(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210596917.7 (22)申请日 2022.05.30 (71)申请人 上海大学 地址 200444 上海市宝山区上 大路99号 (72)发明人 何斌　徐辅泽　 (74)专利代理 机构 上海上大专利事务所(普通 合伙) 3120 5 专利代理师 何文欣 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/17(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/00(2006.01) G06F 119/10(2020.01)G06F 111/08(2020.01) (54)发明名称 基于深度置信网络的齿轮振动噪声预估方 法 (57)摘要 本发明公开了一种基于深度置信网络的齿 轮振动噪声预估 方法， 首先对通过 实验采集到的 齿轮振动噪声数据进行降噪处理； 其次构建基于 频程分析算法的数据库； 接着构建基于受限玻尔 兹曼机的深度置信网络模型并对其进行训练； 然 后通过基于自适应惯性权重和学习因子的粒子 群寻优算法得到最优的参数； 最后采用去噪及扩 增后的齿轮振动数据， 利用基于APSO ‑DBN的方法 进行噪声预估。 本发明方法通过频程分析扩增了 数据， 克服了因数据量不足导致的训练困难； 提 出的APSO ‑DBN算法比PSO‑DBN算法具有更好的迭 代效果； 在总声压级预测上， 与手动选择网络节 点的DBN网络相比， APSO ‑DBN算法的平均相对误 差具有明显的降低。 权利要求书3页 说明书7页 附图2页 CN 115169218 A 2022.10.11 CN 115169218 A 1.一种基于深度置信网络的齿轮振动噪声预估方法， 其特 征在于， 包括以下步骤： S1： 对齿轮振动噪声数据进行降噪处 理； S2： 构建基于频程分析算法的数据库； S3： 构建基于受限玻尔兹曼机的深度置信网络模型并对其进行训练； S4： 通过基于自适应惯性权 重和学习因子的粒子群寻优算法AP SO得到最优的参数； S5： 采用去噪及扩增后的齿轮震振动数据， 利用基于AP SO‑DBN的方法进行噪声预估。 2.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法， 其特征在于， 所 述步骤S1中对齿轮振动噪声数据进行降噪处 理， 具体为： 对齿轮振动噪声数据进行A计权处理； A计权是40方等响应曲线 的倒置， 有较好的低频 噪声降低效果， 更贴近人耳听觉主观性； 噪声传感器直接测得的声音数据包含了电机运转 噪声， 油液循环系统噪声的各类背景噪声， 需要从测得的噪声数据中去除或者降低背景噪 声得到被测齿轮产生的真实噪声； 背景噪声修 正值K1的计算公式为： 式中 为被测声源运行时， 测量面上传感器A计权时间平均声压级的均值； 为 测量面上传感器背景噪声的A计权时间平均声压级的均值； ΔLp为测量面上平均声压级均 值的差值， 如果ΔLp>15dB， 则认为K1为0， 无需进行背景修正； 如果6dB≤ΔLp≤15dB， 应按公 式进行修正； 如果ΔLp＜6dB， 需要进一步采取其它降低背景噪声的方法， 保证测量结果的 合理性。 3.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法， 其特征在于， 所 述步骤S2中构建基于频程分析算法的数据库， 具体为： 针对主要有输入转速、 负载和齿轮健康状态这几个特征参数的齿轮振动噪声数据， 采 用频程分析 的方法实现样本特征扩增， 该方法能在一定频带范围内进行幅值平均， 时域的 振动噪声 数据转换成多频段的功 率值和声压值； 通过频程分析方法对齿轮表面噪声信号以 及加速度信号进行1/ 3倍频分析 各得到9个频 段的1/3频程， 从而实现样本特 征扩增； 将齿轮振动试验台输入轴测点和输出轴测点的振动加速度 数据经过频程分析， 分别转 换成9维的加速度激励数据， 齿轮振动噪声数据也同样通过频程分析得到0维噪声数据， 最 后加上A计权的总声压数据组成一个维数为28的数据库。 4.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法， 其特征在于， 所 述步骤S3中构建基于受限玻尔兹曼机的深度置信网络模型并对其进行训练， 具体步骤为： S3.1： 对受限玻尔兹曼机RBM网络进行迭代计算： 将训练数据输入到模型输入节点， 由式(3)对隐层节点采样， 其中， vi， hj分别是可见层神经元i和隐层神经元j的状态， bj是隐层神经元j的偏差， wij 可见层神经元i和隐层神经元j之间的连接权重， v表 示可见层， 其中， σ(x)为sigmoid激活函 数， 即σ(x)＝1/(1+exp( ‑x))；权　利　要　求　书 1/3 页 2 CN 115169218 A 2由式(4)对输入层采样， 采样值再作为输入层节点 值重复上一 步， 完成一 步Gibbs采样； 其中， ai是可见层神经 元i的偏差， h表示隐藏层； 根据设定的k值不同， 重 复上两步k次； 将上一步的采样值代入式(5)至(7)， 计算梯度并 更新参数： Δbj＝P(hj＝1∣ v(0))‑P(hj＝1∣ v(k))    (7) 更新训练数据， 重复前四步 直到达到迭代要求； S3.2： 训练深度置信网络： 构建一个由4层受限玻尔兹曼机RBM与一层BP神经网络两部分组成的深度置信网络， 将 去噪后且经过频程分析扩增的齿轮振动数据输入到该网络模型中， 对该网络模型进行无监 督的前向贪婪学习和有监 督反向调节训练。 5.根据权利要求1所述的基于深度置信网络的齿轮振动噪声预估方法， 其特征在于， 所 述步骤S4中采用基于自适应惯性权重和学习因子的粒子群寻优算法得到最优的参数， 具体 步骤为： S4.1： 参数初始化： 设定粒子的位置变化上下限、 速度变化上下限， 最大迭代数ger， 学 习因子的cmax、 cmin， 惯性权重的wmax、 wmin； 随机初始化单个粒子的速度和位置； S4.2： 适应度函数的选取： 适应度函数选取思路如式(8)所示， 如果当前粒子适应度值 优于个体极值， 则Pb est更新成当前粒子位置； 取所有粒子的个体最优值作比较， 如果优于 群体最优值， 则Gbest更新 为最优粒子的个 体最优位置； 其中， N为粒子 数， D为粒子维度， pij是第i个粒子在第j个维度的目标值， tij是第i个粒子 在第j个维度的实际值； S4.3： 惯性权重和学习因子更新： 引 入当前粒子的自适应函数数值来实现对惯性权重 的调整， 允许粒子以一定概率随机重置位置， 从而达到跳出原始 位置的目的， 具体的权重更 新公式如式(9)所示： 其中， wmax、 wmin分别是惯性权重的最大和最小值， fmax、 fmin分别是每一次迭代全部粒子 的最大适应度值和最小适应度值， fitnes s(q)代表当前迭代下第q个粒子的适应度值； 学习因子c1、 c2在一定程度上调整局部和全局搜索的分布程度， 过大或过小的学习因子 都不利于寻优； 与设置固定的学习因子不同， 通过异步策略对学习因子进行改进的公式如 式(10)所示：权　利　要　求　书 2/3 页 3 CN 115169218 A 3