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

有效

• 申請?zhí)枺?/td>: 201510172600.0
• 申請日: 2015-04-13
• 公開（公告）號: CN104751229B
• 公開（公告）日: 2017-05-24
• 發(fā)明（設計）人: 張利;王蓓蕾;劉萌萌;夏天;王鷺;王軍;孫穎
• 申請（專利權）人: 遼寧大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 沈陽杰克知識產權代理有限公司21207
• 代理人: 羅瑩

技術領域

本發(fā)明涉及一種改進BP神經(jīng)網(wǎng)絡估值的缺失數(shù)據(jù)軸承故障診斷方法。

背景技術

現(xiàn)代生產中，滾動軸承在旋轉機械中被廣泛使用，滾動軸承的健康狀況是對整個機械運行的重要影響之一。滾動軸承需要具有較高的可靠性，機械運行中軸承故障的發(fā)生可能會導致致命的機械故障。因此，對滾動軸承健康度的評價技術是極其重要的。

近年來，健康度評價技術迅速發(fā)展,研究成果不斷出現(xiàn)，采用的方法也是多種多樣，應用最為廣泛的是模糊C均值聚類算法。在工業(yè)實際生產中，由于采集設備的精度限制，噪聲的影響或數(shù)據(jù)漏讀等多方面原因造成軸承采集數(shù)據(jù)缺失而產生不完整數(shù)據(jù)集。但是模糊C均值聚類算法不能直接對不完整數(shù)據(jù)進行聚類。目前，還沒有軸承缺失數(shù)據(jù)集健康度評價方法。

發(fā)明內容

為了解決上述存在的技術問題，本發(fā)明提供種改進BP神經(jīng)網(wǎng)絡估值的缺失數(shù)據(jù)軸承故障診斷方法，將不完整的缺失數(shù)據(jù)通過局部距離公式處理得到訓練樣本集，在針對得到的訓練樣本集使用改進后的BP網(wǎng)絡進行訓練，從而得到權值和閾值，再利用得到的權值和閾值對每個缺失屬性進行估值，進而將缺失數(shù)據(jù)恢復完整。再通過模糊C均值算法對恢復完整后的滾動軸承數(shù)據(jù)進行聚類，得到軸承數(shù)據(jù)的故障分類結果。

本發(fā)明的目的是通過下述技術方案實現(xiàn)的：一種改進BP神經(jīng)網(wǎng)絡估值的缺失數(shù)據(jù)軸承故障診斷方法，其步驟如下：

1)軸承數(shù)據(jù)預處理：將采集到的滾動軸承的原始數(shù)據(jù)進行特征提取，選取其中的9個特征，并將確定的滾動軸承數(shù)據(jù)進行人工隨機缺失處理，得到缺失樣本；

2)確定和優(yōu)化訓練樣本：采用局部距離公式(1)計算每個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，為每個缺失屬性選取相似度最大的樣本作為相應的預訓練樣本集，再針對每個樣本缺失屬性的位置對其預訓練樣本集中數(shù)據(jù)的相應屬性做缺失處理，將處理后的數(shù)據(jù)集作為訓練樣本集，訓練樣本集作為網(wǎng)絡的輸入，同時每個輸入值也作為網(wǎng)絡的期望輸出Y；局部距離公式如下：

其中，對于缺失數(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：根據(jù)選取的缺失軸承數(shù)據(jù)訓練樣本集來確定網(wǎng)絡輸入層節(jié)點數(shù)n＝9，隱含層節(jié)點數(shù)l＝14，輸出層節(jié)點數(shù)m＝9；初始化輸入層，隱含層和輸出層神經(jīng)元之間的連接權值w_ij，w_jk，初始化隱含層閾值a和輸出層閾值b，給定學習速率和神經(jīng)元激勵函數(shù)，確定最大訓練次數(shù)M,誤差精度ε₁；

4)改進后基于缺失數(shù)據(jù)的BP網(wǎng)絡的訓練：運用每個缺失屬性的訓練樣本集對改進的BP網(wǎng)絡進行訓練，得到針對每個缺失屬性訓練的神經(jīng)網(wǎng)絡，獲得相應的權值w_ij，w_jk和閾值a，b；

4a)隱含層輸出計算：根據(jù)訓練樣本輸入向量輸入層和隱含層之間的連接權值w_ij以及隱含層閾值a，計算隱含層輸出H；

且

式中，n表示輸入層節(jié)點數(shù)，l表示隱含層節(jié)點數(shù)，是訓練樣本集中的一個數(shù)據(jù)樣本，x_i表示數(shù)據(jù)樣本的第i個屬性，為輸入層節(jié)點數(shù)目恢復系數(shù)，f為隱含層激勵函數(shù)，激勵函數(shù)為：

4b)輸出層計算輸出：根據(jù)隱含層輸出H，連接權值w_jk和閾值b，計算輸出層的預測輸出O；

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

4c)誤差計算：根據(jù)網(wǎng)絡預測輸出O和期望輸出Y，計算網(wǎng)絡預測誤差e；

且

式中，m表示輸出層節(jié)點數(shù)，Y_k表示期望輸出數(shù)據(jù)樣本的第k個屬性，O_k表示預測輸出數(shù)據(jù)的第k個屬性，為輸出層節(jié)點數(shù)目恢復系數(shù)；

4d)權值更新：根據(jù)網(wǎng)絡預測誤差e更新連接權值w_ij和w_jk；

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