[發明專利]一種適用于動態復雜系統的故障預測和診斷方法

有效

• 申請號: 201110144382.1
• 申請日: 2011-05-31
• 公開（公告）號: CN102208028A
• 公開（公告）日: 2011-10-05
• 發明（設計）人: 欒家輝;唐建;呂琛;劉亞龍;單添敏
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 周長琪

1.一種適用于動態復雜系統的故障預測和診斷方法，其特征在于，具體包括以下步驟：

步驟一、對動態復雜系統的結構、性能和歷史故障數據進行FMEA分析，得到動態復雜系統的主要故障模式和各故障模式相應的性能檢測參數，并將性能檢測參數劃分為緩變數據和快變數據；

步驟二、對動態復雜系統的性能檢測參數進行預處理，所述的預處理包括：剔除奇異值和濾波降噪；

步驟三、建立單參數時序預測模型：針對緩變數據，采用ARMA模型建立緩變數據的時序預測模型；針對快變數據，采用多分辨率小波神經網絡建立快變數據的時序預測模型；將預處理的性能檢測參數輸入相應的時序預測模型后輸出時序預測結果；

步驟四、建立預測區間模型，通過預測區間對時序預測結果進行檢測，當時序預測結果超過預測區間的范圍時進行故障預警；

步驟五、通過建立基于D-S證據理論的多信號融合模型進行故障診斷。

2.根據權利要求1所述的一種適用于動態復雜系統的故障預測和診斷方法，其特征在于，步驟一中所述將性能檢測參數劃分為緩變數據和快變數據的方法是：當性能檢測參數的采樣間隔時間高于32秒時，將該性能監測參數劃分為緩變數據，否則將該性能監測參數劃分為快變數據。

3.根據權利要求1所述的一種適用于動態復雜系統的故障預測和診斷方法，其特征在于，步驟三中所述的采用多分辨率小波神經網絡建立快變數據的時序預測模型，具體步驟如下：

步驟3.1、建立多分辨率小波神經網絡，設置網絡的層數、每層的節點數和網絡參數的初始值，所述的網絡參數包括網絡權值、網絡閉值、尺度參數和平移參數；

所述的尺度參數m∈[m_min，m_max]：

m_min＝int_-∞((lnω_min-lnω₁)/ln2)??????(1)

m_max＝int_+∞((lnω_max-lnω₀)/ln2)??????(2)

其中，int_-∞(·)和int_+∞(·)分別表示向-∞和+∞方向取整，ω_min和ω_max分別表示通過對訓練數據作頻率帶寬估計獲得的最小頻率帶寬和最大頻率帶寬，ω₀和ω₁分別表示訓練數據頻率區間的下界頻率帶寬和上界頻率帶寬；

對于每個尺度參數m下的覆蓋待處理信號的整個時域空間的平移參數n的取值范圍為[n_min，n_max]：

n_min＝int_-∞(2^mt_min-t₁)????????????????(3)

n_max＝int_+∞(2^mt_max-t₀)????????????????(4)

其中，t_min表示所述時域空間的起點時刻，t_max表示所述時域空間的終點時刻，t₀和t₁分別表示所述時域空間的下界時刻和上界時刻；

步驟3.2、對輸入向量進行預處理，將輸入向量歸一化；

步驟3.3、將預處理后的輸入向量輸入多分辨率小波神經網絡，對多分辨率小波神經網絡進行訓練，訓練過程使用加速因子進行權值調節，帶有加速因子的權值調節公式為：

Δw_ij(k+1)＝(1-a)ηδ_i+aΔw_ij(k)????????????(5)

其中，Δw_ij(k+1)與Δw_ij(k)分別為第k+1次訓練與第k次訓練的權值變化量，k表示訓練次數，α表示加速因子，η表示學習步長，δ_i為第i個隱層節點的誤差；

步驟3.4、利用訓練好的多分辨率小波神經網絡對快變數據進行時序預測，得到時序預測結果；

步驟3.5、根據得到的時序預測結果，判斷預測精度是否達到要求，若達到要求，則建立完成快變數據的時序預測模型，若沒有，則對多分辨率小波神經網絡的層數和網絡參數作修改，轉步驟3.3重新訓練。