专利名称：一种机电设备神经网络故障趋势预测方法
技术领域：
本发明涉及一种机械故障预测方法，特别是关于一种基于信息熵加权和时间因素 加权的机电设备神经网络故障趋势预测方法。
背景技术：
面对机电设备故障预测的非线性、非平稳动态问题，传统的线性化处理方法效果 欠佳，而一些本质是非线性的动态系统分析处理方法在故障预测方面具有应用前景。神经 网络预测方法具有自学习功能，以及非线性、非局域性、非定常性等特点，可以通过恰当选 择网络层次和隐层单元数，能够以任意精度逼近任意连续非线性函数及其各阶导数的特 性，因而在故障预测中被广泛。目前，采用神经网络进行故障预测的方法大体是将设备运 行状态的时间序列数据依次输入到神经网络的输入层，然后采用通用神经网络进行训练和 预测。在这种方法中，网络输入值对网络输出预测值的贡献程度在概率上基本上是等同的， 而且所用的神经网络大多是静态网络，不适合动态系统的实时辨识。在实际应用中，网络结 构中隐含层节点数一般是依靠试算的办法，但是该方法计算量较大，并且不容易确定所得 预测模型结构的优劣。
发明内容
针对上述问题，本发明的目的是提供一种故障预测可靠性较高、计算量较小且能 适用于动态系统实时辨识的机电设备神经网络故障趋势预测方法。为实现上述目的，本发明采取以下技术方案一种机电设备神经网络故障趋势预 测方法，其步骤如下(1)通过远程监测诊断中心获取对故障敏感的某测点传感器输出的 一段连续振动信号；(2)利用3o方法和插值方法对获取的振动数据分别进行异常值剔除 和缺失数据填补，得到振动数据序列{X”…，Xn} ； (4)对振动数据序列{X”…，XJ进行归 一化处理后得到序列{Xl，-,xj ； (5)根据归一化处理后的序列{Xl，…，xn}，计算基于信 息熵加权系数wSi，进而计算出经熵加权后的振动数据序列{yi，…，yn} ； (6)由于时间因素 影响，利用时间加权对熵加权后的振动数据序列{y”…，yj进行时间加权计算后，得到数 据序列Iz”…，zj ； (7)利用数据序列{Zl，…，zj构建非线性的动态递归神经网络预测 模型，并采用黄金分割法确定隐含层最优节点数，进而确定神经网络最佳预测模型结构，进 行故障趋势预测，得到预测结果{+，…，uj，m为预测点的数目；(8)对趋势预测结果进行 反归一化处理，得到实际预测结果。所述步骤(5)中，所述振动序列经所述熵加权后得到序列{yi，…，yj为yi
=xiWsi i = 1,2,…n，式中，信息熵加权系数其中Ei为反映振动数据携
带信息量的信息熵，E, = -Pilog2Pi(i = 1,2,…，n), Pi为各振动数据提供信息的概率， Pi=^L~ 二 1,2, .., )。
所述步骤(6)中，所述振动序列经所述时间加权后得到数据序列{Zl，…，zj为<formula>formula see original document page 5</formula>
zj = yiwNi i = 1,2,…n，式中，wNi为时间加权系数，其为:WNi =‘
，其中<formula>formula see original document page 5</formula>所述步骤(7)中，所述隐含层最优节点数的确定方法如下①根据公式ni = log2n 和 二^/^^ +仅分别确定隐含层节点数所在的区间的最小值n_min和最大值n_maX，其 中，n为输入神经元数，m为输出神经元数，a为[1，10]之间的常数；②计算隐含层节点 数所在区间端点处的误差均方E(n_min)和E(n_maX)；③比较端点处误差的大小，当E(n_ min) ^E(n_max)时，从隐含层节点数所在区间最小值的右侧进行黄金搜索，搜索点i = n_ min+0.618(n_max-n_min)，则设置njnax = i ；反之，从隐含层节点数所在区间最大值的左 侧进行黄金搜索，搜索点i = n_max-0. 618 (n_max-n_min)，则设置n_min = i ；④根据已设 定的均方误差下限值判断黄金点是否满足误差要求，当满足误差要求时，最佳隐含层节点 数即为搜索点i ；否则，进入步骤②循环。本发明由于采取以上技术方案，其具有以下优点1、本发明由于采用动态神经网 络模型进行预测，利用信息熵对所输入的表征设备运行的振动信号，进行信息融合以获得 对机电设备运行状态的一致性描述，建立基于信息熵的权矩阵，同时考虑时间因素对网络 输入的影响，建立新息加权的动态神经网络预测模型，在动态神经网络的预测中，采用黄金 分割法确定隐含层节点数的数目，可以高效地预测设备运行状态，因此提高了故障预测可 靠性。2、本发明由于对来自传感器的原始信息进行信息熵融合，得到的信息熵加权系数，并 按照信息在信息熵上信息量的贡献程度进行加权，因此可以充分有效地利用传感器信息进 行预测。3、本发明由于考虑时间因素影响，进而建立新息加权矩阵，因此确定了网络输入值 对网络输出预测值的贡献程度。4、本发明由于采用黄金分割法搜寻确定隐含层节点数，因 此大大简化了计算量，并且容易确定所得预测模型结构的优劣。5、本发明由于利用本质为 非线性拓扑结构的动态神经网络预测模型，因此使得预测模型具有动态自适应特点，能够 适应工况条件和环境变化等，实现了非线性故障预测。本发明可以广泛应用于各种机电设 备故障预测分析中。
图1是本发明的整体流程示意图，图2是本发明的基于黄金分割法确定隐含层最优节点数流程示意图。
具体实施例方式下面结合附图和实施例对本发明进行详细的描述。如图1所示，本发明采用动态神经网络模型进行预测，利用信息熵加权对输入的 代表设备运行的振动信号进行信息融合，进而获得对机电设备运行状态的一致性描述。建立基于信息熵加权的同时，考虑时间因素对网络输入的影响，建立新息加权的动态神经网 络预测模型，在动态神经网络的预测中，采用黄金分割法确定隐含层最优节点数，以实现高 效的预测设备运行状态。其具体步骤如下(1)通过现有远程监测诊断中心获取对故障敏感的某测点传感器输出的一段连续 振动信号数据；(2)利用3 σ方法和插值方法对获取的振动数据分别进行异常值剔除和缺失数据 填补，得到振动数据序列{X” -,XJ ；(4)对振动数据序列{Χ1;…，XJ进行归一化处理后得到序列Ix1,…，Xj，即
<formula>formula see original document page 6</formula>(5)根据归一化处理后的序列Ix1,…，xn}，计算基于信息熵加权系数Wsi，经过熵 加权后得到振动数据序列…，yj为<formula>formula see original document page 6</formula>上式中，信息熵加权系数=，其中Ei为反映振动数据携带信息量的信
息熵，Ei = -PiIog2Pi (i = 1,2,…，η)，Pi为各振动数据提供信息的概率， <formula>formula see original document page 6</formula>
(6)由于时间序列数据随振动数据的新旧程度不同，会对输出预测值的贡献大 小也不相同，因此用时间加权对熵加权后的振动数据序列…，yn}进行时间加权计 算，进而能体现出样本数据中新旧数据对预测值的贡献大�。奔浼尤ê蟮玫绞菪蛄� Iz1,…，zn}为<formula>formula see original document page 6</formula>η (3)上式中，wNi为时间加权系数，其为
<formula>formula see original document page 6</formula>Wm 吐,，其中 kn hi
<formula>formula see original document page 6</formula>(7)利用数据序列Iz1,…，zn}构建非线性的动态递归神经网络预测模型，并在动 态神经网络预测模型中，采用黄金分割法确定隐含层最优节点数，进而确定神经网络最佳 预测模型结构，进行故障趋势预测，得到预测结果Iu1,…，Uj，m为预测点的数目；(8)对趋势预测结果进行反归一化处理，得到实际预测结果Iv1,…，vm}，预测结果 Vi为(4)如图2所示，上述步骤(7)中，隐含层最优节点数的确定方法如下①根据经验公式叫=Iog2Ii确定隐含层节点数所在的区间的最小值n_min，根据 经验公式％ = V^ + α确定隐含层节点数所在的区间的最大值n_maX，进而确定了隐含层 节点数所在区间为[n_min，n_maX]；其中，η为输入神经元数，m为输出神经元数，α为[1，10]之间的常数；②计算隐含层节点数所在区间端点处的均方误差E (n_min)和E (n_max)；③比较端点处误差的大�。盓 (n_min)彡E (n_max)时，从隐含层节点数所在区间 最小值的右侧进行黄金搜索，搜索点i = n_min+0. 618 (n_max-n_min)，则设置njnax = i ； 否则，从隐含层节点数所在区间最大值的左侧进行黄金搜索，搜索点i = n_max-0.618(n_ max-n_min)，贝U设置 n—min = i ；④根据已设定的均方误差下限值判断黄金点是否满足误差要求，当满足误差要求 时，最佳隐含层节点数即为搜索点i ；否则，进入步骤②循环。上述各实施例仅是本发明的优选实施方式，在本技术领域内，凡是基于本发明技 术方案上的变化和改进，不应排除在本发明的保护范围之外。
权利要求
一种机电设备神经网络故障趋势预测方法，其步骤如下(1)通过远程监测诊断中心获取对故障敏感的某测点传感器输出的一段连续振动信号；(2)利用3σ方法和插值方法对获取的振动数据分别进行异常值剔除和缺失数据填补，得到振动数据序列{X1，…，Xn}；(4)对振动数据序列{X1，…，Xn}进行归一化处理后得到序列{x1，…，xn}；(5)根据归一化处理后的序列{x1，…，xn}，计算基于信息熵加权系数wSi，进而计算出经熵加权后的振动数据序列{y1，…，yn}；(6)由于时间因素影响，利用时间加权对熵加权后的振动数据序列{y1，…，yn}进行时间加权计算后，得到数据序列{z1，…，zn}；(7)利用数据序列{z1，…，zn}构建非线性的动态递归神经网络预测模型，并采用黄金分割法确定隐含层最优节点数，进而确定神经网络最佳预测模型结构，进行故障趋势预测，得到预测结果{u1，…，um}，m为预测点的数目；(8)对趋势预测结果进行反归一化处理，得到实际预测结果。
2.如权利要求1所述的一种机电设备神经网络故障趋势预测方法，其特征在于所述 步骤(5)中，所述振动序列经所述熵加权后得到序列{y1;…，yn}为Yi = XiWsi i = 1,2, ".η,式中，信息熵加权系数二 }，其中Ei为反映振动数据携带信息量的信息熵，Ei="PiIog2Pi (i = 1,2,…，η)，Pi为各振动数据提供信息的概率， (ζ. = 1，2，."，《)0/=1
3.如权利要求1所述的一种机电设备神经网络故障趋势预测方法，其特征在于所述 步骤(6)中，所述振动序列经所述时间加权后得到数据序列Iz1,…，ζη}为Zi = Y1Wni i = 1,2,…η, 式中，wNi为时间加权系数，其为<formula>formula see original document page 2</formula>，其中 <formula>formula see original document page 2</formula>
4.如权利要求1所述的一种机电设备神经网络故障趋势预测方法，其特征在于所述 步骤(7)中，所述隐含层最优节点数的确定方法如下①根据公式Il1= Iog2Ii和巧=V^ + 分别确定隐含层节点数所在的区间的最小值 n_min和最大值n_maX，其中，η为输入神经元数，m为输出神经元数，α为[1，10]之间的常 数；②计算隐含层节点数所在区间端点处的误差均方E(n_min)和E(n_maX)；③比较端点处误差的大小，当E(n_min)^E(n_max)时，从隐含层节点数所在区间最小 值的右侧进行黄金搜索，搜索点i = n_min+0. 618 (n_max-n_min)，则设置njnax = i ；反之，从隐含层节点数所在区间最大值的左侧进行黄金搜索，搜索点i = n_max-0. 618(n_max-n_ min),贝设置 n_min = i ；④根据已设定的均方误差下限值判断黄金点是否满足误差要求，当满足误差要求时， 最佳隐含层节点数即为搜索点i ；否则，进入步骤②循环。
全文摘要
本发明涉及一种机电设备神经网络故障趋势预测方法，(1)获取对故障敏感的某测点传感器输出的一段连续振动信号；(2)利用3σ方法和插值方法对振动数据分别进行异常值剔除和缺失数据填补；(3)对振动数据序列进行归一化处理；(4)根据归一化处理后的序列，计算出经熵加权后的振动数据序列；(5)由于时间因素影响，利用时间加权对熵加权后的振动数据序列进行时间加权计算；(6)利用由步骤(6)得到的数据序列构建非线性的动态递归神经网络预测模型，并采用黄金分割法确定隐含层最优节点数；(7)对趋势预测结果进行反归一化处理，得到实际预测结果。本发明由于采用动态神经网络模型进行预测，提高了故障预测可靠性。本发明可以广泛应用于各种机电设备故障预测分析中。
文档编号G01M99/00GK101799367SQ201010101328
公开日2010年8月11日 申请日期2010年1月27日 优先权日2010年1月27日
发明者徐小力, 王少红, 王红军, 陈涛 申请人:北京信息科技大学
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
