[發明專利]基于多信號融合及Adam優化算法的岸橋故障監測方法

在審

• 申請號: 202010735618.8
• 申請日: 2020-07-28
• 公開（公告）號: CN111860839A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 唐剛;常超;邵長專;胡雄
• 申請（專利權）人: 上海海事大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/04;G01D21/02
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，包括以下過程：

步驟1、采集數據；

獲取一段時間內岸橋機械結構的振動、溫度、和應力等信號，所述振動、溫度和應力等信號在時間上同步；

步驟2、數據預處理，確定輸入輸出；

對采集到的信號進行預處理，將需要預測的信號作為輸出信號，并將輸入信號樣本分為訓練集和測試集；

步驟3、構建神經網絡模型；

根據輸入信號的維度，確定訓練參數，包括隱藏層節點數，最大迭代次數，初始學習率等；

步驟4、訓練集利用Adam算法，由步驟3所得的參數訓練神經網絡，獲得岸橋狀態預測模型；

步驟5、利用測試集檢驗由步驟4所得的岸橋狀態預測模型；

步驟6、輸出預測結果，并將預測結果呈現在人機交互界面中。

2.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，在步驟1中，測量量包括振動信號、熱信號、應力信號等在內的各種監測信號。

3.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，在步驟2中，利用3δ探測法監測各監測量的歷史數據，以溫度信號為例，3δ探測法公式如下：

式中，Δθ_T(k)表示第k時刻溫度的增量，θ_T(k)表示第k時刻溫度，θ_T(k-1)表示第k-1時刻溫度，μ表示所有時刻溫度增量Δθ_T(k)組成的樣本的均值，δ表示Δθ_T(k)樣本的標準差。

4.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，在步驟2中，對各監測量的歷史數據進行歸一化處理，歸一化公式如下：

式中，x^*為數據歸一化后的值，x_i為信號的第i個數據，x_max、x_min分別為樣本數據的最大值和最小值。

5.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，在步驟3中，隱藏層節點數確定公式：

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

6.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，利用灰色關聯分析法分析任意兩個監測信號相關性，以振動信號與溫度信號為例，灰色關聯分析法公式如下：

式中，y₀(k)表示振動信號第k個時刻的值，y_i(k)表示溫度信號第k個時刻的值，Y₀表示振動信號，Y_i表示溫度信號，ξ為分辨系數，取值為0≤ξ≤1，γ(Y₀,Y_i)表示Y₀與Y_i的灰色關聯度，0≤γ(Y₀,Y_i)≤1，灰色關聯度越接近1，表示兩序列的相關性越大，一般情況下越不相關的變量，灰色關聯度接近于0，越相關的變量越接近于1。

7.根據權利要求1所述的基于多信號融合及Adam優化算法的岸橋故障監測方法，其特征是，利用Adam算法優化神經網絡，Adam算法具體公式及步驟如下：

S1、計算梯度：

S2、計算有偏一階矩估計：s(k)＝ρ₁s(k-1)+(1-ρ₁)g

S3、計算有偏二階矩估計：r(k)＝ρ₂r(k-1)+(1-ρ₂)g⊙g

S4、計算修正一階矩：

S5、計算修正二階矩：

S6、修正參數值：

式中，f(x⁽ⁱ⁾；P)表示神經網絡的輸出函數,本發明中特指需要預測的診斷信號，L(f(x⁽ⁱ⁾；P),y⁽ⁱ⁾)表示神經網絡的代價函數，本發明中指診斷信號的理想值與實際值的誤差函數，表示梯度運算符，m表示訓練數據集的大小，ρ₁通常取0.9，ρ₂通常取0.999，k為迭代次數，ε表示步長，通常取0.001，δ為小常數，通常取10^-8。