[發明專利]基于小波神經網絡的回轉窯故障診斷方法、故障診斷GUI及系統

在審

• 申請號: 201710545687.0
• 申請日: 2017-07-06
• 公開（公告）號: CN107202952A
• 公開（公告）日: 2017-09-26
• 發明（設計）人: 艾紅;谷雨;張仰森
• 申請（專利權）人: 北京信息科技大學
• 主分類號: G01R31/28
• 分類號: G01R31/28;G06K9/62;G06N3/04
• 代理公司: 北京中建聯合知識產權代理事務所(普通合伙)11004
• 代理人: 宋元松,朱麗巖

1.基于小波神經網絡的回轉窯故障診斷方法，其特征在于，包括以下步驟：

S1，獲取回轉窯在不同故障下對應的電流信號波形；

S2，對步驟S1中獲取的電流信號波形進行消噪處理；

S3，對消噪處理的電流信號波形進行小波包特征向量提取；

S4，將提取的多組特征向量輸入神經網絡進行訓練，通過不同故障的特征向量識別不同故障對應的能量在不同頻帶的特征，進而區分故障種類；

S5，利用訓練的概率神經網絡進行故障診斷，并輸出故障類型。

2.根據權利要求1所述基于小波神經網絡的回轉窯故障診斷方法，其特征在于，所述小波包特征向量提取的步驟包括：

S3-1，選取需要進行處理的回轉窯電流信號波形；

S3-2，使用db小波包進行三層小波分解，得到八個頻帶的信號波形；

S3-3，繪制小波包樹結構的圖形；

S3-4，對分解后的第三層的各節點系數進行重構，繪制節點重構后的波形；

S3-5，計算故障信號各重構系數的方差，生成特征向量。

3.根據權利要求1所述基于小波神經網絡的回轉窯故障診斷方法，其特征在于，所述故障診斷的步驟包括：

S5-1，將若干組特征向量輸入神經網絡，形成訓練樣本；

S5-2，給訓練樣本中的每個數加注標簽，并進行歸一化處理；

S5-3，使用newpnn構建概率神經網絡并優化拓展常數spread的數值；

S5-4，輸入測試樣本并進行歸一化處理，測試神經網絡；

S5-5，將測試結果輸入概率神經網絡模型并進行預測；

S5-6，將向量形式的分類結果轉換為標量輸出，與已知結果進行比較，并輸出診斷結果。

4.根據權利要求1所述基于小波神經網絡的回轉窯故障診斷方法，其特征在于，所述電流信號波形的消噪處理的函數為ddencmp和wpdencmp，ddencmp函數自動生成小波消噪或壓縮的閾值，wpdencmp函數使用小波包變換進行信號的壓縮或去噪。

5.根據權利要求1所述基于小波神經網絡的回轉窯故障診斷方法，其特征在于，所述回轉窯故障時的電流信號波形包括窯電流緩慢上升、窯電流逐漸上升、窯電流逐漸下降、窯電流突然上升然后突然下降、窯電流突然升高很多然后緩慢下降、窯電流緩慢升高且有波動、窯轉一圈電流差逐漸變大、窯轉一圈電流差逐漸變小。

6.根據權利要求3所述基于小波神經網絡的回轉窯故障診斷方法，其特征在于，所述拓展常數spread的取值范圍為0.1-0.2。

7.基于小波神經網絡的回轉窯故障診斷系統，其特征在于，包括概率神經網絡模型、訓練樣本及檢測樣本，回轉窯故障診斷系統執行以下流程進行故障診斷：獲取回轉窯在不同故障下對應的電流信號波形；對獲取的電流信號波形進行消噪處理；對消噪處理的電流信號波形進行小波包特征向量提取；將提取的多組特征向量輸入概率神經網絡進行訓練，通過不同故障的特征向量識別不同故障對應的能量在不同頻帶的特征，進而區分故障種類；利用訓練的概率神經網絡進行故障診斷，并輸出故障類型。

8.基于小波神經網絡的回轉窯故障診斷GUI，其特征在于，故障診斷GUI與故障診斷系統建立聯系，并執行以下操作程序：

S1，根據故障數據繪制故障波形；

S2，根據故障波形進行特征向量提取；

S3，利用訓練的概率神經網絡進行故障診斷，并顯示故障診斷結果；

S4，根據故障診斷系統的對策表，顯示故障的原因及解決方案。