[發(fā)明專利]一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)估值的缺失數(shù)據(jù)軸承故障診斷方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201510172600.0
• 申請(qǐng)日: 2015-04-13
• 公開(kāi)（公告）號(hào): CN104751229B
• 公開(kāi)（公告）日: 2017-05-24
• 發(fā)明（設(shè)計(jì)）人: 張利;王蓓蕾;劉萌萌;夏天;王鷺;王軍;孫穎
• 申請(qǐng)（專利權(quán)）人: 遼寧大學(xué)
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08
• 代理公司: 沈陽(yáng)杰克知識(shí)產(chǎn)權(quán)代理有限公司21207
• 代理人: 羅瑩

1.一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)估值的缺失數(shù)據(jù)軸承故障診斷方法，其特征在于，步驟如下：

1)軸承數(shù)據(jù)預(yù)處理：將采集到的滾動(dòng)軸承的原始數(shù)據(jù)進(jìn)行特征提取，選取其中的9個(gè)特征，并將確定的滾動(dòng)軸承數(shù)據(jù)進(jìn)行人工隨機(jī)缺失處理，得到缺失樣本；

2)確定和優(yōu)化訓(xùn)練樣本：采用局部距離公式(1)計(jì)算每個(gè)缺失樣本與其他所有樣本的相似度，將得到的相似度從大到小排列，為每個(gè)缺失屬性選取相似度最大的樣本作為相應(yīng)的預(yù)訓(xùn)練樣本集，再針對(duì)每個(gè)樣本缺失屬性的位置對(duì)其預(yù)訓(xùn)練樣本集中數(shù)據(jù)的相應(yīng)屬性做缺失處理，將處理后的數(shù)據(jù)集作為訓(xùn)練樣本集，訓(xùn)練樣本集作為網(wǎng)絡(luò)的輸入，同時(shí)每個(gè)輸入值也作為網(wǎng)絡(luò)的期望輸出Y；局部距離公式如下：

$D_{ba}=\frac{1}{\underset{i=1}{\overset{s}{\Σ}}{I}_i}\underset{i=1}{\overset{s}{\Σ}}{(x_{ia}-x_{ib})}^2{I}_i,i=1,2,\mathrm{...},s---\left(1\right)$

其中，對(duì)于缺失數(shù)據(jù)集與均是中的數(shù)據(jù)樣本，x_ia和x_ib分別是和的第i個(gè)屬性，s表示樣本屬性的數(shù)目，N表示數(shù)據(jù)集中樣本的總數(shù)；

3)初始化網(wǎng)絡(luò)：根據(jù)選取的缺失軸承數(shù)據(jù)訓(xùn)練樣本集來(lái)確定網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)n＝9，隱含層節(jié)點(diǎn)數(shù)l＝14，輸出層節(jié)點(diǎn)數(shù)m＝9；初始化輸入層，隱含層和輸出層神經(jīng)元之間的連接權(quán)值w_ij，w_jk，初始化隱含層閾值a和輸出層閾值b，給定學(xué)習(xí)速率和神經(jīng)元激勵(lì)函數(shù)，確定最大訓(xùn)練次數(shù)M,誤差精度ε₁；

4)改進(jìn)后基于缺失數(shù)據(jù)的BP網(wǎng)絡(luò)的訓(xùn)練：運(yùn)用每個(gè)缺失屬性的訓(xùn)練樣本集對(duì)改進(jìn)的BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到針對(duì)每個(gè)缺失屬性訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，獲得相應(yīng)的權(quán)值w_ij，w_jk和閾值a，b；

4a)隱含層輸出計(jì)算：根據(jù)訓(xùn)練樣本輸入向量輸入層和隱含層之間的連接權(quán)值w_ij以及隱含層閾值a，計(jì)算隱含層輸出H；

$H_j=f\left(\frac{n}{I}\right(\underset{i=1}{\overset{n}{\Σ}}{w}_{ij}{x}_i{I}_i-a_j\left)\right),j=1,2,...,l---\left(3\right)$

且

式中，n表示輸入層節(jié)點(diǎn)數(shù)，l表示隱含層節(jié)點(diǎn)數(shù)，是訓(xùn)練樣本集中的一個(gè)數(shù)據(jù)樣本，x_i表示數(shù)據(jù)樣本的第i個(gè)屬性，為輸入層節(jié)點(diǎn)數(shù)目恢復(fù)系數(shù)，f為隱含層激勵(lì)函數(shù)，激勵(lì)函數(shù)為：

$f\left(x\right)=\frac{1}{1+e^{-x}}---\left(6\right)$

4b)輸出層計(jì)算輸出：根據(jù)隱含層輸出H，連接權(quán)值w_jk和閾值b，計(jì)算輸出層的預(yù)測(cè)輸出O；

$O_k=\underset{j=1}{\overset{l}{\Σ}}{H}_j{w}_{jk}-b_k,k=1,2,...m;---\left(7\right)$

式中，l表示隱含層節(jié)點(diǎn)數(shù)，m表示輸出層節(jié)點(diǎn)數(shù)；

4c)誤差計(jì)算：根據(jù)網(wǎng)絡(luò)預(yù)測(cè)輸出O和期望輸出Y，計(jì)算網(wǎng)絡(luò)預(yù)測(cè)誤差e；

$e_k=\frac{m}{I}(Y_k{I}_k-O_k{I}_k),k=1,2,...m---\left(8\right)$

且

式中，m表示輸出層節(jié)點(diǎn)數(shù)，Y_k表示期望輸出數(shù)據(jù)樣本的第k個(gè)屬性，O_k表示預(yù)測(cè)輸出數(shù)據(jù)的第k個(gè)屬性，為輸出層節(jié)點(diǎn)數(shù)目恢復(fù)系數(shù)；

4d)權(quán)值更新：根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新連接權(quán)值w_ij和w_jk；

$w_{ij}=w_{ij}+{\mathrm{\ηH}}_j(1-H_j)x\left(i\right)I_i\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k;i=1,2,...n;j=1,2,...,l---\left(11\right)$

w_jk＝w_jk+ηH_je_k，j＝1,2,...,l；k＝1,2,...m；(13)

式中，n表示輸入層節(jié)點(diǎn)數(shù)，l表示隱含層節(jié)點(diǎn)數(shù)，m表示輸出層節(jié)點(diǎn)數(shù)，x(i)表示數(shù)據(jù)樣本的第i個(gè)屬性，η＝0.1為學(xué)習(xí)速率；

4e)閾值更新：根據(jù)網(wǎng)絡(luò)預(yù)測(cè)誤差e更新網(wǎng)絡(luò)節(jié)點(diǎn)閾值a，b；

$a_j=a_j+{\mathrm{\ηH}}_j(1-H_j)\underset{k=1}{\overset{m}{\Σ}}{w}_{jk}{e}_k,j=1,2,...,l---\left(14\right)$

b_k＝b_k+e_k，k＝1,2,...m(15)

4f)算法終止條件判定：當(dāng)e<ε₁或者訓(xùn)練次數(shù)大于最大訓(xùn)練次數(shù)M時(shí)，得到相應(yīng)的權(quán)值和閾值，轉(zhuǎn)到步驟4g)；否則，則返回步驟4a)；

4g)利用步驟4f)得到的針對(duì)相應(yīng)缺失屬性訓(xùn)練的網(wǎng)絡(luò)的權(quán)值和閾值，對(duì)隱含層和輸出層節(jié)點(diǎn)之間的連接權(quán)值w_ij和w_jk，隱含層閾值a和輸出層閾值b進(jìn)行賦值；

5)對(duì)缺失屬性進(jìn)行估值：利用訓(xùn)練好的改進(jìn)BP網(wǎng)絡(luò)對(duì)每個(gè)缺失屬性進(jìn)行估值，進(jìn)而將缺失數(shù)據(jù)恢復(fù)完整，最后得到恢復(fù)完整后的滾動(dòng)軸承數(shù)據(jù)集：

5a)將得到的w_ij和隱含層閾值a帶入公式(3)計(jì)算隱含層輸出H；

5b)將得到的隱含層輸出H、權(quán)值w_jk和輸出層閾值b帶入公式(7)，從得到的輸出層輸出值中獲取相應(yīng)缺失屬性的估計(jì)值，將整個(gè)缺失數(shù)據(jù)集填補(bǔ)成完整數(shù)據(jù)集；

6)對(duì)數(shù)據(jù)集進(jìn)行聚類分析：利用模糊C均值算法對(duì)恢復(fù)完整后的滾動(dòng)軸承數(shù)據(jù)集進(jìn)行聚類，最終得到軸承數(shù)據(jù)的故障分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種改進(jìn)BP神經(jīng)網(wǎng)絡(luò)估值的缺失數(shù)據(jù)軸承故障診斷方法，其特征在于：所述的步驟6)的具體步驟為：

6a)初始化參數(shù):設(shè)定聚類中心數(shù)目c＝4，即缺失軸承數(shù)據(jù)集故障分類數(shù)目，迭代最大次數(shù)為G；確定模糊加權(quán)系數(shù)m和迭代終止閾值ε，m的值一般取2，ε的值一般取0.001至0.01之間的數(shù)；初始化隸屬度矩陣U⁽⁰⁾；

6b)計(jì)算聚類中心矩陣V：當(dāng)?shù)降趌＝1,2,...次時(shí)，根據(jù)U^(l-1)，利用式(16)計(jì)算聚類中心矩陣V^(l)；

$v_i=\frac{{\mathrm{\&Sigma;}}_{k=1}^n{u}_{ik}^m{x}_k}{{\mathrm{\&Sigma;}}_{k=1}^n{u}_{ik}^m},i=1,2,...,c---\left(16\right)$

式中，v_i表示聚類中心矩陣V中的第i個(gè)中心，u_ik表示隸屬度矩陣中第k個(gè)數(shù)據(jù)樣本隸屬于第i類的程度，x_k表示軸承數(shù)據(jù)集中的第k個(gè)樣本；

6c)計(jì)算隸屬度矩陣：根據(jù)V^(l)，利用式(17)計(jì)算隸屬度矩陣U^(l)；

$u_{ik}={{\&lsqb;\underset{t=1}{\overset{c}{\&Sigma;}}{\left(\frac{\left|\right|x_k-v_i|{|}_2^2}{\left|\right|x_k-v_t|{|}_2^2}\right)}^{\frac{1}{m-1}}\&rsqb;}^{-1}}_{\underset{k=1,2,\mathrm{...},n}{i=1,2,\mathrm{...},c}}---\left(17\right)$

式中，m為模糊加權(quán)系數(shù)，n為軸承數(shù)據(jù)集的樣本數(shù)目；

6d)迭代終止閾值判定：對(duì)于給定的閾值ε，如果max|U^(l+1)-U^(l)|≤ε，或者迭代次數(shù)l>G，則迭代終止，否則l＝l+1，轉(zhuǎn)到步驟6b)，最終，得到聚類中心矩陣V和隸屬度矩陣U；

6f)通過(guò)判斷每個(gè)數(shù)據(jù)樣本隸屬于每個(gè)故障類別的程度，來(lái)對(duì)缺失的軸承數(shù)據(jù)進(jìn)行故障診斷。