專利名稱：一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法
技術領域：
本發(fā)明涉及一種機械故障預測方法，特別是關于一種基于信息熵加權和時間因素 加權的機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法。
背景技術：
面對機電設備故障預測的非線性、非平穩(wěn)動態(tài)問題，傳統(tǒng)的線性化處理方法效果 欠佳，而一些本質(zhì)是非線性的動態(tài)系統(tǒng)分析處理方法在故障預測方面具有應用前景。神經(jīng) 網(wǎng)絡預測方法具有自學習功能，以及非線性、非局域性、非定常性等特點，可以通過恰當選 擇網(wǎng)絡層次和隱層單元數(shù)，能夠以任意精度逼近任意連續(xù)非線性函數(shù)及其各階導數(shù)的特 性，因而在故障預測中被廣泛。目前，采用神經(jīng)網(wǎng)絡進行故障預測的方法大體是將設備運 行狀態(tài)的時間序列數(shù)據(jù)依次輸入到神經(jīng)網(wǎng)絡的輸入層，然后采用通用神經(jīng)網(wǎng)絡進行訓練和 預測。在這種方法中，網(wǎng)絡輸入值對網(wǎng)絡輸出預測值的貢獻程度在概率上基本上是等同的， 而且所用的神經(jīng)網(wǎng)絡大多是靜態(tài)網(wǎng)絡，不適合動態(tài)系統(tǒng)的實時辨識。在實際應用中，網(wǎng)絡結 構中隱含層節(jié)點數(shù)一般是依靠試算的辦法，但是該方法計算量較大，并且不容易確定所得 預測模型結構的優(yōu)劣。

發(fā)明內(nèi)容
針對上述問題，本發(fā)明的目的是提供一種故障預測可靠性較高、計算量較小且能 適用于動態(tài)系統(tǒng)實時辨識的機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法。為實現(xiàn)上述目的，本發(fā)明采取以下技術方案一種機電設備神經(jīng)網(wǎng)絡故障趨勢預 測方法，其步驟如下(1)通過遠程監(jiān)測診斷中心獲取對故障敏感的某測點傳感器輸出的 一段連續(xù)振動信號；(2)利用3o方法和插值方法對獲取的振動數(shù)據(jù)分別進行異常值剔除 和缺失數(shù)據(jù)填補，得到振動數(shù)據(jù)序列{X”…，Xn} ； (4)對振動數(shù)據(jù)序列{X”…，XJ進行歸 一化處理后得到序列{Xl，-,xj ； (5)根據(jù)歸一化處理后的序列{Xl，…，xn}，計算基于信 息熵加權系數(shù)wSi，進而計算出經(jīng)熵加權后的振動數(shù)據(jù)序列{yi，…，yn} ； (6)由于時間因素 影響，利用時間加權對熵加權后的振動數(shù)據(jù)序列{y”…，yj進行時間加權計算后，得到數(shù) 據(jù)序列Iz”…，zj ； (7)利用數(shù)據(jù)序列{Zl，…，zj構建非線性的動態(tài)遞歸神經(jīng)網(wǎng)絡預測 模型，并采用黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)，進而確定神經(jīng)網(wǎng)絡最佳預測模型結構，進 行故障趨勢預測，得到預測結果{+，…，uj，m為預測點的數(shù)目；(8)對趨勢預測結果進行 反歸一化處理，得到實際預測結果。所述步驟(5)中，所述振動序列經(jīng)所述熵加權后得到序列{yi，…，yj為yi
=xiWsi i = 1,2,…n，式中，信息熵加權系數(shù)其中Ei為反映振動數(shù)據(jù)攜
帶信息量的信息熵，E, = -Pilog2Pi(i = 1,2,…，n), Pi為各振動數(shù)據(jù)提供信息的概率， Pi=^L~ 二 1,2, .., )。
所述步驟(6)中，所述振動序列經(jīng)所述時間加權后得到數(shù)據(jù)序列{Zl，…，zj為<formula>formula see original document page 5</formula>
zj = yiwNi i = 1,2,…n，式中，wNi為時間加權系數(shù)，其為:WNi =‘
，其中<formula>formula see original document page 5</formula>所述步驟(7)中，所述隱含層最優(yōu)節(jié)點數(shù)的確定方法如下①根據(jù)公式ni = log2n 和 二^/^^ +僅分別確定隱含層節(jié)點數(shù)所在的區(qū)間的最小值n_min和最大值n_maX，其 中，n為輸入神經(jīng)元數(shù)，m為輸出神經(jīng)元數(shù)，a為[1，10]之間的常數(shù)；②計算隱含層節(jié)點 數(shù)所在區(qū)間端點處的誤差均方E(n_min)和E(n_maX)；③比較端點處誤差的大小，當E(n_ min) ^E(n_max)時，從隱含層節(jié)點數(shù)所在區(qū)間最小值的右側進行黃金搜索，搜索點i = n_ min+0.618(n_max-n_min)，則設置njnax = i ；反之，從隱含層節(jié)點數(shù)所在區(qū)間最大值的左 側進行黃金搜索，搜索點i = n_max-0. 618 (n_max-n_min)，則設置n_min = i ；④根據(jù)已設 定的均方誤差下限值判斷黃金點是否滿足誤差要求，當滿足誤差要求時，最佳隱含層節(jié)點 數(shù)即為搜索點i ；否則，進入步驟②循環(huán)。本發(fā)明由于采取以上技術方案，其具有以下優(yōu)點1、本發(fā)明由于采用動態(tài)神經(jīng)網(wǎng) 絡模型進行預測，利用信息熵對所輸入的表征設備運行的振動信號，進行信息融合以獲得 對機電設備運行狀態(tài)的一致性描述，建立基于信息熵的權矩陣，同時考慮時間因素對網(wǎng)絡 輸入的影響，建立新息加權的動態(tài)神經(jīng)網(wǎng)絡預測模型，在動態(tài)神經(jīng)網(wǎng)絡的預測中，采用黃金 分割法確定隱含層節(jié)點數(shù)的數(shù)目，可以高效地預測設備運行狀態(tài)，因此提高了故障預測可 靠性。2、本發(fā)明由于對來自傳感器的原始信息進行信息熵融合，得到的信息熵加權系數(shù)，并 按照信息在信息熵上信息量的貢獻程度進行加權，因此可以充分有效地利用傳感器信息進 行預測。3、本發(fā)明由于考慮時間因素影響，進而建立新息加權矩陣，因此確定了網(wǎng)絡輸入值 對網(wǎng)絡輸出預測值的貢獻程度。4、本發(fā)明由于采用黃金分割法搜尋確定隱含層節(jié)點數(shù)，因 此大大簡化了計算量，并且容易確定所得預測模型結構的優(yōu)劣。5、本發(fā)明由于利用本質(zhì)為 非線性拓撲結構的動態(tài)神經(jīng)網(wǎng)絡預測模型，因此使得預測模型具有動態(tài)自適應特點，能夠 適應工況條件和環(huán)境變化等，實現(xiàn)了非線性故障預測。本發(fā)明可以廣泛應用于各種機電設 備故障預測分析中。


圖1是本發(fā)明的整體流程示意圖，圖2是本發(fā)明的基于黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)流程示意圖。
具體實施例方式下面結合附圖和實施例對本發(fā)明進行詳細的描述。如圖1所示，本發(fā)明采用動態(tài)神經(jīng)網(wǎng)絡模型進行預測，利用信息熵加權對輸入的 代表設備運行的振動信號進行信息融合，進而獲得對機電設備運行狀態(tài)的一致性描述。建立基于信息熵加權的同時，考慮時間因素對網(wǎng)絡輸入的影響，建立新息加權的動態(tài)神經(jīng)網(wǎng) 絡預測模型，在動態(tài)神經(jīng)網(wǎng)絡的預測中，采用黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)，以實現(xiàn)高 效的預測設備運行狀態(tài)。其具體步驟如下(1)通過現(xiàn)有遠程監(jiān)測診斷中心獲取對故障敏感的某測點傳感器輸出的一段連續(xù) 振動信號數(shù)據(jù)；(2)利用3 σ方法和插值方法對獲取的振動數(shù)據(jù)分別進行異常值剔除和缺失數(shù)據(jù) 填補，得到振動數(shù)據(jù)序列{X” -,XJ ；(4)對振動數(shù)據(jù)序列{Χ1;…，XJ進行歸一化處理后得到序列Ix1,…，Xj，即
<formula>formula see original document page 6</formula>(5)根據(jù)歸一化處理后的序列Ix1,…，xn}，計算基于信息熵加權系數(shù)Wsi，經(jīng)過熵 加權后得到振動數(shù)據(jù)序列…，yj為<formula>formula see original document page 6</formula>上式中，信息熵加權系數(shù)=，其中Ei為反映振動數(shù)據(jù)攜帶信息量的信
息熵，Ei = -PiIog2Pi (i = 1,2,…，η)，Pi為各振動數(shù)據(jù)提供信息的概率， <formula>formula see original document page 6</formula>
(6)由于時間序列數(shù)據(jù)隨振動數(shù)據(jù)的新舊程度不同，會對輸出預測值的貢獻大 小也不相同，因此用時間加權對熵加權后的振動數(shù)據(jù)序列…，yn}進行時間加權計 算，進而能體現(xiàn)出樣本數(shù)據(jù)中新舊數(shù)據(jù)對預測值的貢獻大小，經(jīng)時間加權后得到數(shù)據(jù)序列 Iz1,…，zn}為<formula>formula see original document page 6</formula>η (3)上式中，wNi為時間加權系數(shù)，其為
<formula>formula see original document page 6</formula>Wm 吐,，其中 kn hi
<formula>formula see original document page 6</formula>(7)利用數(shù)據(jù)序列Iz1,…，zn}構建非線性的動態(tài)遞歸神經(jīng)網(wǎng)絡預測模型，并在動 態(tài)神經(jīng)網(wǎng)絡預測模型中，采用黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)，進而確定神經(jīng)網(wǎng)絡最佳 預測模型結構，進行故障趨勢預測，得到預測結果Iu1,…，Uj，m為預測點的數(shù)目；(8)對趨勢預測結果進行反歸一化處理，得到實際預測結果Iv1,…，vm}，預測結果 Vi為(4)如圖2所示，上述步驟(7)中，隱含層最優(yōu)節(jié)點數(shù)的確定方法如下①根據(jù)經(jīng)驗公式叫=Iog2Ii確定隱含層節(jié)點數(shù)所在的區(qū)間的最小值n_min，根據(jù) 經(jīng)驗公式％ = V^ + α確定隱含層節(jié)點數(shù)所在的區(qū)間的最大值n_maX，進而確定了隱含層 節(jié)點數(shù)所在區(qū)間為[n_min，n_maX]；其中，η為輸入神經(jīng)元數(shù)，m為輸出神經(jīng)元數(shù)，α為[1，10]之間的常數(shù)；②計算隱含層節(jié)點數(shù)所在區(qū)間端點處的均方誤差E (n_min)和E (n_max)；③比較端點處誤差的大小，當E (n_min)彡E (n_max)時，從隱含層節(jié)點數(shù)所在區(qū)間 最小值的右側進行黃金搜索，搜索點i = n_min+0. 618 (n_max-n_min)，則設置njnax = i ； 否則，從隱含層節(jié)點數(shù)所在區(qū)間最大值的左側進行黃金搜索，搜索點i = n_max-0.618(n_ max-n_min)，貝U設置 n—min = i ；④根據(jù)已設定的均方誤差下限值判斷黃金點是否滿足誤差要求，當滿足誤差要求 時，最佳隱含層節(jié)點數(shù)即為搜索點i ；否則，進入步驟②循環(huán)。上述各實施例僅是本發(fā)明的優(yōu)選實施方式，在本技術領域內(nèi)，凡是基于本發(fā)明技 術方案上的變化和改進，不應排除在本發(fā)明的保護范圍之外。
權利要求
一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法，其步驟如下(1)通過遠程監(jiān)測診斷中心獲取對故障敏感的某測點傳感器輸出的一段連續(xù)振動信號；(2)利用3σ方法和插值方法對獲取的振動數(shù)據(jù)分別進行異常值剔除和缺失數(shù)據(jù)填補，得到振動數(shù)據(jù)序列{X1，…，Xn}；(4)對振動數(shù)據(jù)序列{X1，…，Xn}進行歸一化處理后得到序列{x1，…，xn}；(5)根據(jù)歸一化處理后的序列{x1，…，xn}，計算基于信息熵加權系數(shù)wSi，進而計算出經(jīng)熵加權后的振動數(shù)據(jù)序列{y1，…，yn}；(6)由于時間因素影響，利用時間加權對熵加權后的振動數(shù)據(jù)序列{y1，…，yn}進行時間加權計算后，得到數(shù)據(jù)序列{z1，…，zn}；(7)利用數(shù)據(jù)序列{z1，…，zn}構建非線性的動態(tài)遞歸神經(jīng)網(wǎng)絡預測模型，并采用黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)，進而確定神經(jīng)網(wǎng)絡最佳預測模型結構，進行故障趨勢預測，得到預測結果{u1，…，um}，m為預測點的數(shù)目；(8)對趨勢預測結果進行反歸一化處理，得到實際預測結果。
2.如權利要求1所述的一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法，其特征在于所述 步驟(5)中，所述振動序列經(jīng)所述熵加權后得到序列{y1;…，yn}為Yi = XiWsi i = 1,2, ".η,式中，信息熵加權系數(shù)二 }，其中Ei為反映振動數(shù)據(jù)攜帶信息量的信息熵，Ei="PiIog2Pi (i = 1,2,…，η)，Pi為各振動數(shù)據(jù)提供信息的概率， (ζ. = 1，2，."，《)0/=1
3.如權利要求1所述的一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法，其特征在于所述 步驟(6)中，所述振動序列經(jīng)所述時間加權后得到數(shù)據(jù)序列Iz1,…，ζη}為Zi = Y1Wni i = 1,2,…η, 式中，wNi為時間加權系數(shù)，其為<formula>formula see original document page 2</formula>，其中 <formula>formula see original document page 2</formula>
4.如權利要求1所述的一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法，其特征在于所述 步驟(7)中，所述隱含層最優(yōu)節(jié)點數(shù)的確定方法如下①根據(jù)公式Il1= Iog2Ii和巧=V^ + 分別確定隱含層節(jié)點數(shù)所在的區(qū)間的最小值 n_min和最大值n_maX，其中，η為輸入神經(jīng)元數(shù)，m為輸出神經(jīng)元數(shù)，α為[1，10]之間的常 數(shù)；②計算隱含層節(jié)點數(shù)所在區(qū)間端點處的誤差均方E(n_min)和E(n_maX)；③比較端點處誤差的大小，當E(n_min)^E(n_max)時，從隱含層節(jié)點數(shù)所在區(qū)間最小 值的右側進行黃金搜索，搜索點i = n_min+0. 618 (n_max-n_min)，則設置njnax = i ；反之，從隱含層節(jié)點數(shù)所在區(qū)間最大值的左側進行黃金搜索，搜索點i = n_max-0. 618(n_max-n_ min),貝設置 n_min = i ；④根據(jù)已設定的均方誤差下限值判斷黃金點是否滿足誤差要求，當滿足誤差要求時， 最佳隱含層節(jié)點數(shù)即為搜索點i ；否則，進入步驟②循環(huán)。
全文摘要
本發(fā)明涉及一種機電設備神經(jīng)網(wǎng)絡故障趨勢預測方法，(1)獲取對故障敏感的某測點傳感器輸出的一段連續(xù)振動信號；(2)利用3σ方法和插值方法對振動數(shù)據(jù)分別進行異常值剔除和缺失數(shù)據(jù)填補；(3)對振動數(shù)據(jù)序列進行歸一化處理；(4)根據(jù)歸一化處理后的序列，計算出經(jīng)熵加權后的振動數(shù)據(jù)序列；(5)由于時間因素影響，利用時間加權對熵加權后的振動數(shù)據(jù)序列進行時間加權計算；(6)利用由步驟(6)得到的數(shù)據(jù)序列構建非線性的動態(tài)遞歸神經(jīng)網(wǎng)絡預測模型，并采用黃金分割法確定隱含層最優(yōu)節(jié)點數(shù)；(7)對趨勢預測結果進行反歸一化處理，得到實際預測結果。本發(fā)明由于采用動態(tài)神經(jīng)網(wǎng)絡模型進行預測，提高了故障預測可靠性。本發(fā)明可以廣泛應用于各種機電設備故障預測分析中。
文檔編號G01M99/00GK101799367SQ201010101328
公開日2010年8月11日 申請日期2010年1月27日 優(yōu)先權日2010年1月27日
發(fā)明者徐小力, 王少紅, 王紅軍, 陳濤 申請人:北京信息科技大學