本發(fā)明涉及故障診斷技術領域，特別是涉及一種基于RBF網絡的提升機制動系統(tǒng)故障診斷方法。

背景技術：

提升機是礦井生產、運輸的主要設備，它擔負著提升煤炭、矸石、下放材料和升降人員的任務，素有“礦井咽喉”之稱，制動系統(tǒng)則是提升機的重要組成部分，執(zhí)行著正常停車和在各種故障下緊急制動安全停車的重要任務，關系到提升機運行的安全性和可靠性，對于提升機制動系統(tǒng)的故障診斷問題，目前，國內外學者提出了多種故障診斷方法。主要采用粗糙集理論、支持向量機、貝葉斯分類法、模糊邏輯、神經網絡等方法對提升機制動系統(tǒng)進行故障診斷。粗糙集理論在處理模糊和不確定信息上具有較大的優(yōu)越性，但其決策規(guī)則很不穩(wěn)定，精確性較差，而且是基于完備的信息系統(tǒng)，處理數據時，常會遇到數據丟失現(xiàn)象。支持向量機在解決小樣本、非線性及高維模式識別問題中具有優(yōu)勢，但識別能力易受自身參數影響。貝葉斯分類法需要已知確切的分別概率，而實際上并不能給出確切的分別概率。模糊邏輯需要一定的先驗知識，對參數選擇具有較強的依賴性。神經網絡具有簡單的結構和很強的問題求解能力，且可較好地處理噪聲數據，但算法存在局部最優(yōu)問題，收斂性較差，可靠性有限。

由此可見，在現(xiàn)有技術中，提升機制動系統(tǒng)故障診斷方法存在精度低、可靠性差、診斷結果存在較大偏差等問題。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明的主要目的在于提供一種高精度、可靠性好、診斷結果準確的提升機制動系統(tǒng)故障診斷方法。

為了達到上述目的，本發(fā)明提出的技術方案為：

一種基于RBF網絡的提升機制動系統(tǒng)故障診斷方法，所述提升機制動系統(tǒng)故障診斷方法包括如下步驟：

步驟1、采用2JTP-1.2型提升機試驗模擬提升機在不同速度、不同負荷工況下的制動系統(tǒng)故障，分析提升機制動系統(tǒng)故障發(fā)生的機理和影響因素，得到貼閘油壓、制動力矩、液壓系統(tǒng)殘壓、松閘油壓、液壓站油壓、閘瓦貼合開關量、磨損超限判定油壓、閘瓦平均間隙和制動盤偏九個初始輸入變量X；

步驟2、將所述初始輸入變量X進行數據的預處理，得到初始輸入特征向量T；

步驟3、將所述初始輸入特征向量T作為訓練樣本的輸入，制動系統(tǒng)的故障類型作為輸出，建立初始的提升機制動系統(tǒng)RBF網絡故障診斷模型；

步驟4、采用所述初始輸入特征向量T對RBF網絡進行訓練，并采用MIV算法對初始輸入變量X進行篩選，得到篩選后的最終輸入變量X′；

步驟5、將所述最終輸入變量X′進行數據的預處理，得到最終輸入特征向量T′；

步驟6、將所述最終輸入特征向量T′作為訓練樣本的輸入，制動系統(tǒng)的故障類型作為輸出，建立GSO-RBF網絡；

步驟7、采用GSO算法對RBF網絡隱含層神經元中心和閾值進行優(yōu)化；

步驟8、判別滿足終止條件是否成立；如果成立，則執(zhí)行步驟9；如果不成立，則執(zhí)行步驟7；

步驟9、得到基于螢火蟲算法優(yōu)化的提升機制動系統(tǒng)RBF網絡故障診斷模型，對提升機制動系統(tǒng)的故障類型進行判斷，并輸出診斷結果。

綜上所述，本發(fā)明所述基于RBF網絡的提升機制動系統(tǒng)故障方法將獲取的初始輸入變量進行數據的預處理后，得到所述的初始輸入特征向量，將初始輸入特征向量作為訓練樣本的輸入，提升機制動系統(tǒng)的故障類型作為輸出，建立初始的提升機制動系統(tǒng)RBF網絡故障診斷模型，采用MIV算法對初始輸入變量進行篩選，得到最終輸入變量，將獲得的最終輸入變量進行數據的預處理后，得到最終輸入特征向量，將最終輸入特征向量作為訓練樣本的輸入，提升機制動系統(tǒng)的故障類型作為輸出，建立GSO-RBF網絡，采用GSO算法對RBF網絡隱含層神經元中心和閾值進行優(yōu)化，得到基于螢火蟲算法優(yōu)化的提升機制動系統(tǒng)RBF網絡故障診斷模型，判斷提升機制動系統(tǒng)的故障類型，輸出診斷結果，從而提高了提升機制動系統(tǒng)故障診斷的精度、準確性和可靠性。

附圖說明

圖1是本發(fā)明所述一種基于RBF網絡的提升機制動系統(tǒng)故障診斷方法的流程圖。

圖2是本發(fā)明所述RBF網絡拓撲結構示意圖。

圖3是本發(fā)明所述系統(tǒng)誤差隨著訓練次數的變化趨勢圖。

具體實施方式

為使本發(fā)明的目的、技術方案和優(yōu)點更加清楚，下面將結合附圖及具體實施例對本發(fā)明作進一步地詳細描述。

圖1是本發(fā)明所述一種基于RBF網絡的提升機制動系統(tǒng)故障診斷方法的流程圖。如圖1所示，本發(fā)明所述提升機制動系統(tǒng)故障診斷方法，包括如下步驟：

步驟1、采用2JTP-1.2型提升機試驗模擬提升機在不同速度、不同負荷工況下的制動系統(tǒng)故障，分析提升機制動系統(tǒng)故障發(fā)生的機理和影響因素，得到貼閘油壓、制動力矩、液壓系統(tǒng)殘壓、松閘油壓、液壓站油壓、閘瓦貼合開關量、磨損超限判定油壓、閘瓦平均間隙和制動盤偏九個初始輸入變量X；

步驟2、將所述初始輸入變量X進行數據的預處理，得到初始輸入特征向量T；

步驟3、將所述初始輸入特征向量T作為訓練樣本的輸入，制動系統(tǒng)的故障類型作為輸出，建立初始的提升機制動系統(tǒng)RBF網絡故障診斷模型；

步驟4、采用所述初始輸入特征向量T對RBF網絡進行訓練，并采用MIV算法對初始輸入變量X進行篩選，得到篩選后的最終輸入變量X′；

步驟5、將所述最終輸入變量X′進行數據的預處理，得到最終輸入特征向量T′；

步驟6、將所述最終輸入特征向量T′作為訓練樣本的輸入，制動系統(tǒng)的故障類型作為輸出，建立GSO-RBF網絡；

步驟7、采用GSO算法對RBF網絡隱含層神經元中心和閾值進行優(yōu)化；

步驟8、判別滿足終止條件是否成立；如果成立，則執(zhí)行步驟9；如果不成立，則執(zhí)行步驟7；

步驟9、得到基于螢火蟲算法優(yōu)化的提升機制動系統(tǒng)RBF網絡故障診斷模型，對提升機制動系統(tǒng)的故障類型進行判斷，并輸出診斷結果。

總之，本發(fā)明所述基于RBF網絡的提升機制動系統(tǒng)故障診斷方法將獲取的初始輸入向量進行數據的預處理后，得到所述的初始輸入特征向量，將初始輸入特征向量作為訓練樣本的輸入，提升機制動系統(tǒng)的故障類型作為輸出，建立初始的RBF網絡提升機制動系統(tǒng)故障診斷模型，采用MIV算法對初始輸入變量進行篩選，得到最終輸入變量，將獲得的最終輸入變量進行數據的預處理后，得到最終輸入特征向量，將最終輸入特征向量作為訓練樣本的輸入，提升機制動系統(tǒng)的故障類型作為輸出，建立GSO-RBF網絡，采用GSO算法對RBF網絡隱含層神經元中心和閾值進行優(yōu)化，得到基于螢火蟲算法優(yōu)化的RBF網絡提升機制動系統(tǒng)故障診斷模型，對提升機制動系統(tǒng)的故障類型進行判斷，輸出診斷結果，從而提高了提升機制動系統(tǒng)故障診斷的精度、準確性和可靠性。

本發(fā)明步驟2中，所述數據預處理的計算式如下：

其中，t(i)是第i個初始輸入變量的樣本值，x_act(i)是第i個初始輸入變量的實際值，x_min(i)是第i個初始輸入變量的最小值，x_max(i)是第i個初始輸入變量的最大值。

本發(fā)明方法中，所述步驟3具體為：采用初始輸入特征向量T作為RBF網絡輸入層的神經元，初始輸入特征向量T＝(t₁，t₂，...，t₉)^T，制動系統(tǒng)的故障類型作為輸出，輸出層有6個神經元，輸出向量為Y＝(y₁，y₂，...，y₆)^T，隱含層到輸出層的權值向量為W＝(w₁，w₂，...，w_m)^T，隱含層輸出依靠初始輸入特征向量與徑向基函數中心的距離，基函數選用高斯函數，距離用歐式范數表示。當RBF網絡輸入為t_k時，隱含層輸出的具體計算式如下

其中，u_i是第i個隱含層節(jié)點的輸出，c_i是第i個隱含層節(jié)點高斯函數的中心向量，σ_i是第i個隱含層節(jié)點的標準化常數；

輸出層輸出的具體計算式如下

其中，u_i是第i個隱含層節(jié)點的輸出，y_k是輸出層第k個節(jié)點的輸出，w是隱含層到輸出層的加權系數，θ_k是隱含層的閾值，q是隱含層節(jié)點數。

本發(fā)明方法中，所述步驟4包括如下步驟：

步驟41、隨機選取h個訓練樣本作為聚類中心c_i，利用最近鄰規(guī)則對訓練樣本進行分組，按照t_k與中心c_i之間的歐式距離將t_k分配到訓練樣本的各個聚類集合v_p中。

步驟42、對每個聚類集合v_p中的訓練樣本求平均值，構成新的聚類中心c′_i，如果新的聚類中心c′_i不再發(fā)生變化，則所得到的c′_i即為RBF網絡最終的基函數中心，如果新的聚類中心c′_i發(fā)生變化，則返回步驟41。

步驟43、選取高斯函數作為RBF網絡的基函數，方差σ_i的具體計算式如下：

其中，c_max是選取中心之間的最大距離。

步驟44、運用最小二乘法計算隱含層到輸出層之間神經元的連接權值，計算公式如下：

步驟45、對初始輸入特征向量T進行變換，具體變換式如下，

步驟46、將變換后的初始輸入特征向量T作為RBF網絡的輸入，計算RBF網絡的輸出值和具體計算式如下：

步驟47、計算RBF網絡的輸出值之差IV_i，得到平均影響值MIV，具體計算式如下：

步驟48、根據計算得到的MIV的絕對值進行排序，刪除對輸出影響較小的初始輸入變量，得到最終輸入變量X′為貼閘油壓、制動力矩、液壓系統(tǒng)殘壓、松閘油壓、液壓站油壓、閘瓦貼合開關量和磨損超限判定油壓。

本發(fā)明步驟5中，所述數據預處理的計算式如下：

其中，t′(i)是第i個最終輸入變量的樣本值，x′_act(i)是第i個最終輸入變量的實際值，x′_min(i)是第i個最終輸入變量的實際值，x′_max(i)是第i個最終輸入變量的最大值。

本發(fā)明方法中，所述步驟6包括如下步驟：

步驟61、將所述最終輸入特征向量T′作為GSO-RBF網絡輸入層的神經元，最終輸入特征向量T′＝(t′₁，t′₂，...，t′₇)^T，制動系統(tǒng)的故障類型作為輸出，輸出層有6個神經元，輸出向量為Y＝(y₁，y₂，...，y₆)^T，隱含層到輸出層的權值向量為W＝(w₁，w₂，...，w_m)^T，隱含層輸出依靠輸入向量與徑向基函數中心的距離，基函數選用高斯函數，距離用歐式范數表示，當RBF網絡輸入為t_k時，隱含層輸出的具體計算式如下

其中，u_i是第i個隱含層節(jié)點的輸出，c_i是第i個隱含層節(jié)點高斯函數的中心向量，σ_i是第i個隱含層節(jié)點的標準化常數；

輸出層輸出的具體計算式如下

其中，u_i是第i個隱含層節(jié)點的輸出，y_k是輸出層第k個節(jié)點的輸出，w是隱含層到輸出層的加權系數，θ_k是隱含層的閾值，q是隱含層節(jié)點數。

步驟62、將GSO-RBF網絡的隱含層神經元中心和閾值采用實數矢量形式編碼，構成螢火蟲初始種群，初始化螢火蟲種群的個數N，吸引力系數β₀，光吸收系數γ和隨機性系數α₀，其中，吸引力系數β₀＝1，光吸收系數γ為[0，1]分布的隨機數，隨機性系數α₀∈[0，1]。

本發(fā)明方法中，所述步驟7包括如下步驟：

步驟71、計算螢火蟲個體適應度函數值，具體計算式如下：

其中，f為螢火蟲個體適應度值，Z為訓練樣本的個數，y_k為實際的輸出值，o_k為期望的輸出值。

步驟72、計算熒光素值l_u(g)，熒光素值l_u(g)和當前位置x_u(g)代表著每個螢火蟲個體u，熒光素值l_u(g)的具體計算式如下：

l_u(g+1)＝(1-δ₁)×l_u(g)+ξ₁×J(x_u(g+1))

其中，u為螢火蟲個體，x_u(g)為螢火蟲個體的當前位置，l_u(g)為螢火蟲個體在第g次迭代時熒光素值的大小，l_u(g+1)為螢火蟲個體在第g+1次迭代時熒光素值的大小，J(x_u(g+1))為目標函數值，δ₁為熒光素值揮發(fā)系數，ξ₁為增強系數。

步驟73、計算大于自身的螢火蟲數量，計算式如下：

M_u(g)＝{Q：d_uQ(g)＜r_u；l_u(g)＜l_Q(g)}

其中，M_u(g)為感知范圍內所有熒光素值大于自身的螢火蟲個數，d_uQ為個體u和Q之間的距離，r_u為感知半徑。

步驟74、獲得熒光最強個體，更新螢火蟲所在位置，具體計算公式如下：

其中，P_ij為最強熒光個體，P為感知范圍內所有熒光素值大于自身的螢火蟲個體，l_p(g)為P在第g次迭代時熒光素值的大小。

本發(fā)明步驟8中，終止條件具體為訓練誤差小于0.001或迭代次數達到2000。

本發(fā)明步驟9具體為：得到基于螢火蟲算法優(yōu)化的RBF網絡提升機制動系統(tǒng)故障診斷模型，將所述最終輸入特征向量T′作為預測模型的輸入，提升機制動系統(tǒng)的故障類型作為輸出，對提升機制動系統(tǒng)的故障類型進行判斷，輸出診斷結果。

實施例

將最終輸入特征向量作為輸入，提升機制動系統(tǒng)的故障類型作為輸出，基于螢火蟲算法優(yōu)化的RBF網絡提升機制動系統(tǒng)故障診斷模型部分訓練數據如表1所示。提升機制動系統(tǒng)故障的診斷結果如表2所示。

表1部分訓練樣本

表2診斷結果

由表2數據可知，采用基于螢火蟲算法優(yōu)化的RBF網絡對提升機制動系統(tǒng)進行故障診斷，診斷結果與實際故障類型一致。從RBF網絡的診斷結果來看，采用螢火蟲算法優(yōu)化的RBF網絡故障診斷模型可以準確地提升機制動系統(tǒng)故障的類型，準確性高。

綜上所述，以上僅為本發(fā)明的較佳實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。