[發明專利]基于小波神經網絡的風機齒輪箱故障趨勢預測方法

在審

• 申請號: 201811485688.1
• 申請日: 2018-12-06
• 公開（公告）號: CN109657789A
• 公開（公告）日: 2019-04-19
• 發明（設計）人: 朱才朝;魯炯;王屹立;朱永超
• 申請（專利權）人: 重慶大學
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 重慶大學專利中心 50201
• 代理人: 唐開平

1.基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是，包括以下步驟：

步驟1、數據采集：深度挖掘SCADA和CMS系統中蘊含的大量信息，包括齒輪箱溫度信號，振動信號，發電機電信號；

步驟2、信號數據預處理：包括剔除信號數據的奇異點、數據歸一化處理以及將輸入信號進行相似化處理；

步驟3、確定神經網絡的結構參數：結構參數有隱含層節點數、顯示中間結果的周期、最大迭代次數、學習因子、動量因子和誤差閾值；

步驟4、確定小波神經網絡的訓練參數并初始化：訓練參數有小波的尺度因子a_i，平移因子b_i，輸出層節點k與隱含層節點i之間的權值w_ki和輸出初始值y₀；

步驟5、將步驟2所得的輸入信號樣本分為訓練集和測試集，輸入信號樣本中既要包含風機正常運行時候的數據又要包含風機各種故障時候的數據；

步驟6、構建小波神經網絡模型：使用步驟3所得的結構參數和步驟4所得的訓練參數進行網絡訓練，獲得小波神經網絡模型；

步驟7、小波神經網絡優化，測試小波神經網絡模型：將網絡的輸出值與理想輸出進行比較，得到誤差，利用最小均方誤差函數更新模型，直到誤差滿足要求，得出最優小波神經網絡模型，并用測試集的數據對網絡進行測試，檢驗網絡的性能；

步驟8、輸出故障趨勢預測結果：將結果送入預測系統中進行分析，得到最終的預測結果呈現在人機交互界面中。

2.根據權利要求1所述的基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是：在步驟1中，振動信號是采用齒輪箱高速軸振動加速度(m/s²)、溫度信號采用齒輪箱進出口油溫差(℃)、電信號采用發電機輸出電流(A)，由于溫度為緩變信號，輸入數據取5分鐘的平均值。

3.根據權利要求2所述的基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是：在步驟2中，所述剔除奇異點是計算采集數據的標準偏差σ，再按照統計概率理論將偏差大于3σ的數據剔除。

4.根據權利要求3所述的基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是：在步驟2中，數據歸一化處理的公式如下：

式中：為數據歸一化后的值，x_j為輸入第j個數據，x_max和x_min分別為樣本數據的最大值和最小值。

5.根據權利要求4所述的基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是：在步驟3中，隱含層節點數的確定公式：

式中：m是隱含層節點數，n是輸入層節點數，l是輸出層節點數，β是1-10之間的常數。

6.根據權利要求5所述的基于小波神經網絡的風機齒輪箱故障趨勢預測方法，其特征是，在步驟4中，進行小波神經網絡訓練參數初始化按以下步驟：

步驟41、尺度因子a_i的確定：一個母波函數的窗口中心和窗口寬度是固定的，設隱含層第i個節點的小母波函數的窗口中心為t_0i，窗口寬度為Δt_0i，有M個輸入，每段小區間為則小區間長度為：其中，x_jmax為輸入層第j個節點的輸入樣本中最大值，x_jmin為最小值，則：

步驟42、平移因子b_i初始值的求取：將窗口中心t_0i對應于小區間中心則：

步驟43、輸出層節點k與隱層節點i之間的權值w_ki的確定：采取在[-1，1]區間上均勻分布的隨機數作為權值的初始值；

步驟44、輸出初始值y₀的確定：將樣本輸出的平均值作為y₀的初始值。