[發明專利]基于小波包分解和BP神經網絡的氣閥故障診斷方法

在審

• 申請號: 202110628289.1
• 申請日: 2021-06-07
• 公開（公告）號: CN113358346A
• 公開（公告）日: 2021-09-07
• 發明（設計）人: 張秀珩;馬立強;姜澤磊;巴鵬
• 申請（專利權）人: 沈陽理工大學
• 主分類號: G01M13/003
• 分類號: G01M13/003;G01M7/02;G06N3/08
• 代理公司: 沈陽亞泰專利商標代理有限公司 21107
• 代理人: 郭元藝

1.一種基于小波包分解和BP神經網絡的氣閥故障診斷方法，其特征在于，包括以下步驟：

S101：搭建往復式壓縮機氣閥故障模擬實驗平臺，使采集到的氣閥振動信號與實際運行狀態一致，同時對振動信號進行實時采集與保存；

S102：用小波包分解對氣閥振動信號進行處理，通過小波包分解與單子帶重構后得到原信號的分量，監測每個分量能量的變化；

S103：在Tensorflow中搭建BP神經網絡，將特征向量與故障類別之間的映射關系存在網絡的權值矩陣中，將待診斷樣本輸入網絡，得到映射輸出，通過對映射輸出的概率得到診斷結果。

2.根據權利要求1所述基于小波包分解和BP神經網絡的氣閥故障診斷方法，其特征在于：在步驟S102中，所述小波包分解引入一個尺度函數及一個小波函數，其雙尺度方程為：

式中：φ(t)——正交尺度函數；

——小波函數；

h(k)——低通濾波器系數；

g(k)——高通濾波器系數。

3.根據權利要求2所述基于小波包分解和BP神經網絡的氣閥故障診斷方法，其特征在于：在步驟S103中，BP神經網絡包括輸入層、隱藏層及輸出層；所述輸入層的樣本特征x_i被送到隱藏層；所述隱藏層設有相關的激活函數，在激活函數的作用下，會得到輸出a；所述輸出層設有相關的激活函數，在激活函數的作用下，進行前向傳播，得到預測值。

4.根據權利要求3所述基于小波包分解和BP神經網絡的氣閥故障診斷方法，其特征在于：所述輸入層分別有8個神經元；所述輸出層有4個神經元；所述隱藏層10個神經元；神經網絡架構為N(8，10，10，4)。

5.根據權利要求4所述基于小波包分解和BP神經網絡的氣閥故障診斷方法，其特征在于：在步驟S103中，BP神經網絡學習步驟包括：

1)給定訓練樣本集{(x1,y1)……(xm,ym)}；

2)隨機確定初始權值W(1)、W(2)；偏置b(1)、b(2)初始為0；

3)前向傳播計算每層的輸出a(1)、a(2)、其中a(0)＝x，利用下式進行前向傳播計算輸出：

a^(l)＝f(W^(l)a^(l-1)+b^(l))

式中：f——激活函數

W^(l)——第l層的權值矩陣；

a^(l-1)——第l-1層神經元的輸出；

b^(l)——第l層的偏執向量；

4)計算損失函數J(W，b)；

5)前向傳播停止，觀察loss是否滿足要求；

6)誤差反向傳播；

更新后的權值和偏置為：

式中：W^(l)——l層的權值矩陣；

η——學習率；

——損失函數對于l層的權值矩陣的梯度

式中：b^(l)——l層的偏置向量；

η——學習率；

——損失函數對于l層偏置向量的梯度。