專(zhuān)利名稱(chēng)：一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種機(jī)電設(shè)備故障預(yù)測(cè)方法，特別是關(guān)于一種機(jī)電設(shè)備非線性故障預(yù) 測(cè)方法。
背景技術(shù)：
故障預(yù)測(cè)是保障機(jī)電設(shè)備長(zhǎng)期安全、滿(mǎn)負(fù)荷運(yùn)行的關(guān)鍵技術(shù)，是機(jī)電故障診斷學(xué) 研究的重點(diǎn)之一。目前國(guó)內(nèi)外有關(guān)機(jī)電設(shè)備故障分析技術(shù)研究和應(yīng)用主要集中在故障診斷 方面，主要關(guān)注點(diǎn)是故障的狀態(tài)和程度，而對(duì)設(shè)備狀態(tài)未來(lái)發(fā)展預(yù)測(cè)、故障發(fā)展預(yù)測(cè)及其發(fā) 展趨勢(shì)評(píng)價(jià)的研究和應(yīng)用較少。在機(jī)電設(shè)備故障預(yù)測(cè)中，特征提取是一個(gè)重要環(huán)節(jié)，也是故 障預(yù)測(cè)中的難題。復(fù)雜機(jī)電系統(tǒng)是非線性系統(tǒng)，其運(yùn)行狀態(tài)具有非線性特點(diǎn)，設(shè)備運(yùn)行的數(shù) 據(jù)雖然提供了設(shè)備運(yùn)行狀況的極其豐富、詳細(xì)的信息，但給故障敏感特征提取帶來(lái)很大困 難。流形學(xué)習(xí)(Manifold Learning)算法是近年來(lái)發(fā)展起來(lái)的非線性降維機(jī)器學(xué)習(xí)算 法，以保持?jǐn)?shù)據(jù)局部結(jié)構(gòu)的方式將高維輸入投影到低維空間，發(fā)現(xiàn)隱藏在數(shù)據(jù)中的內(nèi)在幾 何結(jié)構(gòu)與規(guī)律性。目前，有將流形學(xué)習(xí)方法用于沖擊故障特征提取和喘振監(jiān)測(cè)技術(shù)、軸承故 障分類(lèi)和設(shè)備狀態(tài)趨勢(shì)分析中的應(yīng)用，但這些方法均為流形學(xué)習(xí)局部方法，一方面是不能 很好的保持?jǐn)?shù)據(jù)的整體性，在從高維到低維的映射過(guò)程中，很可能會(huì)將相隔較遠(yuǎn)的點(diǎn)映射 到近鄰點(diǎn)的位置，因此不能有效提取低維特征；另一方面是流形學(xué)習(xí)所應(yīng)用的對(duì)象大多為 軸承故障和壓縮機(jī)，所應(yīng)用的領(lǐng)域較具體，因此沒(méi)有通用性。面對(duì)機(jī)電設(shè)備故障預(yù)測(cè)的非線性、非平穩(wěn)動(dòng)態(tài)問(wèn)題，神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法具有自學(xué) 習(xí)功能，以及非線性、非局域性、非定常性等特點(diǎn)，可以通過(guò)恰當(dāng)選擇網(wǎng)絡(luò)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(dǎo)數(shù)的特性，因而在故障預(yù)測(cè)中被 廣泛。目前，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障預(yù)測(cè)的方法大體是將設(shè)備運(yùn)行狀態(tài)的時(shí)間序列數(shù)據(jù)依 次輸入到神經(jīng)網(wǎng)絡(luò)的輸入層，然后采用通用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)。在這種方法中，網(wǎng)絡(luò) 輸入值對(duì)網(wǎng)絡(luò)輸出預(yù)測(cè)值的貢獻(xiàn)程度在概率上基本上是等同的，而且所用的神經(jīng)網(wǎng)絡(luò)大多 是靜態(tài)網(wǎng)絡(luò)，不適合動(dòng)態(tài)系統(tǒng)的實(shí)時(shí)辨識(shí)。在實(shí)際應(yīng)用中，網(wǎng)絡(luò)結(jié)構(gòu)中隱含層節(jié)點(diǎn)數(shù)一般是 依靠試算的辦法，但是該方法計(jì)算量較大，并且不容易確定所得預(yù)測(cè)模型結(jié)構(gòu)的優(yōu)劣。

發(fā)明內(nèi)容
針對(duì)上述問(wèn)題，本發(fā)明的目的是提供一種能實(shí)現(xiàn)對(duì)機(jī)電設(shè)備長(zhǎng)歷程運(yùn)行故障預(yù)測(cè) 的機(jī)電設(shè)備非線性故障預(yù)測(cè)方法。為實(shí)現(xiàn)上述目的，本發(fā)明采取以下技術(shù)方案一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法， 其步驟如下步驟一、通過(guò)現(xiàn)有遠(yuǎn)程監(jiān)測(cè)診斷中心獲取能代表設(shè)備運(yùn)行狀況的數(shù)據(jù)，選取對(duì) 故障敏感的某測(cè)點(diǎn)傳感器輸出的一段長(zhǎng)歷程的連續(xù)振動(dòng)信號(hào)進(jìn)行分析；步驟二、利用30 方法和插值方法對(duì)獲取的振動(dòng)數(shù)據(jù)分別進(jìn)行異常值剔除和缺失數(shù)據(jù)填補(bǔ)；步驟三、采用提 升小波方法對(duì)振動(dòng)信號(hào)中所包含的噪聲進(jìn)行降噪；步驟四、利用提升小波方法將降噪后的振動(dòng)信號(hào)分解到相應(yīng)的特征頻帶內(nèi)；步驟五、利用步驟四中獲取的某一典型預(yù)測(cè)特征頻帶， 采用非線性流形學(xué)習(xí)方法通過(guò)拓?fù)溆成渑c非故障能量信息解耦，得到用于故障預(yù)測(cè)的低維 流形特征；步驟六、利用具有動(dòng)態(tài)自適應(yīng)特點(diǎn)的遞歸神經(jīng)網(wǎng)絡(luò)，及步驟五中的低維流形特征 的第一維作為神經(jīng)網(wǎng)絡(luò)輸入，在時(shí)域進(jìn)行長(zhǎng)歷程趨勢(shì)的智能故障預(yù)測(cè)。所述步驟五中，所述故障預(yù)測(cè)的低維流形特征提取方法步驟如下(1)利用時(shí)間 延遲法對(duì)降噪后的信號(hào)進(jìn)行相空間重構(gòu)到一個(gè)m維的相空間中，進(jìn)而獲知原始動(dòng)力學(xué)系 統(tǒng)完整的信息；(2)根據(jù)相空間重構(gòu)后的兩樣本點(diǎn)之間的歐氏距離判斷兩該樣本點(diǎn)是否 為近鄰點(diǎn)；當(dāng)兩樣本點(diǎn)為近鄰點(diǎn)，則兩點(diǎn)之間有邊連接；當(dāng)兩樣本點(diǎn)為非近鄰點(diǎn)，則沒(méi)有 邊連接；(3)根據(jù)樣本點(diǎn)的邊連接距離確定鄰近圖，邊連接的最短路徑為De，其中包含了 臨近圖中任意兩個(gè)點(diǎn)之間的最短路徑距離；(4)規(guī)范化變換矩陣S，進(jìn)而確定矩陣t (DJ， 矩陣i (隊(duì))表示流形局部性質(zhì)；(5)利用平移不變的方法，根據(jù)矩陣t (隊(duì))構(gòu)造一中間 計(jì)算矩陣&和一測(cè)地距離核矩陣K，并根據(jù)中間計(jì)算矩陣&的最大特征值b，使得測(cè)地 距離核矩陣K滿(mǎn)足正定性；(6)利用譜分解方法，計(jì)算正定測(cè)地距離核矩陣K的特征值和
特征向量；⑵根據(jù)亥維塞德函數(shù)cn(o確定拓?fù)渚S數(shù)d為“=limlofC"(g)，其中，
log s
i n nfo 當(dāng)工 < Q
Cn(s) = V-rZX^C^--x.||) ,S(x) =；⑶根據(jù)拓?fù)渚S數(shù)d進(jìn)行低維流形
— 1) J=] y=J[1 3X ^ 0
特征提取，得到用于故障預(yù)測(cè)的低維流形特征t為r =必其中，入工，…， 入<!為正定測(cè)地距離核矩陣k的d個(gè)最大特征值；t/二&，...，％]，為d個(gè)最大特征值對(duì)應(yīng)的 特征向量。所述步驟⑵中，所述近鄰點(diǎn)的判定方法為當(dāng)歐氏距離l|Xi_Xjll彡e時(shí)，則 樣本點(diǎn)為近鄰點(diǎn)，兩點(diǎn)之間有邊連接，且邊長(zhǎng)為dx(i，j) = II Xi-Xj || ；當(dāng)歐氏距 離||Xi_Xj|| > e時(shí)，則樣本點(diǎn)為非近鄰點(diǎn)，即兩點(diǎn)之間沒(méi)有邊連接；其中￡為一 個(gè)無(wú)窮小量。所述步驟⑷中，所述變換矩陣S和矩陣t (De)分別為Sy =d2a(i,j)， = --瓜//，其中，H為中心化矩陣，丑=/— o，eN= [1，…，1]T G RN;dG(i,j)為
兩樣本點(diǎn)Xi和Xj的最短路徑距離，dG(i, j) = dx(i，j) = || Xi-Xj ||。所述步驟(5)中，所 述中間計(jì)算矩陣&和測(cè)地距離核矩陣K分別為
"“0 2i(Dr) 1,Kx= _i 一^)《 = ,(Z)G) + 2a(外)+ ，其中 J 為單位矩陣。所述步驟六中，所述故障預(yù)測(cè)方法步驟如下(1)計(jì)算基于信息熵加權(quán)系數(shù)wSi，低 維流形特征的第一維經(jīng)過(guò)熵加權(quán)后得到數(shù)據(jù)序列= XiwSi i = 1，2，…n，式中，信息熵加權(quán)
系數(shù) 二 mJk.}，其中Ei為反映數(shù)據(jù)攜帶信息量的信息熵，& = "Pilo&P^i = 1,2,…，
n)，各數(shù)據(jù)提供信息的概率，乃0' = 1,2," , )； (2)由于時(shí)間因素影響，利用時(shí)
間加權(quán)對(duì)熵加權(quán)后的振動(dòng)數(shù)據(jù)序列{yi，…，yn}進(jìn)行時(shí)間加權(quán)計(jì)算后，得到數(shù)據(jù)序列^ = yiwNi i = 1,2,…n ；⑶利用數(shù)據(jù)序列{Zl，…，zj構(gòu)建非線性的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)
5模型，并采用黃金分割法確定隱含層最優(yōu)節(jié)點(diǎn)數(shù)，進(jìn)而確定神經(jīng)網(wǎng)絡(luò)最佳預(yù)測(cè)模型結(jié)構(gòu)，進(jìn) 行故障趨勢(shì)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果Iu1,…，Uj，m為預(yù)測(cè)點(diǎn)的數(shù)目。所述步驟(3)中，所述隱含層最優(yōu)節(jié)點(diǎn)數(shù)的確定方法如下①根據(jù)公式Ii1 = Iog2Ii 和 ^/^ +僅分別確定隱含層節(jié)點(diǎn)數(shù)所在的區(qū)間的最小值！^！^！！和最大值！^?。?！皿，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(jì)算隱含層節(jié)點(diǎn) 數(shù)所在區(qū)間端點(diǎn)處的誤差均方E(n_min)和E(n_maX)；③比較端點(diǎn)處誤差的大小，當(dāng)E(n_ min) ^E(n_max)時(shí)，從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間最小值的右側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_ min+0.618(n_max-n_min)，則設(shè)置njnax = i ；反之，從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間最大值的左 側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_max-0. 618 (n_max-n_min)，則設(shè)置n_min = i ；④根據(jù)已設(shè) 定的均方誤差下限值判斷黃金點(diǎn)是否滿(mǎn)足誤差要求，當(dāng)滿(mǎn)足誤差要求時(shí)，最佳隱含層節(jié)點(diǎn) 數(shù)即為搜索點(diǎn)i ；否則，進(jìn)入步驟②循環(huán)。本發(fā)明由于采取以上技術(shù)方案，其具有以下優(yōu)點(diǎn)1、本發(fā)明由于采用提升小波方 法，該方法繼承了經(jīng)典小波變換的時(shí)頻局部化特性，其所有的運(yùn)算在時(shí)域進(jìn)行，算法簡(jiǎn)單、 運(yùn)算速度高、占用內(nèi)存少，因此適合故障特征的特征頻帶提取。2、本發(fā)明是針對(duì)典型預(yù)測(cè)特 征頻帶進(jìn)行的故障預(yù)測(cè)，有利于對(duì)故障進(jìn)行針對(duì)性的趨勢(shì)預(yù)測(cè)，因而具有很高的應(yīng)用價(jià)值。 3、本發(fā)明由于采用動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)，利用信息熵對(duì)所輸入的表征設(shè)備運(yùn)行的振 動(dòng)信號(hào)，進(jìn)行信息融合以獲得對(duì)機(jī)電設(shè)備運(yùn)行狀態(tài)的一致性描述，建立基于信息熵的權(quán)矩 陣，同時(shí)考慮時(shí)間因素對(duì)網(wǎng)絡(luò)輸入的影響，建立新息加權(quán)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，在動(dòng)態(tài) 神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)中，采用黃金分割法確定隱含層節(jié)點(diǎn)數(shù)的數(shù)目，可以高效地預(yù)測(cè)設(shè)備運(yùn)行 狀態(tài)，因此提高了故障預(yù)測(cè)可靠性。4、本發(fā)明由于采用黃金分割法搜尋確定隱含層節(jié)點(diǎn)數(shù)， 因此大大簡(jiǎn)化了計(jì)算量，并且容易確定所得預(yù)測(cè)模型結(jié)構(gòu)的優(yōu)劣。5、本發(fā)明由于利用本質(zhì) 為非線性拓?fù)浣Y(jié)構(gòu)的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，因此使得預(yù)測(cè)模型具有動(dòng)態(tài)自適應(yīng)特點(diǎn)，能 夠適應(yīng)工況條件和環(huán)境變化等，實(shí)現(xiàn)了非線性故障預(yù)測(cè)。6、本發(fā)明由于是基于流形的內(nèi)在 幾何結(jié)構(gòu)通過(guò)拓?fù)溆成溥M(jìn)行的，是非線性方法，因此更能體現(xiàn)異常數(shù)據(jù)的本質(zhì)，實(shí)現(xiàn)了特征 提取與能量的解耦和分離。7、本發(fā)明由于采用非參數(shù)方法，因此不需要對(duì)流形做很多參數(shù) 假設(shè)，只需轉(zhuǎn)化為求解特征值問(wèn)題，不需要迭代算法，因此大大簡(jiǎn)化了求解過(guò)程，避免了局 部極值問(wèn)題。8、本發(fā)明由于采用全局優(yōu)化算法，因此能夠很好的保持?jǐn)?shù)據(jù)的整體性，有效提 取流形距離的特征。9、本發(fā)明由于采用變換矩陣滿(mǎn)足正定條件，有利于增強(qiáng)特征提取的泛 化能力，可以將測(cè)試數(shù)據(jù)投影到相關(guān)的低維流形。本發(fā)明可廣泛應(yīng)用于各種機(jī)電設(shè)備的故 障預(yù)測(cè)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(diǎn)數(shù)流程示意圖，圖3是本發(fā)明的低維流形特征提取流程示意圖。
具體實(shí)施例方式下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明進(jìn)行詳細(xì)的描述。如圖1所示，本發(fā)明利用非線性預(yù)測(cè)方法，對(duì)長(zhǎng)歷程變工況機(jī)電設(shè)備進(jìn)行故障預(yù)測(cè)，在典型故障預(yù)測(cè)特征頻帶上提取故障敏感特征，并基于故障敏感特征進(jìn)行時(shí)域故障預(yù) 測(cè)，以實(shí)現(xiàn)對(duì)變工況機(jī)電設(shè)備長(zhǎng)歷程故障發(fā)展信息進(jìn)行有效的故障預(yù)測(cè)，其具體步驟如 下步驟一、通過(guò)現(xiàn)有遠(yuǎn)程監(jiān)測(cè)診斷中心獲取能代表設(shè)備運(yùn)行狀況的數(shù)據(jù)，由于振動(dòng) 信號(hào)能夠反映設(shè)備的機(jī)械動(dòng)特性(即能代表機(jī)械設(shè)備運(yùn)行狀態(tài)性能的指標(biāo))，因此選取對(duì) 故障敏感的某測(cè)點(diǎn)傳感器輸出的一段長(zhǎng)歷程的連續(xù)振動(dòng)信號(hào)進(jìn)行分析；步驟二、利用3 o方法和插值方法對(duì)獲取的振動(dòng)數(shù)據(jù)分別進(jìn)行異常值剔除和缺失 數(shù)據(jù)填補(bǔ)，得到振動(dòng)數(shù)據(jù)序列{X”…，XJ ；步驟三、采用提升小波方法對(duì)振動(dòng)信號(hào){X”…，XJ中所包含的噪聲進(jìn)行降噪；步驟四、針對(duì)振動(dòng)信號(hào)的非線性和非平穩(wěn)特性，利用提升小波方法將降噪后的振 動(dòng)信號(hào)分解到相應(yīng)的特征頻帶內(nèi)；步驟五、利用步驟四中獲取的某一典型預(yù)測(cè)特征頻帶{Xl，…，％}，采用非線性流 形學(xué)習(xí)方法通過(guò)拓?fù)溆成渑c非故障能量信息解耦，得到用于故障預(yù)測(cè)的低維流形特征，進(jìn) 而實(shí)現(xiàn)變工況設(shè)備長(zhǎng)歷程故障敏感特征提?。徊襟E六、利用具有動(dòng)態(tài)自適應(yīng)特點(diǎn)的遞歸神經(jīng)網(wǎng)絡(luò)，及步驟五中的低維流形特征 的第一維作為神經(jīng)網(wǎng)絡(luò)輸入，在時(shí)域進(jìn)行長(zhǎng)歷程趨勢(shì)的智能故障預(yù)測(cè)，預(yù)測(cè)方法如下(1)計(jì)算基于信息熵加權(quán)系數(shù)wSi，低維流形特征的第一維經(jīng)過(guò)熵加權(quán)后得到數(shù)據(jù) 序列仏，…，ynl為Yi = XiwSi i = 1,2, ...n， (1)上式中，信息熵加權(quán)系數(shù) =，其中Ei為反映數(shù)據(jù)攜帶信息量的信息熵， Ei = -Pi log2Pi(i = 1,2,…，n)，Pi為各數(shù)據(jù)提供信息的概率，(2)由于輸入數(shù)據(jù)隨其新舊程度不同，會(huì)對(duì)輸出預(yù)測(cè)值的貢獻(xiàn)大小也不相同，因此 用時(shí)間加權(quán)對(duì)熵加權(quán)后的數(shù)據(jù)序列{y”…，yj進(jìn)行時(shí)間加權(quán)計(jì)算，進(jìn)而能體現(xiàn)出樣本數(shù)據(jù) 中新舊數(shù)據(jù)對(duì)預(yù)測(cè)值的貢獻(xiàn)大小，經(jīng)時(shí)間加權(quán)后得到數(shù)據(jù)序列Iz”…，zn}為:Zi = yiwNi i = 1,2, ...n (2)上式中，wNi為時(shí)間加權(quán)系數(shù)，其為
WNi =
=k+l(3)利用數(shù)據(jù)序列{Zl，…，zn}構(gòu)建非線性的動(dòng)態(tài)遞歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并在動(dòng) 態(tài)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，采用黃金分割法確定隱含層最優(yōu)節(jié)點(diǎn)數(shù)，進(jìn)而確定神經(jīng)網(wǎng)絡(luò)最佳 預(yù)測(cè)模型結(jié)構(gòu)，進(jìn)行故障趨勢(shì)預(yù)測(cè)，得到預(yù)測(cè)結(jié)果lu”…，uj，m為預(yù)測(cè)點(diǎn)的數(shù)目。如圖2所示，上述步驟(3)中，隱含層最優(yōu)節(jié)點(diǎn)數(shù)的確定方法步驟如下①根據(jù)經(jīng)驗(yàn)公式叫=log2n確定隱含層節(jié)點(diǎn)數(shù)所在的區(qū)間的最小值n_min，根據(jù)
7經(jīng)驗(yàn)公式巧<formula>formula see original document page 8</formula>僅確定隱含層節(jié)點(diǎn)數(shù)所在的區(qū)間的最大值n_maX，進(jìn)而確定了隱含層 節(jié)點(diǎn)數(shù)所在區(qū)間為[n_min，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(jì)算隱含層節(jié)點(diǎn)數(shù)所在區(qū)間端點(diǎn)處的均方誤差E (n_min)和E (n_max)；③比較端點(diǎn)處誤差的大小，當(dāng)E (n_min) ( E (n_max)時(shí)，從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間 最小值的右側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_min+0. 618 (n_max-n_min)，則設(shè)置njnax = i ； 否則，從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間最大值的左側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_max-0.618(n_ max-n_min)，貝U設(shè)置 n—min = i ；④根據(jù)已設(shè)定的均方誤差下限值判斷黃金點(diǎn)是否滿(mǎn)足誤差要求，當(dāng)滿(mǎn)足誤差要求 時(shí)，最佳隱含層節(jié)點(diǎn)數(shù)即為搜索點(diǎn)i ；否則，進(jìn)入步驟②循環(huán)。如圖3所示，上述步驟五中，故障預(yù)測(cè)的低維流形特征提取方法步驟如下(1)利用時(shí)間延遲法對(duì)降噪后的信號(hào){Xl， ，％}進(jìn)行相空間重構(gòu)，將信號(hào){Xl，…， %}重構(gòu)到一個(gè)m維的相空間中，由于信號(hào)重構(gòu)前后在拓?fù)渖鲜堑葍r(jià)的，因此可以通過(guò)重構(gòu) 的動(dòng)力學(xué)系統(tǒng)獲知原始動(dòng)力學(xué)系統(tǒng)完整的信息；(2)根據(jù)相空間重構(gòu)后的兩樣本點(diǎn)Xi和Xj之間的歐氏距離II Xi-Xj ||判斷這兩樣 本點(diǎn)和&是否為近鄰點(diǎn)，當(dāng)II Xi-Xj II彡￡時(shí)，則樣本點(diǎn)Xi和&為近鄰點(diǎn)，即兩點(diǎn)之間 有邊連接，且邊長(zhǎng)為dx(i，j) = II Xi-Xj || ；當(dāng)||Xi_Xj|| > e時(shí)，則樣本點(diǎn)為非近 鄰點(diǎn)，即兩點(diǎn)之間沒(méi)有邊連接；其中￡為一個(gè)無(wú)窮小量；(3)根據(jù)樣本點(diǎn)的邊連接距離確定鄰近圖，若兩樣本點(diǎn)Xi和Xj之間有邊連接，則 設(shè)置邊連接的最短路徑距離為de(i，j) =dx(i，j)；反之dc(i，j) =C ，計(jì)算dc(i，j)= min{dG(i, j), dG(i, l)+dG(l，」)}，其中，1為1，2，…，n，n為樣本點(diǎn)數(shù)；則最短路徑Dc = {dG(i, j)}中包含了臨近圖中任意兩個(gè)點(diǎn)之間的最短路徑距離；(4)規(guī)范化變換矩陣S，進(jìn)而確定矩陣t (隊(duì))，矩陣t (DJ表示流形局部性質(zhì)；其 中，變換矩陣S和t (隊(duì))分別為<formula>formula see original document page 8</formula>(3)<formula>formula see original document page 8</formula>(4)上述公式(4)中，H為中心化矩陣<formula>formula see original document page 8</formula>(5)利用平移不變的方法，根據(jù)矩陣t (隊(duì))構(gòu)造一中間計(jì)算矩陣&和一測(cè)地距離 核矩陣K，并根據(jù)中間計(jì)算矩陣&的最大特征值b，使得測(cè)地距離核矩陣K滿(mǎn)足正定性；中 間計(jì)算矩陣&和測(cè)地距離核矩陣K分別為<formula>formula see original document page 8</formula><formula>formula see original document page 8</formula>(6)其中，I為單位矩陣；當(dāng)參數(shù)a滿(mǎn)足a彡b > 0時(shí)，則測(cè)地距離核矩陣K為正定；(6)利用譜分解方法，計(jì)算正定測(cè)地距離核矩陣K的特征值和特征向量；(7)根據(jù)亥維塞德(Heaviside)函數(shù)Cn( O確定拓?fù)渚S數(shù)d為[oo53]<formula>formula see original document page 9</formula>
剛其中，W = ^5P(Hh-4，形4當(dāng)…；(8)根據(jù)拓?fù)渚S數(shù)d進(jìn)行低維流形特征提取，得到用于故障預(yù)測(cè)的低維流形特征 <formula>formula see original document page 9</formula>其中，、，…，人d為正定測(cè)地距離核矩陣K的d個(gè)最大特征值；U =…，ud]，為d個(gè)最大特征值對(duì)應(yīng)的特征向量。上述各實(shí)施例僅是本發(fā)明的優(yōu)選實(shí)施方式，在本技術(shù)領(lǐng)域內(nèi)，凡是基于本發(fā)明技 術(shù)方案上的變化和改進(jìn)，不應(yīng)排除在本發(fā)明的保護(hù)范圍之外。
9
權(quán)利要求
一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，其步驟如下步驟一、通過(guò)現(xiàn)有遠(yuǎn)程監(jiān)測(cè)診斷中心獲取能代表設(shè)備運(yùn)行狀況的數(shù)據(jù)，選取對(duì)故障敏感的某測(cè)點(diǎn)傳感器輸出的一段長(zhǎng)歷程的連續(xù)振動(dòng)信號(hào)進(jìn)行分析；步驟二、利用3σ方法和插值方法對(duì)獲取的振動(dòng)數(shù)據(jù)分別進(jìn)行異常值剔除和缺失數(shù)據(jù)填補(bǔ)；步驟三、采用提升小波方法對(duì)振動(dòng)信號(hào)中所包含的噪聲進(jìn)行降噪；步驟四、利用提升小波方法將降噪后的振動(dòng)信號(hào)分解到相應(yīng)的特征頻帶內(nèi)；步驟五、利用步驟四中獲取的某一典型預(yù)測(cè)特征頻帶，采用非線性流形學(xué)習(xí)方法通過(guò)拓?fù)溆成渑c非故障能量信息解耦，得到用于故障預(yù)測(cè)的低維流形特征；步驟六、利用具有動(dòng)態(tài)自適應(yīng)特點(diǎn)的遞歸神經(jīng)網(wǎng)絡(luò)，及步驟五中的低維流形特征的第一維作為神經(jīng)網(wǎng)絡(luò)輸入，在時(shí)域進(jìn)行長(zhǎng)歷程趨勢(shì)的智能故障預(yù)測(cè)。
2.如權(quán)利要求1所述的一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，其特征在于所述步驟五 中，所述故障預(yù)測(cè)的低維流形特征提取方法步驟如下(1)利用時(shí)間延遲法對(duì)降噪后的信號(hào)進(jìn)行相空間重構(gòu)到一個(gè)m維的相空間中，進(jìn)而獲 知原始動(dòng)力學(xué)系統(tǒng)完整的信息；(2)根據(jù)相空間重構(gòu)后的兩樣本點(diǎn)之間的歐氏距離判斷兩該樣本點(diǎn)是否為近鄰點(diǎn)；當(dāng) 兩樣本點(diǎn)為近鄰點(diǎn)，則兩點(diǎn)之間有邊連接；當(dāng)兩樣本點(diǎn)為非近鄰點(diǎn)，則沒(méi)有邊連接；(3)根據(jù)樣本點(diǎn)的邊連接距離確定鄰近圖，邊連接的最短路徑為De，其中包含了臨近圖 中任意兩個(gè)點(diǎn)之間的最短路徑距離；(4)規(guī)范化變換矩陣S，進(jìn)而確定矩陣t(De)，矩陣t (De)表示流形局部性質(zhì)；(5)利用平移不變的方法，根據(jù)矩陣^(De)構(gòu)造一中間計(jì)算矩陣K1和一測(cè)地距離核矩 陣K，并根據(jù)中間計(jì)算矩陣K1的最大特征值b，使得測(cè)地距離核矩陣K滿(mǎn)足正定性；(6)利用譜分解方法，計(jì)算正定測(cè)地距離核矩陣K的特征值和特征向量；(7)根據(jù)亥維塞德函數(shù)Cn(ε )確定拓?fù)渚S數(shù)d為^ Iim1^f其中，頌=AI;》Hiwii)，形H0(8)根據(jù)拓?fù)渚S數(shù)d進(jìn)行低維流形特征提取，得到用于故障預(yù)測(cè)的低維流形特征T為 Γ =其中，入1;…，XdS正定測(cè)地距離核矩陣K的d個(gè)最大特征值；U=[U1,…，ud]，為d個(gè)最大特征值對(duì)應(yīng)的特征向量。
3.如權(quán)利要求2所述的一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，其特征在于所述步驟(2) 中，所述近鄰點(diǎn)的判定方法為當(dāng)歐氏距離IlXi-XjII彡ε時(shí)，則樣本點(diǎn)Xi和Xj為近鄰點(diǎn)， 兩點(diǎn)之間有邊連接，且邊長(zhǎng)*dx(i，j) = Il Xi-Xj Il ；當(dāng)歐氏距離IlXi-XjII > ε時(shí)，則樣本 點(diǎn)Xi和\為非近鄰點(diǎn)，即兩點(diǎn)之間沒(méi)有邊連接；其中ε為一個(gè)無(wú)窮小量。
4.如權(quán)利要求2所述的一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，其特征在于所述步驟(4) 中，所述變換矩陣S和矩陣t (De)分別為Sij = d2G(i,j)，i(dc) = -~hsh,其中，H為中心化矩陣，H = 4/iV， =[l，...，lf ei w;de(i，j)為兩樣本點(diǎn)\和Xj 的最短路徑距離，dG(i, j) = dx(i，j) = || Xi-Xj ||。
5.如權(quán)利要求2所述的一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，其特征在于所述步驟(5) 中，所述中間計(jì)算矩陣&和測(cè)地距離核矩陣K分別為^ =
之間的常 數(shù)；②計(jì)算隱含層節(jié)點(diǎn)數(shù)所在區(qū)間端點(diǎn)處的誤差均方E(n_min)和E(n_maX)；③比較端點(diǎn)處誤差的大小，當(dāng)E(n_min)^E(n_max)時(shí)，從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間最小 值的右側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_min+0. 618 (n_max-n_min)，則設(shè)置njnax = i ；反之， 從隱含層節(jié)點(diǎn)數(shù)所在區(qū)間最大值的左側(cè)進(jìn)行黃金搜索，搜索點(diǎn)i = n_max-0.618(n_max-n_ min),貝設(shè)置 n_min = i ；④根據(jù)已設(shè)定的均方誤差下限值判斷黃金點(diǎn)是否滿(mǎn)足誤差要求，當(dāng)滿(mǎn)足誤差要求時(shí)， 最佳隱含層節(jié)點(diǎn)數(shù)即為搜索點(diǎn)i ；否則，進(jìn)入步驟②循環(huán)。
全文摘要
本發(fā)明涉及一種機(jī)電設(shè)備非線性故障預(yù)測(cè)方法，1、獲取能代表設(shè)備運(yùn)行狀況的數(shù)據(jù)，選取一段長(zhǎng)歷程的對(duì)故障敏感的連續(xù)振動(dòng)信號(hào)進(jìn)行分析；2、利用3σ方法和插值方法對(duì)振動(dòng)數(shù)據(jù)分別進(jìn)行異常值剔除和缺失數(shù)據(jù)填補(bǔ)；3、采用提升小波方法對(duì)振動(dòng)信號(hào)中進(jìn)行降噪；4、將降噪后的振動(dòng)信號(hào)分解到相應(yīng)的特征頻帶內(nèi)；5、利用某一典型預(yù)測(cè)特征頻帶，采用非線性流形學(xué)習(xí)方法通過(guò)拓?fù)溆成渑c非故障能量信息解耦，得到低維流形特征；6、利用具有動(dòng)態(tài)自適應(yīng)特點(diǎn)的遞歸神經(jīng)網(wǎng)絡(luò)，及低維流形特征的第一維作為神經(jīng)網(wǎng)絡(luò)輸入，在時(shí)域進(jìn)行長(zhǎng)歷程趨勢(shì)的智能故障預(yù)測(cè)。本發(fā)明由于采用提升小波方法，算法簡(jiǎn)單、運(yùn)算速度高、占用內(nèi)存少，適合故障特征的特征頻帶提取。本發(fā)明可廣泛應(yīng)用于各種機(jī)電設(shè)備的故障預(yù)測(cè)中。
文檔編號(hào)G01M99/00GK101799368SQ201010101329
公開(kāi)日2010年8月11日 申請(qǐng)日期2010年1月27日 優(yōu)先權(quán)日2010年1月27日
發(fā)明者吳國(guó)新, 徐小力, 王少紅, 陳濤 申請(qǐng)人:北京信息科技大學(xué)