CN117273702A - 一种齿轮箱维修方案预测及推荐方法 - Google Patents

一种齿轮箱维修方案预测及推荐方法 Download PDF

Info

Publication number
CN117273702A
CN117273702A CN202311202288.6A CN202311202288A CN117273702A CN 117273702 A CN117273702 A CN 117273702A CN 202311202288 A CN202311202288 A CN 202311202288A CN 117273702 A CN117273702 A CN 117273702A
Authority
CN
China
Prior art keywords
maintenance
predicted
reliability
mth
acquiring
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.)
Pending
Application number
CN202311202288.6A
Other languages
English (en)
Inventor
段书用
张鸿程
王荣
张传棻
张雁辉
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202311202288.6A priority Critical patent/CN117273702A/zh
Publication of CN117273702A publication Critical patent/CN117273702A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Control Of Transmission Device (AREA)

Abstract

本发明提供一种齿轮箱维修方案预测及推荐方法，涉及齿轮箱技术领域，其中预测方法包括：对神经网络模型的网络参数进行优化，再将维修齿轮箱故障类型和维修方案的历史数据输入带有优化网络参数的优化神经网络模型中，对其进行训练，得到预测模型。进而使用预测模型对待预测故障类型进行维修方案的预测，得到预测维修方案；最终根据实际的情况对预测维修方案进行优化得到优化维修方案。上述方式能够根据历史数据对当前齿轮箱的故障类型进行维修方案的预测，并进行优化，保证齿轮箱的故障能够及时被维修，且维修方案更加有效排除故障，齿轮箱的保证工作效率。

Description

一种齿轮箱维修方案预测及推荐方法
技术领域
本发明一般涉及齿轮箱技术领域，具体涉及一种齿轮箱维修方案预测及推荐方法。
背景技术
齿轮箱是风力发电机最重要的组件之一，由箱体、主轴、斜齿轮和轴承等零件组成，是将捕获的气动转矩转化为转速的传动部件。风力发电机齿轮箱工作条件恶劣、工况复杂、传递功率大，虽然故障频率不高，但是由齿轮箱故障引起的停机维修时间却很长，维修费用很高。
现有的SCADA系统和CMS在线监测系统能够对齿轮箱的实时运行状态进行检测，以及故障诊断和故障预警，但这种预警存在滞后性，设备发生风险性很高。选择预防性维护策略，这种预见性维护的干预会导致设备的使用时间下降。在进行维修决策时，还需要人工判断，存在主观因素，不能够对齿轮箱的异常状态快速做出反应，进行及时的检测与维护，从而导致风力发电机的长时间停机，降低发电效率，增大了成本。
以往的维护方式中，每种维护方式各不相同，人为选择故障维护策略会使得维护行为具有滞后性，且维修后设备发生风险性很高，难以有效排除故障。
发明内容
鉴于现有技术中的上述缺陷或不足，期望提供一种齿轮箱维修方案预测及推荐方法。
一方面本发明提供一种齿轮箱维修方案预测方法，包括：
获取多组历史数据；所述历史数据包括：故障类型和维修方案；
获取神经网络模型；所述神经网络模型包含有网络参数；
输入所述历史数据至所述神经网络模型中，以所述故障类型为输入，多个所述维修方案为输出，对所述网络参数进行优化，得到优化网络参数；
将所述优化网络参数代入所述神经网络模型中，替换原有的网络参数，得到预测模型；
获取待预测故障类型；
输入所述待预测故障类型至所述预测模型中，对维修方案进行预测，得到多个预测维修方案；
对多个所述预测维修方案进行寻优，得到优化维修方案。
根据本发明提供的技术方案，对所述网络参数进行优化，得到优化网络参数的步骤包括：
S21:初始设置所述网络参数的数值，得到多个第N网络参数；N值初始设置为1；
S22:将多个所述第N网络参数代入所述神经网络模型，并以多个所述故障类型为输入，多个所述维修方案为输出对所述神经网络模型进行训练，得到第N神经网络模型；
S23:将多个所述故障类型输入所述第N神经网络模型，得到多个第N维修方案；
S24:计算多个所述故障类型与多个所述第N维修方案的第N概率密度函数；
S25:根据所述第N概率密度函数计算得到第N网络参数更新公式；
S26:获取所述第N神经网络模型的网络参数，得到多个第N中间网络参数；
S27:将所述第N中间网络参数代入所述第N网络参数更新公式，计算得到第N+1网络参数；
S28:判断对所述网络参数进行优化的过程达到第一终止条件时，将最终得到的第N+1网络参数作为所述优化网络参数；否则，令N值加一，并重复执行S22-S28的步骤。
根据本发明提供的技术方案，根据所述第N概率密度函数计算得到第N网络参数更新公式的步骤包括：
获取所述第N概率密度函数；
对所述第N概率密度函数取负对数，得到第N损失函数；所述损失函数为第N神经网络模型的损失函数；
对所述第N损失函数关于网络参数求导，得到第N梯度计算公式；
根据所述第N梯度计算公式计算得到所述第N网络参数更新公式。
根据本发明提供的技术方案，对多个所述预测维修方案进行寻优的步骤包括：
获取多个所述预测维修方案；
获取所述预测维修方案所需的维修成本与系统可靠度；
将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化，得到优化维修方案。
根据本发明提供的技术方案，将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化的步骤包括：
S51:初始设置粒子群算法的算法参数；将多个所述预测维修方案作为搜索空间；设置多个粒子在搜索空间内的第M位置，以及每个粒子的第M速度；M值初始设置为1；
S52:根据所述第M位置，获取搜索空间内的第M维修方案；
S53:获取所述第M维修方案所需的维修成本与系统可靠度，并计算粒子当前位置的适应度函数，得到第M适应度函数；
S54:将每个粒子的第M位置代入粒子群算法的位置更新公式；将每个粒子的第M速度代入粒子群算法的速度更新公式，计算得到第M次迭代过程中每个粒子的第M+1位置和第M+1速度；
S55:判断迭代达到第二终止条件时，根据粒子最终所处位置获取搜索空间内的第M维修方案，将所述第M维修方案作为优化维修方案；否则，令M值加一，并重复迭代过程；所述第二终止条件根据所述第M适应度函数设定；所述迭代过程为：重复执行S52-S55的步骤。
根据本发明提供的技术方案，计算粒子当前位置的适应度函数的步骤包括：
根据粒子当前位置获取的第M维修方案的维修成本与系统可靠度；
分别为维修成本与系统可靠度设定适应度参数，得到维修成本适应度参数与系统可靠度适应度参数；所述维修成本适应度参数与系统可靠度适应度参数均为设定区间内的随机数；
根据维修成本、系统可靠度，以及维修成本适应度参数、系统可靠度适应度参数计算得到所述适应度函数，如公式（一）所示；
公式（一）；
其中，fitness表示适应度，ω 1表示维修成本适应度参数,ω 2表示系统可靠度适应度参数,C表示维修成本，R表示系统可靠度。
根据本发明提供的技术方案，获取所述预测维修方案所需的系统可靠度的步骤包括：
获取齿轮箱每个齿轮的形状参数、特征寿命和位置参数；
根据每个齿轮的形状参数、特征寿命和位置参数计算得到每个齿轮的可靠度；
根据每个齿轮的可靠度计算得到所述系统可靠度。
根据本发明提供的技术方案，所述第二终止条件设定为：使用所述第M维修方案对齿轮箱进行维修后系统可靠度大于第一设定值且维修成本小于第二设定值，或多次迭代过程中适应度函数不再减小的次数达到第三设定值；或总迭代次数达到第四设定值；
判断是否达到所述第二终止条件的步骤包括：
S81：获取第M维修方案对应的系统可靠度与维修成本；
S82：判断当系统可靠度大于第一设定值且维修成本小于第二设定值时，进行S810的步骤；否则进行S83-S84的步骤；
S83：获取第M适应度函数与第M-1适应度函数；
S84：判断当第M适应度函数减去第M-1适应度函数小于零时，进行S87-S88的步骤；否则，进行S85-S86的步骤；
S85：适应度函数连续不减小次数加一；
S86：判断当所述适应度函数连续不减小次数达到第三设定值时，进行S810的步骤；否则进行S88-S89的步骤；
S87：适应度函数连续不减小次数清零；
S88：判断当总迭代次数达到第四设定值时，进行S810的步骤；否则进行S89的步骤；
S89：继续进行一次迭代过程，并返回S81的步骤；
S810：判定达到所述第二终止条件。
另一方面本发明还提供一种齿轮箱维修方案推荐方法，用于根据上述的齿轮箱维修方案预测方法，对齿轮箱的故障状态进行监测，并推荐预测维修方案，包括：
每隔第一设定时间获取一次齿轮箱的故障状态，得到第一故障状态；
根据所述第一故障状态计算所述齿轮箱的可靠度，得到第一可靠度；
判断所述第一可靠度的大小，
当所述第一可靠度处于第一设定区间内时，将所述第一故障状态作为待预测故障类型，输入预测模型，得到第一预测维修方案；发送报警信号并显示所述第一预测维修方案；
当所述第一可靠度处于第二设定区间内时，将所述第一故障状态作为待预测故障类型，输入所述预测模型，得到第二预测维修方案；显示所述第二预测维修方案。
根据本发明提供的技术方案，获取一次齿轮箱的故障状态，得到第一故障状态的步骤包括：
划分退化率所属区间为多个退化区间，为每个退化区间命名一个故障状态；
获取退化指标预测算法模型；所述退化指标预测算法模型用于输入电流信号与振动信号，对齿轮箱的退化率进行预测，输出退化率；
获取当前状态下齿轮箱的第一电流信号与第一振动信号；
输入所述第一电流信号与第一振动信号至所述退化指标预测算法模型中，对当前状态下齿轮箱的退化率进行预测，得到第一退化率；
判断所述第一退化率所处的退化区间，得到第一退化率对应的预测故障状态；
将所述预测故障状态作为所述第一故障状态。
本发明的有益效果在于：
对神经网络模型的网络参数进行优化，再将维修齿轮箱故障类型和维修方案的历史数据输入带有优化网络参数的优化神经网络模型中，对其进行训练，得到预测模型。进而使用预测模型对待预测故障类型进行维修方案的预测，得到预测维修方案；最终根据实际的情况对预测维修方案进行优化得到优化维修方案。上述方式能够根据历史数据对当前齿轮箱的故障类型进行维修方案的预测，并进行优化，保证齿轮箱的故障能够及时被维修，且维修方案更加有效排除故障，齿轮箱的保证工作效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为本发明提供的一种齿轮箱维修方案预测方法的流程示意图；
图2为对所述网络参数进行优化的流程示意图；
图3为对预测维修方案多次迭代优化的流程示意图；
图4为判断是否达到所述第二终止条件的流程示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与发明相关的部分。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
请参考图1，为本发明提供的一种齿轮箱维修方案预测方法的流程示意图，包括：
S1：获取多组历史数据；所述历史数据包括：故障类型和维修方案；
S2：获取神经网络模型；所述神经网络模型包含有网络参数；
S3：输入所述历史数据至所述神经网络模型中，以所述故障类型为输入，多个所述维修方案为输出，对所述网络参数进行优化，得到优化网络参数；
S4：将所述优化网络参数代入所述神经网络模型中，替换原有的网络参数，得到预测模型；
S5：获取待预测故障类型；
S6：输入所述待预测故障类型至所述预测模型中，对维修方案进行预测，得到多个预测维修方案；
S7：对多个所述预测维修方案进行寻优，得到优化维修方案。
在一些实施方式中，所述神经网络模型为贝叶斯神经网络模型，在只输入一个待预测故障类型时，能够输出多个预测维修方案。多个预测维修方案之间不完全相同，因此进行维修后系统的可靠度不同，也会有不同的维修成本，为了尽量保证可靠度更高且维修成本更低，则需要对多个预测维修方案进行寻优，以得到最佳方案。
一组历史数据为齿轮箱以往出现过的故障类型，以及操作人员实际进行的维修方案。多组历史数据为同种齿轮箱以往出现过的多种故障类型，以及对应的维修方案。
在一些实施方式中，在使用历史数据对贝叶斯神经网络模型的网络参数进行优化训练，能够大大提高训练效率，提高训练后所得优化神经网络模型预测的准确性。
由于根据优化神经网络模型预测得到的维修方案，并未考虑系统可靠度与维修成本；因此在使用优化神经网络模型进行预测后所得的维修方案并不是最佳维修方案。还需要考虑维修成本与系统可靠度对维修方案进行优化，进而得到最终的优化维修方案。
上述方式能够根据历史数据对当前齿轮箱的故障类型进行维修方案的预测，并进行优化，保证齿轮箱的故障能够及时被维修，且维修方案更加有效排除故障，齿轮箱的保证工作效率。
进一步地，参考图2，对所述网络参数进行优化，得到优化网络参数的步骤包括：
S21:初始设置所述网络参数的数值，得到多个第N网络参数；N值初始设置为1；
S22:将多个所述第N网络参数代入所述神经网络模型，并以多个所述故障类型为输入，多个所述维修方案为输出对所述神经网络模型进行训练，得到第N神经网络模型；
S23:将多个所述故障类型输入所述第N神经网络模型，得到多个第N维修方案；
S24:计算多个所述故障类型与多个所述第N维修方案的第N概率密度函数；
S25:根据所述第N概率密度函数计算得到第N网络参数更新公式；
S26:获取所述第N神经网络模型的网络参数，得到多个第N中间网络参数；
S27:将所述第N中间网络参数代入所述第N网络参数更新公式，计算得到第N+1网络参数；
S28:判断对所述网络参数进行优化的过程达到第一终止条件时，将最终得到的第N+1网络参数作为所述优化网络参数；否则，令N值加一，并重复执行S22-S28的步骤。
在一些实施方式中，初始设置所述网络参数的数值的过程中，对网络参数的数值随机选取，但是保证多个网络参数概率密度满足高斯分布（正态分布）。
在一些实施方式中，计算第N网络参数更新公式的过程中需要对所述第N损失函数关于网络参数求导，得到第N梯度计算公式。
所述第一终止条件为：达到最大迭代次数或达到收敛到预定精度。本实施例中，最大迭代次数设定为1000；收敛预定精度设定为梯度的绝对值小于0.001，或第N+1网络参数与第N网络参数之间查到绝对值小于0.001。
具体地，在训练神经网络模型的过程中，神经网络的网络参数会随着训练的进行而改变，进而网络参数的概率密度也会随之改变。因此每进行一轮训练，计算一次网络参数的概率密度函数，并根据更新公式对网络参数进行更新迭代，能够提高对神经网络模型训练的效果，使训练后的神经网络模型预测的结果更加接近最优解。
在一些实施方式中，根据公式（二）计算概率密度函数；
公式（二）；
其中，Xb表示概率密度函数的平均值，Yb表示概率密度函数的随机变量，θ b表示概率密度函数的标准差。x表示故障类型，y表示维修方案，x（j）表示第j个故障类型，y（j）表示第j个维修方案，n表示历史数据的数量，表示概率密度函数。
进一步地，根据所述第N概率密度函数计算得到第N网络参数更新公式的步骤包括：
获取所述第N概率密度函数；
对所述第N概率密度函数取负对数，得到第N损失函数；所述损失函数为第N神经网络模型的损失函数；
对所述第N损失函数关于网络参数求导，得到第N梯度计算公式；
根据所述第N梯度计算公式计算得到所述第N网络参数更新公式。
在一些实施方式中，所述损失函数由公式（三）计算得到；
公式（三）；
其中，表示损失函数，/>表示θ取最大值的条件下的计算结果。
所述梯度计算公式由公式（四）表示；
公式（四）；
其中，表示损失函数的梯度，θ 1、θ 2、θ 3分别表示不同的网络参数。
所述网络参数更新公式由公式（五）表示；
公式（五）；
其中，表示更新后的网络参数，θ表示更新前的网络参数，α表示学习率。一般情况下，学习率α设定为0.001至0.01之间任意数值。
进一步地，对多个所述预测维修方案进行寻优的步骤包括：
获取多个所述预测维修方案；
获取所述预测维修方案所需的维修成本与系统可靠度；
将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化，得到优化维修方案。
在一些实施方式中，预测维修方案所需的维修成本通过查询第一数据库得知。所述第一数据库中存储有以往维修多种故障状态下齿轮箱的维修成本。
将预测维修方案输入粒子群算法，能够利用粒子群算法进行寻优，找到维修成本尽可能低且系统可靠度尽可能高的维修方案。
进一步地，参考图3，将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化的步骤包括：
S51:初始设置粒子群算法的算法参数；将多个所述预测维修方案作为搜索空间；设置多个粒子在搜索空间内的第M位置，以及每个粒子的第M速度；M值初始设置为1；
S52:根据所述第M位置，获取搜索空间内的第M维修方案；
S53:获取所述第M维修方案所需的维修成本与系统可靠度，并计算粒子当前位置的适应度函数，得到第M适应度函数；
S54:将每个粒子的第M位置代入粒子群算法的位置更新公式；将每个粒子的第M速度代入粒子群算法的速度更新公式，计算得到第M次迭代过程中每个粒子的第M+1位置和第M+1速度；
S55:判断迭代达到第二终止条件时，根据粒子最终所处位置获取搜索空间内的第M维修方案，将所述第M维修方案作为优化维修方案；否则，令M值加一，并重复迭代过程；所述第二终止条件根据所述第M适应度函数设定；所述迭代过程为：重复执行S52-S55的步骤。
具体地，算法参数包括：粒子数目、粒子维度、学习因子。本实施例中，粒子数目设定为100，粒子维度设定为3，学习因子设定为1.2。
设置粒子位置的方式为：在多个粒子位置之间满足正态分布的条件下，随机设定每个粒子的位置。
具体地，所述速度更新公式由公式（六）表示；
公式（六）；
其中，N 0表示粒子数目，i表示粒子序号，i=1,2,...,N 0；
D表示粒子维度，d表示维度序号，d=1,2,...,D；
k表示迭代次数；ω表示惯性权重；c 1表示个体学习因子,c 2表示群体学习因子；
r 1与r 2均表示[0,1]区间内的随机数，用于增加搜索的随机性；
表示第i个粒子在第k次迭代中第d维的速度向量；
表示第i个粒子在第k次迭代中第d维的位置向量；
表示第i个粒子在第k次迭代中第d维的历史最优位置，即在第k次迭代后，第i个粒子搜索到的最优解；
表示粒子群在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个粒子群体中的最优解。
具体地，所述位置更新公式由公式（七）表示；
公式（七）；
其中，表示进行一次迭代后粒子位置，/>表示当前粒子位置，/>表示迭代过程中粒子的速度；/>表示一次迭代过程中，以/>的速度移动粒子的位移。
在一些实施方式中，第M维修方案所需的维修成本通过以下过程获取：
将第M维修方案的各维修步骤分别与第一数据库中存储的历史数据进行匹配，得到各步骤的预测维修成本，再将所有步骤的维修成本累加得到第M维修方案所需的维修成本。
进一步地，计算粒子当前位置的适应度函数的步骤包括：
根据粒子当前位置获取的第M维修方案的维修成本与系统可靠度；
分别为维修成本与系统可靠度设定适应度参数，得到维修成本适应度参数与系统可靠度适应度参数；所述维修成本适应度参数与系统可靠度适应度参数均为设定区间内的随机数；
根据维修成本、系统可靠度，以及维修成本适应度参数、系统可靠度适应度参数计算得到所述适应度函数，如公式（一）所示；
公式（一）；
其中，fitness表示适应度，ω 1表示维修成本适应度参数,ω 2表示系统可靠度适应度参数,C表示维修成本，R表示系统可靠度。
在一些实施方式中，维修成本适应度参数ω 1与系统可靠度适应度参数ω 2均为[0.8,1.2]区间内选取的随机数。
由公式（一）可知，ω 1、ω 2均为正数，因此维修成本越低，且可靠度越高，适应度函数的值越低。
进一步地，获取所述预测维修方案所需的系统可靠度的步骤包括：
获取齿轮箱每个齿轮的形状参数、特征寿命和位置参数；
根据每个齿轮的形状参数、特征寿命和位置参数计算得到每个齿轮的可靠度；
根据每个齿轮的可靠度计算得到所述系统可靠度。
在一些实施方式中，每个齿轮的形状参数、特征寿命和位置参数均由成产厂家提供，并存储在输入第二数据库，使用时直接查询获得。
齿轮的可靠度通过公式（八）计算得到，
公式（八）；
其中，t d表示齿轮的服役时间，表示t d时刻下齿轮的可靠度，β表示形状参数，η表示特征寿命，γ表示位置参数。
系统可靠度由公式（九）计算得到；
公式（九）；
其中，t表示齿轮箱的服役时间，表示t时刻下齿轮箱的可靠度，/>表示第g个齿轮在t时刻下的可靠度，m表示齿轮箱包含的齿轮个数。
进一步地，参考图4，所述第二终止条件设定为：使用所述第M维修方案对齿轮箱进行维修后系统可靠度大于第一设定值且维修成本小于第二设定值，或多次迭代过程中适应度函数不再减小的次数达到第三设定值；或总迭代次数达到第四设定值；
判断是否达到所述第二终止条件的步骤包括：
S81：获取第M维修方案对应的系统可靠度与维修成本；
S82：判断当系统可靠度大于第一设定值且维修成本小于第二设定值时，进行S810的步骤；否则进行S83-S84的步骤；
S83：获取第M适应度函数与第M-1适应度函数；
S84：判断当第M适应度函数减去第M-1适应度函数小于零时，进行S87-S88的步骤；否则，进行S85-S86的步骤；
S85：适应度函数连续不减小次数加一；
S86：判断当所述适应度函数连续不减小次数达到第三设定值时，进行S810的步骤；否则进行S88-S89的步骤；
S87：适应度函数连续不减小次数清零；
S88：判断当总迭代次数达到第四设定值时，进行S810的步骤；否则进行S89的步骤；
S89：继续进行一次迭代过程，并返回S81的步骤；
S810：判定达到所述第二终止条件。
在一些实施方式中，第一设定值为80%，第二设定值为预测维修方案成本的80%；第三设定值为5，第四设定值为50。
具体地，判断是否达到所述第二终止条件的整体过程为：
优先考虑达到系统可靠度大于第一设定值且维修成本小于第二设定值的条件再停止迭代；当迭代过程中始终无法达到上述条件时，考虑适应度函数连续多次不再减小时，停止迭代。若实际情况下上述条件均无法达到，则进行至最大迭代总量时停止。上述方式能够根据实际的情况进行调整，避免陷入算法死循环。
实施例2
本发明还提供一种齿轮箱维修方案推荐方法，用于根据上述实施例所述的齿轮箱维修方案预测方法，对齿轮箱的故障状态进行监测，并推荐预测维修方案，包括：
每隔第一设定时间获取一次齿轮箱的故障状态，得到第一故障状态；
根据所述第一故障状态计算所述齿轮箱的可靠度，得到第一可靠度；
判断所述第一可靠度的大小，
当所述第一可靠度处于第一设定区间内时，将所述第一故障状态作为待预测故障类型，输入预测模型，得到第一预测维修方案；发送报警信号并显示所述第一预测维修方案；
当所述第一可靠度处于第二设定区间内时，将所述第一故障状态作为待预测故障类型，输入所述预测模型，得到第二预测维修方案；显示所述第二预测维修方案。
在一些实施方式中，第一设定时间可以设定为一天或一周；可以根据实际的齿轮箱使用寿命进行设置。
由于可靠度所处区间为[0,1]，因此将第一设定区间设定为[0,0.1]，第二设定区间设定为(0.1，0.6]。
上述方式能够根据齿轮箱的实时状态进行故障状态的预测，同时为操作人员提供相应的维修方案，方便操作人员及时得知并查看齿轮箱的故障情况，及时排除故障，保证齿轮箱的稳定运行。
在一些实施方式中，应用本实施例的方法，在实际的齿轮箱维护过程中能够方便为缺乏经验的操作人员提供参考维修方案，进而辅助缺乏经验的操作人员熟悉齿轮箱的故障类型以及相应的维修方式。
进一步地，获取一次齿轮箱的故障状态，得到第一故障状态的步骤包括：
划分退化率所属区间为多个退化区间，为每个退化区间命名一个故障状态；
获取退化指标预测算法模型；所述退化指标预测算法模型用于输入电流信号与振动信号，对齿轮箱的退化率进行预测，输出退化率；
获取当前状态下齿轮箱的电流信号与振动信号；
输入所述电流信号与振动信号至所述退化指标预测算法模型中，对当前状态下齿轮箱的退化率进行预测，得到第一退化率；
判断所述第一退化率所处的退化区间，得到第一退化率对应的预测故障状态；
将所述预测故障状态作为所述第一故障状态。
在一些实施方式中，划分退化率所属区间为[0,1]，本实施中，将所述退化率所属区间划分为[0.0，0.1]，[0.1，0.2)，[0.2，0.3)，...，[0.9，1.0]，分别命名为第一退化区间、第二退化区间、...、第十退化区间。
具体地，退化指标预测算法模型，即一种减速器退化指标提取方法，其具体计算、推导过程已在公开号为CN115758094A的专利文献中公开，属于现有技术。该方法同时利用电流与振动信号对待测减速器的退化指标进行计算，更加精确地对退化率进行预测。
本实施例利用所述退化指标预测算法模型来预测齿轮箱的退化指标曲线，进而计算得到齿轮箱的退化率。
利用所述退化指标预测算法模型对齿轮箱退化率进行预测的过程包括：
获取齿轮箱的初始电流信号和初始振动信号；
获取退化指标预测算法模型；
将所述初始电流信号和初始振动信号输入所述退化指标预测算法模型，得到齿轮箱的退化指标曲线；
获取齿轮箱的服役时间，将所述服役时间带入所述退化指标曲线，计算得到退化率。
在一些实施方式中，根据所述第一故障状态计算所述齿轮箱的可靠度的步骤包括：
获取当前状态下齿轮箱的电流信号与振动信号；
输入所述电流信号与振动信号至所述退化指标预测算法模型中，对当前状态下齿轮箱的退化率进行预测，得到第二退化率；
根据所述第二退化率计算得到所述齿轮箱可靠度。
具体地，根据公式（十）计算齿轮箱的可靠度；
公式（十）；
其中，R(t)表示可靠度，表示退化值，D f表示临界退化水平，/>表示概率。
根据退化率计算可靠度的具体内容已在国防科技大学机电工程与自动化学院机电工程研究所（长沙410073）发表的一篇题目为“基于性能退化数据的可靠性评估”的论文中公开，属于现有技术。该论文的文章编号为100021328（2006）0320546207。
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离所述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种齿轮箱维修方案预测方法，其特征在于，包括:
获取多组历史数据；所述历史数据包括：故障类型和维修方案；
获取神经网络模型；所述神经网络模型包含有网络参数；
输入所述历史数据至所述神经网络模型中，以所述故障类型为输入，多个所述维修方案为输出，对所述网络参数进行优化，得到优化网络参数；
将所述优化网络参数代入所述神经网络模型中，替换原有的网络参数，得到预测模型；
获取待预测故障类型；
输入所述待预测故障类型至所述预测模型中，对维修方案进行预测，得到多个预测维修方案；
对多个所述预测维修方案进行寻优，得到优化维修方案。
2.根据权利要求1所述的一种齿轮箱维修方案预测方法，其特征在于，对所述网络参数进行优化，得到优化网络参数的步骤包括：
S21:初始设置所述网络参数的数值，得到多个第N网络参数；N值初始设置为1；
S22:将多个所述第N网络参数代入所述神经网络模型，并以多个所述故障类型为输入，多个所述维修方案为输出对所述神经网络模型进行训练，得到第N神经网络模型；
S23:将多个所述故障类型输入所述第N神经网络模型，得到多个第N维修方案；
S24:计算多个所述故障类型与多个所述第N维修方案的第N概率密度函数；
S25:根据所述第N概率密度函数计算得到第N网络参数更新公式；
S26:获取所述第N神经网络模型的网络参数，得到多个第N中间网络参数；
S27:将所述第N中间网络参数代入所述第N网络参数更新公式，计算得到第N+1网络参数；
S28:判断对所述网络参数进行优化的过程达到第一终止条件时，将最终得到的第N+1网络参数作为所述优化网络参数；否则，令N值加一，并重复执行S22-S28的步骤。
3.根据权利要求2所述的一种齿轮箱维修方案预测方法，其特征在于，根据所述第N概率密度函数计算得到第N网络参数更新公式的步骤包括：
获取所述第N概率密度函数；
对所述第N概率密度函数取负对数，得到第N损失函数；所述损失函数为第N神经网络模型的损失函数；
对所述第N损失函数关于网络参数求导，得到第N梯度计算公式；
根据所述第N梯度计算公式计算得到所述第N网络参数更新公式。
4.根据权利要求1所述的一种齿轮箱维修方案预测方法，其特征在于，对多个所述预测维修方案进行寻优的步骤包括：
获取多个所述预测维修方案；
获取所述预测维修方案所需的维修成本与系统可靠度；
将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化，得到优化维修方案。
5.根据权利要求4所述的一种齿轮箱维修方案预测方法，其特征在于，将所述预测维修方案、维修成本与系统可靠度输入粒子群算法模型中，进行多次迭代优化的步骤包括：
S51:初始设置粒子群算法的算法参数；将多个所述预测维修方案作为搜索空间；设置多个粒子在搜索空间内的第M位置，以及每个粒子的第M速度；M值初始设置为1；
S52:根据所述第M位置，获取搜索空间内的第M维修方案；
S53:获取所述第M维修方案所需的维修成本与系统可靠度，并计算粒子当前位置的适应度函数，得到第M适应度函数；
S54:将每个粒子的第M位置代入粒子群算法的位置更新公式；将每个粒子的第M速度代入粒子群算法的速度更新公式，计算得到第M次迭代过程中每个粒子的第M+1位置和第M+1速度；
S55:判断迭代达到第二终止条件时，根据粒子最终所处位置获取搜索空间内的第M维修方案，将所述第M维修方案作为优化维修方案；否则，令M值加一，并重复迭代过程；所述第二终止条件根据所述第M适应度函数设定；所述迭代过程为：重复执行S52-S55的步骤。
6.根据权利要求5所述的一种齿轮箱维修方案预测方法，其特征在于，计算粒子当前位置的适应度函数的步骤包括：
根据粒子当前位置获取的第M维修方案的维修成本与系统可靠度；
分别为维修成本与系统可靠度设定适应度参数，得到维修成本适应度参数与系统可靠度适应度参数；所述维修成本适应度参数与系统可靠度适应度参数均为设定区间内的随机数；
根据维修成本、系统可靠度，以及维修成本适应度参数、系统可靠度适应度参数计算得到所述适应度函数，如公式（一）所示；
公式（一）；
其中，fitness表示适应度，ω 1表示维修成本适应度参数,ω 2表示系统可靠度适应度参数,C表示维修成本，R表示系统可靠度。
7.根据权利要求5所述的一种齿轮箱维修方案预测方法，其特征在于，获取所述预测维修方案所需的系统可靠度的步骤包括：
获取齿轮箱每个齿轮的形状参数、特征寿命和位置参数；
根据每个齿轮的形状参数、特征寿命和位置参数计算得到每个齿轮的可靠度；
根据每个齿轮的可靠度计算得到所述系统可靠度。
8.根据权利要求5所述的一种齿轮箱维修方案预测方法，其特征在于，所述第二终止条件设定为：使用所述第M维修方案对齿轮箱进行维修后系统可靠度大于第一设定值且维修成本小于第二设定值，或多次迭代过程中适应度函数不再减小的次数达到第三设定值；或总迭代次数达到第四设定值；
判断是否达到所述第二终止条件的步骤包括：
S81：获取第M维修方案对应的系统可靠度与维修成本；
S82：判断当系统可靠度大于第一设定值且维修成本小于第二设定值时，进行S810的步骤；否则进行S83-S84的步骤；
S83：获取第M适应度函数与第M-1适应度函数；
S84：判断当第M适应度函数减去第M-1适应度函数小于零时，进行S87-S88的步骤；否则，进行S85-S86的步骤；
S85：适应度函数连续不减小次数加一；
S86：判断当所述适应度函数连续不减小次数达到第三设定值时，进行S810的步骤；否则进行S88-S89的步骤；
S87：适应度函数连续不减小次数清零；
S88：判断当总迭代次数达到第四设定值时，进行S810的步骤；否则进行S89的步骤；
S89：继续进行一次迭代过程，并返回S81的步骤；
S810：判定达到所述第二终止条件。
9.一种齿轮箱维修方案推荐方法，其特征在于，用于根据如权利要求1-8所述的齿轮箱维修方案预测方法，对齿轮箱的故障状态进行监测，并推荐预测维修方案，包括：
每隔第一设定时间获取一次齿轮箱的故障状态，得到第一故障状态；
根据所述第一故障状态计算所述齿轮箱的可靠度，得到第一可靠度；
判断所述第一可靠度的大小，
当所述第一可靠度处于第一设定区间内时，将所述第一故障状态作为待预测故障类型，输入预测模型，得到第一预测维修方案；发送报警信号并显示所述第一预测维修方案；
当所述第一可靠度处于第二设定区间内时，将所述第一故障状态作为待预测故障类型，输入所述预测模型，得到第二预测维修方案；显示所述第二预测维修方案。
10.根据权利要求9所述的一种齿轮箱维修方案推荐方法，其特征在于，获取一次齿轮箱的故障状态，得到第一故障状态的步骤包括：
划分退化率所属区间为多个退化区间，为每个退化区间命名一个故障状态；
获取退化指标预测算法模型；所述退化指标预测算法模型用于输入电流信号与振动信号，对齿轮箱的退化率进行预测，输出退化率；
获取当前状态下齿轮箱的第一电流信号与第一振动信号；
输入所述第一电流信号与第一振动信号至所述退化指标预测算法模型中，对当前状态下齿轮箱的退化率进行预测，得到第一退化率；
判断所述第一退化率所处的退化区间，得到第一退化率对应的预测故障状态；
将所述预测故障状态作为所述第一故障状态。
CN202311202288.6A 2023-09-18 2023-09-18 一种齿轮箱维修方案预测及推荐方法 Pending CN117273702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311202288.6A CN117273702A (zh) 2023-09-18 2023-09-18 一种齿轮箱维修方案预测及推荐方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311202288.6A CN117273702A (zh) 2023-09-18 2023-09-18 一种齿轮箱维修方案预测及推荐方法

Publications (1)

Publication Number Publication Date
CN117273702A true CN117273702A (zh) 2023-12-22

Family

ID=89218890

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311202288.6A Pending CN117273702A (zh) 2023-09-18 2023-09-18 一种齿轮箱维修方案预测及推荐方法

Country Status (1)

Country Link
CN (1) CN117273702A (zh)

Similar Documents

Publication Publication Date Title
CN111507490B (zh) 基于多源数据驱动的数控机床主轴预测性维护方法及系统
CN114936758A (zh) 风电机组健康状态评估方法、装置及电子设备
CN112784373A (zh) 一种风电机组齿轮箱的故障预警方法
US20060142990A1 (en) Information processor, state judging unit and diagnostic unit, information processing method, state judging method and diagnosing method
Colone et al. Predictive repair scheduling of wind turbine drive‐train components based on machine learning
CN116010900A (zh) 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法
CN116484751B (zh) 一种风电机组部件的疲劳寿命评估方法及装置
CN116067432B (zh) 一种自动扶梯变工况故障诊断方法
KR20190082715A (ko) 상관도를 고려한 데이터 분류 방법 및 이 방법을 수행하기 위한 프로그램이 저장된 컴퓨터 판독가능한 저장매체
CN111178674A (zh) 一种工业大数据驱动的起重机械健康管控服务系统
CN115481726A (zh) 一种工业机器人整机健康评估方法及系统
CN114781757A (zh) 海上风电场多机组运维策略优化方法
CN117232809A (zh) 基于dematel-anp-critic组合赋权的风机主轴故障预诊断方法
CN117273702A (zh) 一种齿轮箱维修方案预测及推荐方法
CN113705076B (zh) 基于偏最小二乘法的风电机组齿轮箱状态监测方法及控制装置
CN115726935A (zh) 一种基于人工智能的风力机组异常状态检测系统及方法
Gray et al. A practical approach to the use of scada data for optimized wind turbine condition based maintenance
CN115358533A (zh) 一种基于大数据的预测性维护管理系统
Rashid et al. Anomaly Detection of Wind Turbine Gearbox based on SCADA Temperature Data using Machine Learning
Tidriri et al. Data-driven decision-making methodology for prognostic and health management of wind turbines
Li et al. A review of maintenance strategy optimization for wind energy
Ma et al. Application of SCADA data in wind turbine fault detection–a review
Suryadarma et al. Predictive Maintenance in SCADA-Based Industries: A literature review
Shen Classification of Wind Turbine Blade Performance State through Statistical Methods
CN114037127A (zh) 风电机组的故障预测方法及装置

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