[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

本發明屬于氣閥故障診斷方法領域，尤其涉及一種基于小波包分解和BP神經網絡的判斷故障類別的故障診斷方法，包括以下步驟：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；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；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。本發明工作效率高、安全可靠、適應范圍廣泛，診斷效果理想，能夠適用于多種往復式壓縮機氣閥的故障診斷。

技術領域

本發明屬于氣閥故障診斷方法領域，尤其涉及一種基于小波包分解和BP神經網絡的判斷故障類別的故障診斷方法。

背景技術

對往復式壓縮機關鍵部位——氣閥進行預警，觀察其運行狀態是否穩定，對其運行狀態進行全面評估。當氣閥運行狀態不穩定時，可以第一時間向有關人員報告反饋，還可以提出診斷方案。這樣不僅能夠減少了停機維護的次數，在很大程度上提高了往復式壓縮機維護的效率，減少運行陳本，提高生產效率，還可以保障人員的安全，減少事故的發生。

發明內容

本發明旨在克服現有技術的不足之處而提供一種工作效率高、安全可靠、適應范圍廣泛，診斷效果理想，能夠適用于多種往復式壓縮機氣閥的故障診斷方法。

為解決上述技術問題，本發明是這樣實現的：

一種基于小波包分解和BP神經網絡的氣閥故障診斷方法，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。

作為一種優選方案，本發明在步驟S102中，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，t∈R；

——小波函數；

h(k)——低通濾波器系數,k＝1,2,…；

g(k)——高通濾波器系數。

進一步地，本發明在步驟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。

進一步地，本發明在所述輸入層分別有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)。

進一步地，本發明在步驟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))