技術(shù)特征：

1.一種基于RBF網(wǎng)絡(luò)的提升機制動系統(tǒng)故障診斷方法，其特征在于，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?zāi)M提升機在不同速度、不同負(fù)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(guān)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(jìn)行數(shù)據(jù)的預(yù)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(xùn)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(wǎng)絡(luò)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(wǎng)絡(luò)進(jìn)行訓(xùn)練，并采用MIV算法對初始輸入變量X進(jìn)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(jìn)行數(shù)據(jù)的預(yù)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(xùn)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(wǎng)絡(luò)；

步驟7、采用GSO算法對RBF網(wǎng)絡(luò)隱含層神經(jīng)元中心和閾值進(jìn)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(wǎng)絡(luò)故障診斷模型，對提升機制動系統(tǒng)的故障類型進(jìn)行判斷，并輸出診斷結(jié)果。

2.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，步驟2中，所述數(shù)據(jù)預(yù)處理的計算式如下：

$t\left(i\right)=\frac{x_{act}\left(i\right)-x_{min}\left(i\right)}{x_{\max }\left(i\right)-x_{min}\left(i\right)}$

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。

3.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，所述步驟3具體為：采用初始輸入特征向量T作為RBF網(wǎng)絡(luò)輸入層的神經(jīng)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(jīng)元，輸出向量為Y＝(y₁，y₂，...，y₆)^T，隱含層到輸出層的權(quán)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(shù)中心的距離，基函數(shù)選用高斯函數(shù)，距離用歐式范數(shù)表示。當(dāng)RBF網(wǎng)絡(luò)輸入為t_k時，隱含層輸出的具體計算式如下

$u_i=\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}||t_k-c_i|{|}^2)$

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(shù)的中心向量，σ_i是第i個隱含層節(jié)點的標(biāo)準(zhǔn)化常數(shù)；

輸出層輸出的具體計算式如下

$y_k=\underset{i=1}{\overset{q}{\Σ}}{\mathrm{Wu}}_i-{\mathrm{\θ}}_k$

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(quán)系數(shù)，θ_k是隱含層的閾值，q是隱含層節(jié)點數(shù)。

4.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，所述步驟4包括以下具體步驟：

步驟41、隨機選取h個訓(xùn)練樣本作為聚類中心c_i，利用最近鄰規(guī)則對訓(xùn)練樣本進(jìn)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(xùn)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(xùn)練樣本求平均值，構(gòu)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(wǎng)絡(luò)最終的基函數(shù)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(shù)作為RBF網(wǎng)絡(luò)的基函數(shù)，方差σ_i的具體計算式如下：

${\mathrm{\σ}}_i=\frac{c_{\max }}{\sqrt{2h}}$

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(jīng)元的連接權(quán)值，計算公式如下：

$\mathrm{\ω}=\exp \left(\frac{h}{c_{\max }^2}\right||t_k-c_i|{|}^2$

步驟45、對初始輸入特征向量T進(jìn)行變換，具體變換式如下，

$T=\left[\begin{array}{cccc}{t}_{11}& \mathrm{...}& t_{1i}(1\±100\%)& \mathrm{...}{t}_{17}\\ t_{21}& \mathrm{...}& t_{2i}(1\±100\%)& \mathrm{...}{t}_{27}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ t_{m1}& \mathrm{...}& t_{mi}(1\±100\%)& \mathrm{...}{t}_{m7}\end{array}\right]$

步驟46、將變換后的初始輸入特征向量T作為RBF網(wǎng)絡(luò)的輸入，計算RBF網(wǎng)絡(luò)的輸出值和具體計算式如下：

$\begin{array}{cc}{y}_k^1={\[y_{1k}^1{y}_{2k}^1\mathrm{...}{y}_{mk}^1\]}^T,y_k^2={\[y_{1k}^2{y}_{2k}^2\mathrm{...}{y}_{mk}^2\]}^T& (i=1,2,...,9)\end{array}$

步驟47、計算RBF網(wǎng)絡(luò)的輸出值之差I(lǐng)V_i，得到平均影響值MIV，具體計算式如下：

${\mathrm{IV}}_k=y_k^1-y_k^2$

${\mathrm{MIV}}_i=\underset{j=1}{\overset{m}{\Σ}}{\mathrm{IV}}_k\left(j\right)/m$

步驟48、根據(jù)計算得到的MIV的絕對值進(jìn)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(guān)量和磨損超限判定油壓。

5.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，步驟5中，所述數(shù)據(jù)預(yù)處理的計算式如下：

$t^{\′}\left(i\right)=\frac{x_{act}^{\′}\left(i\right)-x_{min}^{\′}\left(i\right)\×0.9}{x_{max}^{\′}\left(i\right)-x_{min}^{\′}\left(i\right)\×0.9}$

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。

6.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，所述步驟6包括以下具體步驟：

步驟61、將所述最終輸入特征向量T′作為GSO-RBF網(wǎng)絡(luò)輸入層的神經(jīng)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(jīng)元，輸出向量為Y＝(y₁，y₂，...，y₆)^T，隱含層到輸出層的權(quán)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(shù)中心的距離，基函數(shù)選用高斯函數(shù)，距離用歐式范數(shù)表示，當(dāng)RBF網(wǎng)絡(luò)輸入為t_k時，隱含層輸出的具體計算式如下

$u_i=\exp (-\frac{1}{2{\mathrm{\σ}}_i^2}||t_k-c_i|{|}^2)$

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(shù)的中心向量，σ_i是第i個隱含層節(jié)點的標(biāo)準(zhǔn)化常數(shù)；

輸出層輸出的具體計算式如下

$y_k=\underset{i=1}{\overset{q}{\Σ}}{\mathrm{Wu}}_i-{\mathrm{\θ}}_k$

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(quán)系數(shù)，θ_k是隱含層的閾值，q是隱含層節(jié)點數(shù)。

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

7.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，所述步驟7包括以下具體步驟：

步驟71、計算螢火蟲個體適應(yīng)度函數(shù)值，具體計算式如下：

$f=\frac{1}{N}\underset{k=1}{\overset{Z}{\Σ}}{(o_k-y_k)}^2$

其中，f為螢火蟲個體適應(yīng)度值，Z為訓(xùn)練樣本的個數(shù)，yk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(dāng)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(dāng)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(biāo)函數(shù)值，δ₁為熒光素值揮發(fā)系數(shù)，ξ₁為增強系數(shù)；

步驟73、計算大于自身的螢火蟲數(shù)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(nèi)所有熒光素值大于自身的螢火蟲個數(shù)，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：

$P_{ij}=\frac{l_Q\left(g\right)-l_u\left(g\right)}{\underset{P\∈M_u\left(s\right)}{\Σ}{l}_P\left(g\right)-l_u\left(g\right)}$

$x_u(g+1)=x_u\left(g\right)+s\left(\frac{x_j\left(g\right)-x_u\left(g\right)}{\left|\right|x_j\left(g\right)-x_u\left(g\right)\left|\right|}\right)$

其中，P_ij為最強熒光個體，P為感知范圍內(nèi)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。

8.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，步驟8中，所述終止條件為訓(xùn)練誤差小于0.001或迭代次數(shù)達(dá)到2000。

9.根據(jù)權(quán)利要求1所述的提升機制動系統(tǒng)故障診斷方法，其特征在于，所述步驟9具體為：得到基于螢火蟲算法優(yōu)化的提升機制動系統(tǒng)神經(jīng)網(wǎng)絡(luò)故障診斷模型，將所述最終輸入特征向量T′作為故障診斷模型的輸入，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)故障類型進(jìn)行判斷，輸出診斷結(jié)果。