CN113063589A - 一种基于神经网络的齿轮微观误差对振动的预测方法 - Google Patents

一种基于神经网络的齿轮微观误差对振动的预测方法 Download PDF

Info

Publication number
CN113063589A
CN113063589A CN202110289371.6A CN202110289371A CN113063589A CN 113063589 A CN113063589 A CN 113063589A CN 202110289371 A CN202110289371 A CN 202110289371A CN 113063589 A CN113063589 A CN 113063589A
Authority
CN
China
Prior art keywords
error
comprehensive
neural network
tooth profile
alpha
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110289371.6A
Other languages
English (en)
Other versions
CN113063589B (zh
Inventor
刘子谦
彭天河
冯楠
孙宇
范莎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing Tsingshan Industrial Co Ltd
Original Assignee
Chongqing Tsingshan Industrial Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chongqing Tsingshan Industrial Co Ltd filed Critical Chongqing Tsingshan Industrial Co Ltd
Priority to CN202110289371.6A priority Critical patent/CN113063589B/zh
Publication of CN113063589A publication Critical patent/CN113063589A/zh
Application granted granted Critical
Publication of CN113063589B publication Critical patent/CN113063589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Acoustics & Sound (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了一种基于神经网络的齿轮微观误差对振动的预测方法，包括如下步骤：计量齿轮微观误差，计算相互啮合齿轮副的综合误差，各综合误差归一化处理，下线检测台测试振动值，不同检测台振动值归一化处理，利用综合误差与振动值建立神经网络模型，将综合误差输入该模型输出预测振动值，当训练的神经网络趋于稳定，将新的齿轮副综合误差输入该神经网络模型，输出为预测的振动值。本发明基于神经网络的齿轮微观误差对振动的预测方法可以通过齿轮副的各综合误差判断该变速箱的振动值，从而判断该变速箱NVH性能是否满足要求。

Description

一种基于神经网络的齿轮微观误差对振动的预测方法
技术领域
本发明涉及变速箱技术领域，尤其涉及一种基于神经网络的齿轮微观误差对振动的预测方法。
背景技术
汽车变速箱的振动噪声是由动态激励(齿轮传递误差)作用下产生的，而齿轮副综合误差是由齿轮加工和安装误差引起的，是齿轮啮合过程中的主要动态激励之一。在变速箱生产下线时需要对变速箱齿轮啮合引起的振动进行测试监控，现有技术都是采用下线检测台测试变速箱的振动值Y，测试效率较慢，现有技术中没有一种变速箱振动的预测方法，更没有运用齿轮微观误差对振动的预测方法。
发明内容
本发明的目的在于提供一种基于神经网络的齿轮微观误差对振动的预测方法，旨在解决现有技术中没有运用齿轮微观误差对振动的预测方法。
本发明的技术方案是这样实现的：本发明公开了一种基于神经网络的齿轮微观误差对振动的预测方法，包括以下步骤：
计量齿轮微观误差；
根据齿轮微观误差计算相互啮合齿轮副的综合误差；
测试振动值；
利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型；
神经网络模型训练完成后，将新计算得到的相互啮合齿轮副的综合误差输入该神经网络模型，输出预测振动值。
进一步地，计算相互啮合齿轮副的综合误差后，对各综合误差进行归一化处理。对各综合误差进行归一化处理是把各综合误差量程统一为-1到1，消除不同量程的影响。
进一步地，计量齿轮微观误差，具体包括：计量齿轮的齿廓形状误差、齿廓倾斜误差、齿廓鼓形误差、齿向形状误差、齿向倾斜误差、齿向鼓形误差。
进一步地，根据齿轮微观误差计算相互啮合齿轮副的综合误差，具体包括：根据待测产品的各齿轮微观误差计算相互啮合齿轮副的综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ，相互啮合齿轮副的综合齿廓形状误差ffα等于主动齿廓形状误差ffα1与被动齿廓形状误差ffα2，相互啮合齿轮副的综合齿廓倾斜误差fHα等于主动齿廓倾斜误差fHα1减去被动齿廓倾斜误差fHα2，相互啮合齿轮副的综合齿廓鼓形误差Cα等于主动齿廓鼓形误差Cα1与被动齿廓鼓形误差Cα2，相互啮合齿轮副的综合齿向形状误差ffβ等于主动齿向形状误差ffβ1与被动齿向形状误差ffβ2，相互啮合齿轮副的综合齿向倾斜误差fHβ等于主动齿向倾斜误差fHβ1与被动齿向倾斜误差fHβ2，相互啮合齿轮副的综合齿向鼓形误差Cβ等于主动齿向鼓形误差Cβ1与被动齿向鼓形误差Cβ2。
进一步地，建立的神经网络模型的输入层有六个输入信号xi，分别为综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ；神经网络模型的输出层有一个输出信号，为预测振动值Y。
进一步地，测试振动值，具体包括：在下线检测台测试产品的实际振动值。本实施例的产品为变速箱。
进一步地，所述神经网络模型为BP神经网络，确定神经网络层数为三层，包括一个输入层、一个隐含层、一个输出层；隐含层设置多个神经元信号，输出信号为bh，隐含层第h个神经元的阈值为γh，输出层第j个神经元的阈值为θj，输入层第i个神经元与隐含层第h个神经元之间的权重为Vih，隐含层第h个神经元与输出层第j个神经元之间的权重为Whj。其中i＝1…N，h＝1…M，j＝1。
进一步地，所述BP神经网络的激活函数为sigmoid函数。
所述sigmoid函数为
Figure BDA0002981818230000031
进一步地，利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型时，将综合误差输入神经网络模型，神经网络模型输出预测振动值，计算预测振动值与测试的实际振动值之间的均方差误差Ek，采用基于梯度下降法来求解均方差误差Ek最小值，以负梯度方向对神经网络模型的权重及阈值参数进行更新迭代，若新的权重及阈值参数使均方差误差Ek小于或等于设定的目标值，则神经网络趋于稳定，代表神经网络模型训练完成，若新的权重及阈值参数使均方差误差Ek大于设定的目标值，则重新迭代新的权重及阈值参数。
进一步，所述BP神经网络的第h个隐含层输出结果为:
Figure BDA0002981818230000032
输出层结果为:
Figure BDA0002981818230000041
训练第k组变速箱
Figure BDA0002981818230000042
预测振动值与测试的实际振动值之间的均方差误差为:
Figure BDA0002981818230000043
Figure BDA0002981818230000044
Figure BDA0002981818230000045
Figure BDA0002981818230000046
Figure BDA0002981818230000047
其中，η为学习率，即步长进一步。
本发明至少具有如下有益效果：本发明的种基于神经网络的齿轮微观误差对振动的预测方法，包括如下步骤：计量齿轮微观误差，计算相互啮合齿轮副的综合误差，相互啮合齿轮副综合齿廓倾斜误差用主动齿廓倾斜误差减去被动齿廓倾斜误差；其余相互啮合齿轮副综合误差均为主动齿误差与被动齿误差相加，各综合误差归一化处理，下线检测台测试振动值，不同检测台振动值归一化处理，利用综合误差与振动值建立神经网络模型，将综合误差输入该模型输出预测振动值，当训练的神经网络趋于稳定，将新的齿轮副综合误差输入该神经网络模型，输出为预测的振动值。本发明基于神经网络的齿轮微观误差对振动的预测方法可以通过齿轮副的各综合误差判断该变速箱的振动值，从而判断该变速箱NVH性能是否满足要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的一种基于神经网络的齿轮微观误差对振动的预测方法的流程图；
图2是本发明的BP神经网络流程图。
具体实施方式
下面详细描述本发明的实施例，参见图1和图2，本发明实施例提供了一种基于神经网络的齿轮微观误差对振动的预测方法，包括以下步骤：
计量变速箱的齿轮微观误差；
根据齿轮微观误差计算变速箱的相互啮合齿轮副的综合误差；
对各综合误差进行归一化处理；
测试变速箱的振动值；
利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型；
神经网络模型训练完成后，计算待测变速箱的相互啮合齿轮副的综合误差，将新计算得到的变速箱的相互啮合齿轮副的综合误差输入该神经网络模型，输出待测变速箱的预测振动值。
进一步地，对各综合误差进行归一化处理是将各综合误差量程统一为-1到1，消除不同量程的影响。首先找到各综合误差的最大值、最小值、量程，然后找到各综合误差最大的量程，用每个综合误差量程除以最大量程再除以最大值得到归一系数，最后每个综合误差乘以归一系数，将各综合误差量程统一为-1到1。
进一步地，计量齿轮微观误差，具体包括：计量齿轮的齿廓形状误差、齿廓倾斜误差、齿廓鼓形误差、齿向形状误差、齿向倾斜误差、齿向鼓形误差。
优选地，本发明在齿轮计量仪上计量主动齿轮齿廓形状误差ffα1、齿廓倾斜误差fHα1、齿廓鼓形误差Cα1、齿向形状误差ffβ1、齿向倾斜误差fHβ1、齿向鼓形误差Cβ1；被动齿轮齿廓形状误差ffα2、齿廓倾斜误差fHα2、齿廓鼓形误差Cα2、齿向形状误差ffβ2、齿向倾斜误差fHβ2、齿向鼓形误差Cβ2。
进一步地，根据齿轮微观误差计算相互啮合齿轮副的综合误差，具体包括：根据待测产品的各齿轮微观误差计算相互啮合齿轮副的综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ，相互啮合齿轮副的综合齿廓形状误差ffα等于主动齿廓形状误差ffα1与被动齿廓形状误差ffα2，即ffα＝ffα1+ffα2；相互啮合齿轮副的综合齿廓倾斜误差fHα等于主动齿廓倾斜误差fHα1减去被动齿廓倾斜误差fHα2，即fHα＝fHα1-fHα2；相互啮合齿轮副的综合齿廓鼓形误差Cα等于主动齿廓鼓形误差Cα1与被动齿廓鼓形误差Cα2，即Cα＝Cα1+Cα2；相互啮合齿轮副的综合齿向形状误差ffβ等于主动齿向形状误差ffβ1与被动齿向形状误差ffβ2，即ffβ＝ffβ1+ffβ2；相互啮合齿轮副的综合齿向倾斜误差fHβ等于主动齿向倾斜误差fHβ1与被动齿向倾斜误差fHβ2，即fHβ＝fHβ1+fHβ2；相互啮合齿轮副的综合齿向鼓形误差Cβ等于主动齿向鼓形误差Cβ1与被动齿向鼓形误差Cβ2，即Cβ＝Cβ1+Cβ2。
进一步地，建立的神经网络模型的输入层有六个输入信号xi，分别为综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ；神经网络模型的输出层有一个输出信号，为预测振动值Y。
进一步地，测试振动值，具体包括：在下线检测台测试产品的实际振动值。本实施例的产品为变速箱。
进一步地，所述神经网络模型为BP神经网络，确定神经网络层数为三层，包括一个输入层、一个隐含层、一个输出层；隐含层设置多个神经元信号，输出信号为bh，隐含层第h个神经元的阈值为γh，输出层第j个神经元的阈值为θj，输入层第i个神经元与隐含层第h个神经元之间的权重为Vih，隐含层层第h个神经元与输出层第j个神经元之间的权重为Whj。其中i＝1…N，h＝1…M，j＝1。本发明的实施例的隐含层设置六个神经元信号。隐含层个数越多未知数就越多，需要训练的数据也要越多，得到的预测结果就越准确。
进一步地，所述BP神经网络的激活函数为sigmoid函数。
所述sigmoid函数为
Figure BDA0002981818230000071
进一步地，利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型时，将综合误差输入神经网络模型，神经网络模型输出预测振动值，计算预测振动值与测试的实际振动值之间的均方差误差Ek，采用基于梯度下降法来求解均方差误差Ek最小值，以负梯度方向对神经网络模型的权重及阈值参数进行更新迭代，若新的权重及阈值参数使均方差误差Ek小于或等于设定的目标值(如0.0001)，则神经网络趋于稳定，代表神经网络模型训练完成，若新的权重及阈值参数使均方差误差Ek大于设定的目标值(如0.0001)，则重新迭代新的权重及阈值参数。
进一步，所述BP神经网络的第h个隐含层输出结果为:
Figure BDA0002981818230000081
输出层结果为:
Figure BDA0002981818230000082
本实施例中N为6，M为6。
训练第k组变速箱
Figure BDA0002981818230000083
预测振动值与测试的实际振动值之间的均方差误差为:
Figure BDA0002981818230000084
Figure BDA0002981818230000091
Figure BDA0002981818230000092
Figure BDA0002981818230000093
Figure BDA0002981818230000094
其中，η为学习率，即步长进一步。
本发明基于神经网络的齿轮微观误差对振动的预测方法采用了如下步骤：计量齿轮微观误差、计算相互啮合齿轮副的综合误差、各综合误差归一化处理、下线检测台测试振动值、不同检测台振动值归一化处理、利用综合误差与振动值建立神经网络模型，将综合误差输入该模型输出预测振动值。本发明采用上述方案可以通过齿轮副的各综合误差判断该变速箱的振动值，从而判断该变速箱NVH性能是否满足要求。
以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (8)

1.一种基于神经网络的齿轮微观误差对振动的预测方法，其特征在于，包括以下步骤：
计量齿轮微观误差；
根据齿轮微观误差计算相互啮合齿轮副的综合误差；
测试振动值；
利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型；
神经网络模型训练完成后，将新计算得到的相互啮合齿轮副的综合误差输入该神经网络模型，输出预测振动值。
2.如权利要求1所述的预测方法，其特征在于：计算相互啮合齿轮副的综合误差后，对各综合误差进行归一化处理。
3.如权利要求1所述的预测方法，其特征在于：计量齿轮微观误差，具体包括：计量待测产品各齿轮的齿廓形状误差、齿廓倾斜误差、齿廓鼓形误差、齿向形状误差、齿向倾斜误差、齿向鼓形误差。
4.如权利要求3所述的预测方法，其特征在于：根据齿轮微观误差计算相互啮合齿轮副的综合误差，具体包括：根据待测产品的各齿轮微观误差计算相互啮合齿轮副的综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ，相互啮合齿轮副的综合齿廓形状误差ffα等于主动齿廓形状误差ffα1与被动齿廓形状误差ffα2，相互啮合齿轮副的综合齿廓倾斜误差fHα等于主动齿廓倾斜误差fHα1减去被动齿廓倾斜误差fHα2，相互啮合齿轮副的综合齿廓鼓形误差Cα等于主动齿廓鼓形误差Cα1与被动齿廓鼓形误差Cα2，相互啮合齿轮副的综合齿向形状误差ffβ等于主动齿向形状误差ffβ1与被动齿向形状误差ffβ2，相互啮合齿轮副的综合齿向倾斜误差fHβ等于主动齿向倾斜误差fHβ1与被动齿向倾斜误差fHβ2，相互啮合齿轮副的综合齿向鼓形误差Cβ等于主动齿向鼓形误差Cβ1与被动齿向鼓形误差Cβ2。
5.如权利要求3所述的预测方法，其特征在于：建立的神经网络模型的输入层有六个输入信号xi，分别为综合齿廓形状误差ffα、综合齿廓倾斜误差fHα、综合齿廓鼓形误差Cα、综合齿向形状误差ffβ、综合齿向倾斜误差fHβ、综合齿向鼓形误差Cβ；神经网络模型的输出层有一个输出信号，为预测振动值Y。
6.如权利要求5所述的预测方法，其特征在于：所述神经网络模型为BP神经网络，确定神经网络层数为三层，包括一个输入层、一个隐含层、一个输出层；隐含层设置多个神经元信号，输出信号为bh，隐含层第h个神经元的阈值为γh，输出层第j个神经元的阈值为θj，输入层第i个神经元与隐含层第h个神经元之间的权重为Vih，隐含层层第h个神经元与输出层第j个神经元之间的权重为Whj。
7.如权利要求6所述的预测方法，其特征在于：所述BP神经网络的激活函数为sigmoid函数。
8.如权利要求1或6所述的预测方法，其特征在于：利用计算的相互啮合齿轮副的综合误差与测试的振动值作为训练样本训练建立的神经网络模型时，将综合误差输入神经网络模型，神经网络模型输出预测振动值，计算预测振动值与测试的实际振动值之间的均方差误差Ek，基于梯度下降法来求解均方差误差Ek最小值，以负梯度方向对神经网络模型的权重及阈值参数进行更新迭代，若新的权重及阈值参数使均方差误差Ek小于或等于设定的目标值，则神经网络趋于稳定，代表神经网络模型训练完成，若新的权重及阈值参数使均方差误差Ek大于设定的目标值，则重新迭代新的权重及阈值参数。
CN202110289371.6A 2021-03-18 2021-03-18 一种基于神经网络的齿轮微观误差对振动的预测方法 Active CN113063589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110289371.6A CN113063589B (zh) 2021-03-18 2021-03-18 一种基于神经网络的齿轮微观误差对振动的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110289371.6A CN113063589B (zh) 2021-03-18 2021-03-18 一种基于神经网络的齿轮微观误差对振动的预测方法

Publications (2)

Publication Number Publication Date
CN113063589A true CN113063589A (zh) 2021-07-02
CN113063589B CN113063589B (zh) 2023-07-04

Family

ID=76561538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110289371.6A Active CN113063589B (zh) 2021-03-18 2021-03-18 一种基于神经网络的齿轮微观误差对振动的预测方法

Country Status (1)

Country Link
CN (1) CN113063589B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4134650A1 (de) * 2021-08-12 2023-02-15 ZF Friedrichshafen AG Computerimplementiertes verfahren, vorrichtung, computerprogramm und computerlesbares medium zum identifizieren eines zahnrads, das in einem getriebe vibrationen hervorruft

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
TW201528161A (zh) * 2014-01-03 2015-07-16 Univ Nat Formosa 齒輪箱組裝誤差之診斷方法
CN204784574U (zh) * 2015-05-27 2015-11-18 徐工集团工程机械股份有限公司 一种驱动桥轮边行星减速器齿轮
GB201609531D0 (en) * 2016-05-31 2016-07-13 Romax Technology Ltd Planetary gearsets
CN106763642A (zh) * 2017-02-22 2017-05-31 北京新能源汽车股份有限公司 电动汽车减速器降噪方法和电动汽车减速器
CN106840652A (zh) * 2017-01-18 2017-06-13 北京工业大学 一种基于齿轮整体误差的动态传动误差预测方法
WO2017170270A1 (ja) * 2016-03-30 2017-10-05 Ntn株式会社 歯車装置の状態監視システムおよび状態監視方法
CN108871760A (zh) * 2018-06-07 2018-11-23 广东石油化工学院 一种高效齿轮故障模式识别方法
CN108918137A (zh) * 2018-06-08 2018-11-30 华北水利水电大学 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法
CN109029975A (zh) * 2018-06-26 2018-12-18 红河学院 一种风电齿轮箱的故障诊断方法
CN109948207A (zh) * 2019-03-06 2019-06-28 西安交通大学 一种航空发动机高压转子装配误差预测方法
CN110427720A (zh) * 2019-08-09 2019-11-08 西北工业大学 考虑负载扭矩变化和啮合错位容差的齿面修形稳健设计法
CN110941885A (zh) * 2019-12-17 2020-03-31 重庆齿轮箱有限责任公司 齿轮箱振动分析方法
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111981951A (zh) * 2020-08-31 2020-11-24 重庆青山工业有限责任公司 一种测量渐开线圆柱齿轮的齿轮参数的方法
CN112257192A (zh) * 2020-09-16 2021-01-22 北京工业大学 一种基于实测齿廓偏差的一齿切向综合偏差计算方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion

Patent Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239659A (zh) * 2013-06-07 2014-12-24 中国石油天然气集团公司 一种bp神经网络的碳钢腐蚀速率预测方法
TW201528161A (zh) * 2014-01-03 2015-07-16 Univ Nat Formosa 齒輪箱組裝誤差之診斷方法
CN204784574U (zh) * 2015-05-27 2015-11-18 徐工集团工程机械股份有限公司 一种驱动桥轮边行星减速器齿轮
WO2017170270A1 (ja) * 2016-03-30 2017-10-05 Ntn株式会社 歯車装置の状態監視システムおよび状態監視方法
GB201609531D0 (en) * 2016-05-31 2016-07-13 Romax Technology Ltd Planetary gearsets
CN106840652A (zh) * 2017-01-18 2017-06-13 北京工业大学 一种基于齿轮整体误差的动态传动误差预测方法
CN106763642A (zh) * 2017-02-22 2017-05-31 北京新能源汽车股份有限公司 电动汽车减速器降噪方法和电动汽车减速器
CN108871760A (zh) * 2018-06-07 2018-11-23 广东石油化工学院 一种高效齿轮故障模式识别方法
CN108918137A (zh) * 2018-06-08 2018-11-30 华北水利水电大学 基于改进的wpa-bp神经网络的齿轮箱故障诊断装置及其方法
CN109029975A (zh) * 2018-06-26 2018-12-18 红河学院 一种风电齿轮箱的故障诊断方法
CN109948207A (zh) * 2019-03-06 2019-06-28 西安交通大学 一种航空发动机高压转子装配误差预测方法
CN110427720A (zh) * 2019-08-09 2019-11-08 西北工业大学 考虑负载扭矩变化和啮合错位容差的齿面修形稳健设计法
CN110941885A (zh) * 2019-12-17 2020-03-31 重庆齿轮箱有限责任公司 齿轮箱振动分析方法
CN111324989A (zh) * 2020-03-19 2020-06-23 重庆大学 一种基于ga-bp神经网络的齿轮接触疲劳寿命预测方法
CN111981951A (zh) * 2020-08-31 2020-11-24 重庆青山工业有限责任公司 一种测量渐开线圆柱齿轮的齿轮参数的方法
CN112257192A (zh) * 2020-09-16 2021-01-22 北京工业大学 一种基于实测齿廓偏差的一齿切向综合偏差计算方法
AU2020103923A4 (en) * 2020-12-07 2021-02-11 Ocean University Of China Fault diagnosis method and system for gear bearing based on multi-source information fusion

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
何仁杰: "全寿命周期内风电齿轮箱响应规律分析及齿轮优化研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
夏新涛;孟凡念;: "基于神经网络的滚动轴承振动预测" *
徐宇东: "轿车变速箱齿轮噪声与制造误差关系的作用机理分析和试验研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *
李延骁: "微车变速器斜齿齿廓优化及分析", 《兵器装备工程学报》 *
罗瑞田: "新能源减速器传递误差测试分析", 《2020年未来汽车技术大会暨重庆汽车行业第33届年会论文集》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4134650A1 (de) * 2021-08-12 2023-02-15 ZF Friedrichshafen AG Computerimplementiertes verfahren, vorrichtung, computerprogramm und computerlesbares medium zum identifizieren eines zahnrads, das in einem getriebe vibrationen hervorruft
DE102021208836A1 (de) 2021-08-12 2023-02-16 Zf Friedrichshafen Ag Computerimplementiertes Verfahren, Vorrichtung, Computerprogramm und computerlesbares Medium zum Identifizieren eines Zahnrads, das in einem Getriebe Vibrationen hervorruft

Also Published As

Publication number Publication date
CN113063589B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
WO2023020388A1 (zh) 一种齿轮箱故障诊断、信号采集方法、装置和电子设备
CN112580588B (zh) 一种基于经验模态分解的颤振信号智能识别方法
CN114429153A (zh) 基于终身学习的齿轮箱增量故障诊断方法及系统
CN111798095A (zh) 一种基于神经网络电力电缆状态评价方法
CN113063589A (zh) 一种基于神经网络的齿轮微观误差对振动的预测方法
CN114707712A (zh) 一种发电机组备件需求的预测方法
CN113095179A (zh) 元度量学习驱动的直升机行星齿轮箱故障诊断方法
Ognjanovic et al. Design for reliability based methodology for automotive gearbox load capacity identification
CN111610024A (zh) 一种基于振动信号的齿轮裂纹故障诊断方法
CN114595721A (zh) 一种基于路况识别的车辆零部件应变载荷预测方法
CN112348158B (zh) 基于多参数深度分布学习的工业设备状态评估方法
Ren et al. Vibration monitoring with dependencies attention for gear hobbing quality evaluation
CN113094816B (zh) 构建装甲车辆综合工况振动谱及长寿命试验谱的方法
CN115900802A (zh) 一种多类型传感器通用动态补偿方法
CN113722308B (zh) 基于EEMD-MultiCNN-LSTM的加速度响应数据补全方法及装置
CN115290317A (zh) 基于多源信息融合的工业机器人减速器健康状态评估方法
CN112904294B (zh) 基于直觉梯形模糊多属性决策的雷达干扰效果评估方法
CN114880800B (zh) 一种用于改善齿面偏载的综合齿轮修形方法
CN112816211A (zh) 一种基于pso-bp算法的带式输送机故障诊断的方法
CN112365022A (zh) 一种基于多阶段的发动机轴承故障预测方法
Qi et al. Gear faults identification based on big data analysis and CatBoost model
CN111461288A (zh) 一种轨道几何参数全速段检测方法及系统
CN111126659A (zh) 一种电力负荷预测方法及系统
Tang et al. Fault mode recognition of planetary gears based on CNN and transfer learning
CN115615691A (zh) 一种基于gwo-rbf算法的齿轮箱故障智能诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant