[發明專利]一種基于小波神經網絡的異常能耗定位方法

在審

• 申請號: 202010796860.6
• 申請日: 2020-08-10
• 公開（公告）號: CN112085062A
• 公開（公告）日: 2020-12-15
• 發明（設計）人: 楊海東;印四華;徐康康;朱成就;胡羅克
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01M13/021
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 張金福

1.一種基于小波神經網絡的異常能耗定位方法，其特征在于，包括以下步驟：

S1：采集異常能耗數據；

S2：對異常能耗數據進行小波包分解與重構，并提取其能量特征值，得到訓練樣本；

S3：構建小波神經網絡模型；

S4：將訓練樣本輸入小波神經網絡模型，并結合遺傳算法對小波神經網絡模型進行優化訓練，得到最優小波神經網絡模型；通過最優小波神經網絡模型進行異常能耗定位診斷，得到診斷結果，從而實現精確定位造成異常能耗的機器部件。

2.根據權利要求1所述的一種基于小波神經網絡的異常能耗定位方法，其特征在于，步驟S2具體包括以下步驟：

S2.1：對異常能耗數據進行小波包多尺度分解處理，得到分解數據；

S2.2：采用小波包系數重構算法對分解數據進行重構，得到重構數據；

S2.3：計算重構數據的能量值，從而提取得到能量特征值；

S2.4：對能量特征值進行降維處理，得到降維的能量特征值；

S2.5：對降維的能量特征值進行歸一化處理，得到訓練樣本。

3.根據權利要求2所述的一種基于小波神經網絡的異常能耗定位方法，其特征在于，在步驟S2.2中，重構數據的數據長度與異常能耗數據分解前的數據長度一致。

4.根據權利要求2所述的一種基于小波神經網絡的異常能耗定位方法，其特征在于，在步驟S2.4中，采用主成分分析降維技術對能量特征值進行降維處理；具體為：

假定能量特征值的初始向量X包含n個樣本和m個特征，即

X＝(x₁,x₂,...,x_n)^T；

則初始向量X的協方差矩陣為：

基于K–L變換，主成分的累計貢獻率C(q)為：

采用特征向量矩陣U＝(U₁,U₂,...,U_m)^T將初始向量X映射到新的特征子空間中，得到特征向量矩陣Y，映射公式為：

Y＝U^TX；

其中，協方差矩陣S是n×n維矩陣，且其特征值滿足λ₁λ₂…λ_m；x₁,x₂,...,x_n均為初始向量X中的樣本，X_i為初始向量X第i個分量；λ_i為矩陣S的第i個特征值，q為矩陣S的主成分，s為貢獻率標準值。

5.根據權利要求4所述的一種基于小波神經網絡的異常能耗定位方法，其特征在于，在步驟S2.5中，歸一化公式為：

其中，y為標準化區間，y_max、y_min分別為標準化區間的最大值和最小值，x為特征向量矩陣Y中要歸一化的數據，x_max、x_min分別為特征向量矩陣Y中每行數據中的最大值和最小值。

6.根據權利要求1所述的一種基于小波神經網絡的異常能耗定位方法，其特征在于，在步驟S3中，小波神經網絡模型的輸入層節點數m根據能量特征值確定，輸出層節點數n根據輸出結果確定，隱含層節點數h根據以下公式確定：

其中，α為適應度系數。