1.基于NACMD-LSTM的齿轮箱寿命预测方法,其特征在于,包括:S1、添加成对的互为相反数的正负白噪声到原始信号中构建新的时间序列,作为试验序列;
S2、基于NACMD算法,对试验序列进行模态分解,得到试验序列的第一个子模态,求均值记为原始信号的第一个子模态A1(t),并记录对应残差;
S3、将残差作为新的原始信号,并获取第k个残差信号rk(t);
S4、判断第k个残差信号rk(t)是否可以再分解,若是,循环步骤S3,直到获得的第k个残差信号rk(t)为单调函数,不能继续分解;若否,输出原始待分解信号x(t)被分解的k个子模态,即:其中,x(t)表示原始待分解信号,i=1,2……k,k表示子模态的数量,Ai(t)表示第i个提取出的子模态,rk(t)表示第k个残差信号,t表示时间;
S5、获得所有的子模态,叠加重构得到处理后的待输入序列;
S6、使用CSSA优化算法对网络结构进行参数优化,训练并构建CSSA-LSTM模型;
S7、将处理好的待输入序列输入CSSA-LSTM网络,得到齿轮箱寿命的预测结果,其中,步骤S2包括:
S21、获取原始待分解信号x(t)、白噪声次数N;
S22、获取加入噪音后的试验信号试验信号由以下公式确定:其中,x(t)表示原始待分解信号,&=1,2,ε表示误差的最终标准差,vj(t)表示满足标准正态分布的高斯白噪声信号,j=1,2……N,N表示白噪声次数,t表示时间;
S23、对试验信号进行分解:
其中,表示试验信号,表示得到的第一个子模态,r1(t)表示第1个残差信号,ACMD(·)表示经过ACMD算法进行分解处理,t表示时间;
S24、对N个试验信号处理后,得到N个不同则第一个提取出的子模态为:其中,A1(t)表示第一个提取出的子模态,j=1,2……N,N表示白噪声次数,即,试验信号的数量,表示第j个试验信号分解所得的第1个子模态,t表示时间;
S25、计算除去第一个提取出的子模态A1(t)后的残差:r1(t)=x(t)-A1(t)
其中,r1(t)表示第1个残差信号,即,除去第一个提取出的子模态A1(t)后的残差,x(t)表示原始待分解信号,A1(t)表示第一个提取出的子模态,t表示时间,其中,步骤S6包括:
S61、随机生成混沌向量y0=[y0,1,y0,2,…,y0,D],其中y0,w∈[0,1],D表示搜索空间的维度,w=1,2,…,D;
S62、生成混沌序列y1,y2,…,yG,
yv,w=4(yv-1,w)3-3yv-1,w
其中,yv,w表示不同维度下的混沌序列,yv=[yv,1,yv,2,…,yv,D],v=1,2,…,G,其中G表示种群大小,w=1,2,…,D,D表示搜索空间的维度;
S63、将混沌序列映射到原始的搜索空间,得到初始化种群X=[x1,x2,…,xG],其中xp=[xp,1,xp,2,…,xp,D],xp,q=xmin,q+yp,q·(xmax,q-xmin,q)其中,xp,q表示初始化种群中的第q个维度的第p个个体,xmin,q和xmax,q分别表示搜索空间第q个维度的最小值和最大值,q=1,2,…,D,D表示搜索空间的维度;
S64、计算初始种群的适应度值,标记最优个体;
S65、更新发现者位置
其中,表示当前的发现者位置,表示前一次迭代中发现者位置,T表示当前迭代次数,p表示个体的数量,q表示维数,itermax表示最大迭代次数,∝属于[0,1]的一个随机数,Q属于服从正态分布的随机数,L表示其内部元素均为1的单行d列矩阵,ST表示安全值,R2表示预警值;
S66、更新加入者位置:
其中,表示当前加入者位置,表示前一次迭代中加入者位置,表示发现者目前所处的最优位置,表示目前种群中的最差位置;A表示一个1×d的矩阵,且每个元素都是随即赋值1或-1,L为其内部元素均为1的单行d列矩阵,T表示当前迭代次数,p表示个体的数量,q表示维数,Q属于服从正态分布的随机数,n表示加入者的数量,A+表示AT(AAT)-1;
S67、更新捕食者位置:
其中,表示更新后的捕食者位置,表示当前迭代中捕食者位置,p表示个体的数量,q表示维数,β表示步长控制参数,服从均值为0,方差为1的正态分布的随机数,K表示-1到1的随机数,表示麻雀当前处在最安全的位置,表示目前种群中的最差位置,fp表示当前麻雀个体的适应度值,fgreat和fworst分别表示当前最好和最差的适应度值,γ表示最小的常数,避免分母为0,T表示当前迭代次数;
S68、判断当前麻雀个体的适应度值fp是否满足预设值,若满足,输出最优麻雀位置,否则返回步骤S65。
2.根据权利要求1所述的基于NACMD-LSTM的齿轮箱寿命预测方法,其特征在于,步骤S3包括:S31、在第1个残差信号r1(t)中加入正负成对高斯白噪声得到新信号,然后以新信号为载体再次循环步骤S23-步骤S24,并由此得到第k个提取出的子模态Ak(t):其中,Ak(t)表示第k个提取出的子模态,N表示白噪声次数,即,试验信号的数量,表示第个新信号分解所得的第1个子模态,t表示时间;
S32、计算去除第k个提取出的子模态Ak(t)后的残差:rk(t)=rk-1(t)-Ak(t)
其中,rk(t)表示第k个残差信号,即,去除第k个提取出的子模态Ak(t)后的残差,rk-1(t)表示第k-1个残差信号,即,去除第k-1个提取出的子模态Ak-1(t)后的残差,Ak(t)表示第k个提取出的子模态,t表示时间。
3.根据权利要求1所述的基于NACMD-LSTM的齿轮箱寿命预测方法,其特征在于,步骤S21包括:S211、获取原始待分解信号,原始待分解信号的信号模型表示为:其中,x(t)表示原始待分解信号,αm(t)和βm(t)表示两个非平稳信号,表示非平稳信号因子的频率函数,m=1,2…M,x(t)由M个子模态构成,s表示一个积分变量,t表示时间。
4.根据权利要求3所述的基于NACMD-LSTM的齿轮箱寿命预测方法,其特征在于,步骤S21还包括:S212、获取白噪声次数N,白噪声次数N由以下公式求得:其中,N表示白噪声次数,ε表示误差的最终标准差,A表示噪声的幅值大小。
5.根据权利要求1所述的基于NACMD-LSTM的齿轮箱寿命预测方法,其特征在于,在步骤61之前,所述基于NACMD-LSTM的齿轮箱寿命预测方法还包括:S601、将LSTM网络的学习率、迭代次数、2层神经元个数设置在一定范围内,并初始化麻雀算法相关参数;
S602、将测试集的均方误差作为麻雀适应度值,对其进行排序;
其中,所述CSSA-LSTM模型包括输入层、三层LSTM隐藏层以及输出层。
6.电子设备,其特征在于,包括:
存储器,用于存储可执行程序代码;以及
处理器,连接至所述存储器,通过读取所述可执行程序代码来运行与所述可执行程序代码对应的计算机程序,以执行根据权利要求1-5中任一项所述的基于NACMD-LSTM的齿轮箱寿命预测方法。
7.基于NACMD-LSTM的齿轮箱寿命预测系统,其特征在于,包括根据权利要求6所述的电子设备。