一种基于集成学习和Unity的应力预测及可视化方法

一种基于集成学习和unity的应力预测及可视化方法
技术领域
1.本发明属于检测预测技术领域，设计一种基于集成学习和unity的应力预测及可视化方法。


背景技术：

2.齿轮在使用过程中，由于受到环境的侵蚀和磨损，齿轮的材料及性能不断退化。如果不及时进行检测和维修，不仅缩短齿轮的使用寿命，还会影响机器设备的正常运转，甚至导致设备故障或事故。目前传统的齿轮评估，往往是通过简单的人工监测手段。然而仅仅通过人工检测，检测周期长，齿轮信息获取滞后，检测情况难以量化。随着大数据人工智能技术的发展，通过海量数据对齿轮进行健康监测管理已成为一种必然的趋势。在齿轮监测管理中，对齿轮检测数据的描述及预警成为了当下国内外专家学者研究的热点问题。
3.齿轮健康监测最有代表性的项目有四类：周边环境数据、振动信号数据、温度数据和应力数据。本发明选取振动信号数据和应力数据作为研究对象，振动信号和应力对齿轮的运行状态极为重要，当齿轮运转过程中产生的振动信号过大或应力过大时，会导致齿轮结构的破损和设备故障，如果没有及时调整，设备可能会发生严重事故。在齿轮重要部位布置传感器，收集在各种负载条件下齿轮的振动信号数据和应力数据，根据振动信号和应力的大小可以对齿轮整体的健康状态进行测评。
4.齿轮检测数据往往受多种因素影响，其中既包含常规的线性趋势又包含复杂多变的非线性规律，使用单一模型进行拟合难以两者兼顾。而单一模型在齿轮监测数据预测中由于考虑因素不够周全，在数据预测精度上还有提升的空间。因此，使用unity可视化监控技术，可以更直观地展示齿轮检测数据的变化情况，帮助工程师更好地理解齿轮运行状态，从而找到一种对于齿轮检测数据精确预测的模型显得十分迫切。


技术实现要素：

5.为了解决上述技术问题，本发明提供一种基于集成学习和unity的应力预测及可视化方法。
6.本发明采用的技术手段如下。
7.s1、通过对一对齿轮箱齿轮有限元仿真获取多种工况应力数据，对数据进行预处理，获得一级训练数据集。
8.s2、划分训练集和预测集并基于训练集构建二级结构的stacking集成模型，通过皮尔森相关系数来选择一级学习器的算法。
9.s3、将训练集数据集输入一级学习器并将其输出结果作为二级学习器输入，得到最终的应力预测模型。
10.s4、基于socket法在unity种将工况位置参数作为输入，与预测模型进行数据通讯。
11.s5、基于hsvtorgb颜色转换算法将预测数据转化成颜色输出显示在unity网格模
型中。
12.所述步骤s1中。
13.由于实际验证需要耗费大量人力、物力和财力，使用abaqus有限元软件进行齿轮流热固耦合分析，得到齿轮啮合应力变化数据作为仿真数据集，这包括建立齿轮简单动力分析的有限元模型，定义齿轮的几何结构、接触配合关系和材料属性，进行网格划分，设定边界条件。
14.所述步骤s2中。
15.s21、所述仿真数据集划分为一级训练数据集和预测集。
16.s22、所述一级学习器包括支持向量机模型、catboost模型、k最邻近模型以及、高斯过程回归模型、lightgbm模型以及xgb模型。
17.s23、所述一级训练数据集作为所述一级学习器的输入，筛选出第一层基回归器模型融合支持向量机模型、catboost模型、k最邻近模型以及高斯过程回归模型。
18.所述步骤s3中。
19.s31、所述将所述一级训练数据集划分为一号数据集、二号数据集、三号数据集以及四号数据集。
20.s311、将所述一号数据集、二号数据集及三号数据集输入至支持向量机模型，获得第一模型预测结果。
21.s312、将所述一号数据集、二号数据集及四号数据集输入至catboost模型，获得第二模型预测结果。
22.s313、将所述一号数据集、三号数据集及四号数据集输入至k最邻近模型，获得第三模型预测结果。
23.s314、将所述二号数据集、三号数据集及四号数据集、输入至高斯过程回归模型，获得第四模型预测结果。
24.s315、将所述第一模型预测结果、第二模型预测结果、第三模型预测结果及第四模型预测结果进行整合，获得所述二级训练数据集。
25.s32、所述二级学习器嵌入线性回归模型，将二级训练数据集划分为第一训练集、第二训练集、第三训练集及第四训练集。
26.s33、基于所述第一训练集，获得第一次预测结果，基于第二训练集，获得第二次预测结果，基于第三训练集，获得第三次预测结果，基于第四训练集，获得第四次预测结果。
27.s34、将所述第一次预测结果，第二次预测结果，第三次预测结果及第四次预测结果进行加权平均得到一号模型预测结果，最后训练出一号节点应力预测模型。
28.s35、对s34所述一号模型预测结果与真实值进行误差计算。
29.s36、重复s31~s35步骤训练至n号节点应力预测模型。
30.s37、将一号节点应力预测模型、二号节点应力预测模型至n号节点应力预测模型打包输出为最终齿轮应力预测模型。
31.所述步骤s4中。
32.s41、在本地计算机上安装并运行python和unity程序。
33.s42、在python程序中创建一个socket服务器，监听指定端口。
34.s43、在unity程序中创建一个socket客户端，连接到python程序中的socket服务
器。
35.s44、使用socket通讯协议在python和unity程序之间传输数据：unity中模型的位置参数通过s43所述socket客户端发送到s42所述socket服务器，服务器将接收到的数据输入到s37所述最终齿轮盈利预测模型，得到位置应力预测结果并返回至所述socket客户端。
36.所述步骤s5中。
37.s51、接收到所述位置应力预测结果。
38.s52、使用hsvtorgb颜色转换算法将所述位置应力预测结果转化为rgb颜色值。
39.s53、在unity程序中创建一个网格模型。
40.s54、将所述转换后的rgb颜色值应用到s53所述网格模型中，以颜色的形式显示预测数据。
附图说明
41.图1是本发明方法流程图；图2是本发明stacking融合模型与单模型某一结点预测结果对比图；图3是本发明stacking融合模型与单模型某一工况预测结果对比图；图4是本发明应力预测数据云图可视化效果。
实施方式
42.下面结合附图和实施例对本发明的实施方式作进一步详细描述。以下实施例用于说明本发明，但不能用来限制本发明的范围。
43.如图1所示，本发明采用的技术手段如下。
44.s1、通过对一对齿轮箱齿轮有限元仿真获取多种工况应力数据，对数据进行预处理，获得一级训练数据集，使用abaqus有限元软件进行齿轮流热固耦合分析，得到齿轮啮合应力变化数据作为仿真数据集。这包括建立齿轮简单动力分析的有限元模型，定义齿轮的几何结构、接触配合关系和材料属性，进行网格划分，设定边界条件。
45.s2、划分训练集和预测集并基于训练集构建二级结构的stacking集成模型，通过皮尔森相关系数来选择一级学习器的算法。
46.s21、所述仿真数据集划分为一级训练数据集和预测集，一级学习器包括支持向量机模型、catboost模型、k最邻近模型以及、高斯过程回归模型、lightgbm模型以及xgb模型。
47.s22、所述一级训练数据集作为所述一级学习器的输入，筛选出第一层基回归器模型融合支持向量机模型、catboost模型、k最邻近模型以及高斯过程回归模型，将训练集数据集输入一级学习器并将其输出结果作为二级学习器输入，得到最终的应力预测模型。
48.s3、将训练集数据集输入一级学习器并将其输出结果作为二级学习器输入，得到最终的应力预测模型，将一级训练数据集四等分，三份为训练集，一份测试集，分别使用基学习器进行学习并使用测试集测试，测试结果作为二级数据训练集；二级学习器嵌入线性回归模型，将二级训练数据集划分为四份训练集得出四次预测结果进行加权平均作为最后输出结果。
49.将预测结果与真实值进行误差计算mse。
50.如图2所示，各个节点可生成一张融合模型与单模型预测结果对比图。
51.s31、重复s31~s35步骤训练至n号节点应力预测模型。
52.s32、将一号节点应力预测模型、二号节点应力预测模型至n号节点应力预测模型打包输出为最终齿轮应力预测模型。
53.如图3所示，所有节点在某工况下融合模型与单模型预测结果对比图。
54.s4、基于socket法在unity种将工况位置参数作为输入，与预测模型进行数据通讯。
55.s41、在本地计算机上安装并运行python和unity程序。
56.s42、在python程序中创建一个socket服务器，监听指定端口。
57.s43、在unity程序中创建一个socket客户端，连接到python程序中的socket服务器。
58.s44、使用socket通讯协议在python和unity程序之间传输数据：unity中模型的位置参数通过s43所述socket客户端发送到s42所述socket服务器，服务器将接收到的数据输入到s37所述最终齿轮盈利预测模型，得到位置应力预测结果并返回至所述socket客户端。
59.s5、基于hsvtorgb颜色转换算法将预测数据转化成颜色输出显示在unity网格模型中。
60.s51、接收到所述位置应力预测结果。
61.s52、使用hsvtorgb颜色转换算法将所述位置应力预测结果转化为rgb颜色值。
62.s53、在unity程序中创建一个网格模型。
63.s54、将所述转换后的rgb颜色值应用到s53所述网格模型中，以颜色的形式显示预测数据。
64.如图4所示，unity应力预测数据云图可视化效果。
65.以上各实施例仅用于说明本发明的技术方案，并不对其进行限制。尽管已经参照前述各实施例对本发明进行了详细说明，但本领域的普通技术人员应当理解：他们仍然可以对前述各实施例所记载的技术方案进行修改或替换，而这些修改或替换并不会改变相应技术方案的本质，也不会使其脱离本发明各实施例技术方案的范围。

技术特征：
1.一种基于集成学习和unity的应力预测及可视化方法，其特征在于，包括以下步骤：s1、通过对一对齿轮箱齿轮有限元仿真获取多种工况应力数据，对数据进行预处理，获得一级训练数据集；s2、划分训练集和预测集并基于训练集构建二级结构的stacking集成模型，通过皮尔森相关系数来选择一级学习器的算法；s3、将训练集数据集输入一级学习器并将其输出结果作为二级学习器输入，得到最终的应力预测模型；s4、基于socket法在unity种将工况位置参数作为输入，与预测模型进行数据通讯；s5、基于hsvtorgb颜色转换算法将预测数据转化成颜色输出显示在unity网格模型中。2.根据权利要求1所述基于集成学习和unity的应力预测及可视化方法，其特征在于，所述步骤s1中，由于实际验证需要耗费大量人力、物力和财力，使用abaqus有限元软件进行齿轮流热固耦合分析，得到齿轮啮合应力变化数据作为仿真数据集。这包括建立齿轮简单动力分析的有限元模型，定义齿轮的几何结构、接触配合关系和材料属性，进行网格划分，设定边界条件。3.根据权力1所述的基于集成学习和unity的齿轮应力预测及可视化方法，其特征在于，所述步骤s2中具体包括：s21、所述仿真数据集划分为一级训练数据集和预测集；s22、所述一级学习器包括支持向量机模型、catboost模型、k最邻近模型以及、高斯过程回归模型、lightgbm模型以及xgb模型；s23、所述一级训练数据集作为所述一级学习器的输入，基于皮尔森相关系数计算公式，筛选出第一层基回归器模型融合支持向量机模型、catboost模型、k最邻近模型以及高斯过程回归模型。4.根据权力1所述的基于集成学习和unity的齿轮应力预测及可视化方法，其特征在于，所述步骤s3中具体包括：s31、一级数据划分：所述将所述一级训练数据集划分为一号数据集、二号数据集、三号数据集以及四号数据集；s311、将所述一号数据集、二号数据集及三号数据集输入至支持向量机模型，获得第一模型预测结果；s312、将所述一号数据集、二号数据集及四号数据集输入至catboost模型，获得第二模型预测结果；s313、将所述一号数据集、三号数据集及四号数据集输入至k最邻近模型，获得第三模型预测结果；s314、将所述二号数据集、三号数据集及四号数据集、输入至高斯过程回归模型，获得第四模型预测结果；s315、将所述第一模型预测结果、第二模型预测结果、第三模型预测结果及第四模型预测结果进行整合，获得所述二级训练数据集。5.s32、所述二级学习器嵌入线性回归模型，将二级训练数据集划分为第一训练集、第二训练集、第三训练集及第四训练集；
s33、基于所述第一训练集，获得第一次预测结果，基于第二训练集，获得第二次预测结果，基于第三训练集，获得第三次预测结果，基于第四训练集，获得第四次预测结果；s34、将所述第一次预测结果，第二次预测结果，第三次预测结果及第四次预测结果进行加权平均得到一号模型预测结果，最后训练出一号节点应力预测模型；s35、基于方差公式 ，对s34所述一号模型预测结果与真实值进行误差计算；s36、重复s31~s35步骤训练至n号节点应力预测模型；s37、将一号节点应力预测模型、二号节点应力预测模型至n号节点应力预测模型打包输出为最终齿轮应力预测模型。6.根据权力1所述的基于集成学习和unity的齿轮应力预测及可视化方法，其特征在于，所述步骤s5中具体包括：s51、接收到所述位置应力预测结果；s52、使用hsvtorgb颜色转换算法将所述位置应力预测结果转化为rgb颜色值；s53、在unity程序中创建一个网格模型；s54、将所述转换后的rgb颜色值应用到s53所述网格模型中，以颜色的形式显示预测数据。

技术总结
本发明一种基于Unity和集成学习的齿轮应力预测及可视化方法，包括：1通过对一对齿轮箱齿轮有限元仿真获取多种工况应力数据；2划分训练集和预测集并基于训练集构建二级结构的Stacking集成模型，通过皮尔森相关系数来选择一级学习器的算法；3将训练集数据集输入一级学习器并将其输出结果作为二级学习器输入，得到最终的应力预测模型；4基于Socket通讯在Unity中将工况位置参数作为输入，与预测模型进行数据通讯；5基于HSVtoRGB颜色转换算法将预测数据转化成颜色输出显示在Unity网格模型中。本发明基于仿真数据的前提下可较准确预测无法监控或难以监控情况下的应力数据并采用云图形式显示在模型中，区别于传统监控方式可以更加直观、实时地对构件进行监控。实时地对构件进行监控。实时地对构件进行监控。


技术研发人员：曹亚超 卢伟
受保护的技术使用者：河北科技大学
技术研发日：2023.06.18
技术公布日：2023/8/31