿命预测的精度5。李浩平等人提出一种结合了自适应遗传算法和广义回归神经网络(AGA-GRNN)神经网络的新型刀具使用寿命预测方法,用以解决传统的 BP 神经网络由于参数众多所导致的模型计算复杂度过大等缺陷,此法在参数优化效率和预测精度上较优6。申中杰等人针对单一变量无法表征出信号中的所有信息等不足,提出了一种基于多变量 SVM 和相对特征的趋势预测方法7。徐继亚等人使用了 KPCA 提取轴承振动信号的 T2 和 SPE 等统计特征,在进行信息粒子化后将上述统计特征作为 SVM 的输入进行并进行有效的滚动轴承退化趋势和回归预测8。本文的研究目的旨在结合特征工程与智能预测算法对基于振动信
16、号的水稻钵苗移栽机齿轮箱轴承的退化趋势进行预测,同时探索准确率更高、适应性更强的退化趋势预测方法,为合理地制定维修策略、建立更加科学的维修体制提供辅助性的依据。2.理论基础理论基础 通过分析轴承故障诊断的研究现状进而得出诊断思路。所用方法采用信号的分析与特征提取与辨识分类两个过程。通用算法思路从信号时域或者频域分析,借助信号分析方法与数据驱动技术以及机器学习手段实现。为确保诊断结果的高效性,算法结构的组合优化成为首要选择,在特征提取阶段对信号的分析研究需要专业的技术要求,难度较大。专家经验也受信号提取的优劣影响,组合研究存在算法的实用性问题。而将信号特征提取、数据降维与输出分类统一起来,直接作
17、用于信号的诊断研究,这成为卷积结构端到端模式的优越性。由于农机发动机不同传感器采集到的振动信号是一维的不定长时序型数据,因此可以使用时间卷积网络提取轴承振动信号的深层特征并根据滑动窗口的思想,实现基于水稻钵苗移栽机齿轮箱轴承振动信号的不同健康状态的性能退化趋势预测。2.1.基本网络结构基本网络结构 虽然 RNN 在处理序列问题上表现不俗,但在实际应用中,RNN 由于自身结构的缺陷,使得 RNN 一次只能处理一个步长的序列数据,后一步的数据必须等模型处理完前一步才能进行处理。因此这也让RNN 不能像 CNN 一样直接对数据进行批量并行处理,在任务完成前需要保存所有中间步骤的结果,而这也意味着 R
18、NN 模型的时间复杂度和空间复杂度极高9。时间卷积网络结构如下图 1 所示,由于 CNN在处理图像型数据时,本质上将图像视为一个二维矩阵进行后续处理。将这种思想运用到时间序列问题 (a)因果空洞卷积过程 (b)残差块结构;(c)TCN 中残差块连接 Figure 1.Overall structure diagram of TCN 图图 1.TCN 的整体结构图 李道玉 DOI:10.12677/mos.2023.124369 4044 建模与仿真 上,可以通过将时间序列视为一个一维向量再输入至多层网络中,获得足够大的感受野。得益于卷积神经网络能够并行处理大规模样本数据的优势,时间卷积网络能够
19、通过并行处理的方式极大地降低模型的时间复杂度,这也是时间卷积网络的基本思想10。2.2.时间卷积神经网络模型时间卷积神经网络模型 时间卷积网络主要由因果卷积、空洞卷积以及残差块等结构组成。下面将对网络架构中的上述三个核心组成部分进行说明。1)因果卷积 由于 CNN 本身并不具备处理序列型数据的能力,因此考虑通过引入因果卷积的方式将序列问题转化为:根据12,tx xx预测12,ty yy。假设存在序列()12,TXx xx=,定义滤波器组()12,KFfff=,则在tx处的因果卷积为:()*()(1)tkt KkKkxF Xf x+=(1)因果卷积过程如下图 2 所示:Figure 2.Caus
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 时间 卷积 网络 移栽 齿轮箱 轴承 退化 趋势 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。