[發明專利]一種機電設備神經網絡故障趨勢預測方法

有效

• 申請號: 201010101328.4
• 申請日: 2010-01-27
• 公開（公告）號: CN101799367A
• 公開（公告）日: 2010-08-11
• 發明（設計）人: 徐小力;陳濤;王少紅;王紅軍
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G01M19/00
• 分類號: G01M19/00;G01H17/00;G06N3/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發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網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、非平穩動態問題，傳統的線性化處理方法效果欠佳，而一些本質是非線性的動態系統分析處理方法在故障預測方面具有應用前景。神經網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絡層次和隱層單元數，能夠以任意精度逼近任意連續非線性函數及其各階導數的特性，因而在故障預測中被廣泛。目前，采用神經網絡進行故障預測的方法大體是：將設備運行狀態的時間序列數據依次輸入到神經網絡的輸入層，然后采用通用神經網絡進行訓練和預測。在這種方法中，網絡輸入值對網絡輸出預測值的貢獻程度在概率上基本上是等同的，而且所用的神經網絡大多是靜態網絡，不適合動態系統的實時辨識。在實際應用中，網絡結構中隱含層節點數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劣。

發明內容

針對上述問題，本發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系統實時辨識的機電設備神經網絡故障趨勢預測方法。

為實現上述目的，本發明采取以下技術方案：一種機電設備神經網絡故障趨勢預測方法，其步驟如下：(1)通過遠程監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振動信號；(2)利用3σ方法和插值方法對獲取的振動數據分別進行異常值剔除和缺失數據填補，得到振動數據序列{X₁，…，X_n}；(4)對振動數據序列{X₁，…，X_n}進行歸一化處理后得到序列{x₁，…，x_n}；(5)根據歸一化處理后的序列{x₁，…，x_n}，計算基于信息熵加權系數w_Si，進而計算出經熵加權后的振動數據序列{y₁，…，y_n}；(6)由于時間因素影響，利用時間加權對熵加權后的振動數據序列{y₁，…，y_n}進行時間加權計算后，得到數據序列{z₁，…，z_n}；(7)利用數據序列{z₁，…，z_n}構建非線性的動態遞歸神經網絡預測模型，并采用黃金分割法確定隱含層最優節點數，進而確定神經網絡最佳預測模型結構，進行故障趨勢預測，得到預測結果{u₁，…，u_m}，m為預測點的數目；(8)對趨勢預測結果進行反歸一化處理，得到實際預測結果。