一种基于RBF网络的提升机制动系统故障诊断方法技术方案

技术编号:15502619 阅读:148 留言:0更新日期:2017-06-03 23:26
本发明专利技术提供一种基于RBF网络的提升机制动系统故障诊断方法,该方法包括:采用2JTP‑1.2型提升机模拟提升机的制动系统故障,得到初始输入变量,将初始输入变量进行数据的预处理后,得到初始输入特征向量,将初始输入特征向量作为输入,建立初始的提升机制动系统故障诊断模型,采用MIV算法对初始输入变量筛选,得到最终输入变量,将最终输入变量进行数据的预处理后,得到最终输入特征向量,将最终输入特征向量作为输入,建立GSO‑RBF网络,采用GSO算法对RBF网络进行优化,得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,输出提升机制动系统的诊断结果,本发明专利技术具有可靠性高和准确性好等特点,可广泛应用于故障诊断领域。

A fault diagnosis method of hoist braking system based on RBF neural network

The present invention provides a method for fault diagnosis of RBF hoist braking system based on network, the method includes: using 2JTP 1.2 type hoist braking system fault simulation lifting machine, get the initial input variables, the initial input variables for data preprocessing, get the initial input feature vector, the initial input feature vector as input, the fault diagnosis of mine hoist braking system model to establish the initial, MIV algorithm using variable selection of initial input, to obtain the final input variables, input variables will eventually after the preprocessing of data, obtain the final input feature vector, the final input feature vector as input, the establishment of GSO RBF network, using GSO algorithm optimization of the RBF network, to obtain the firefly algorithm of hoist braking system of RBF network fault diagnosis model based on the output of hoist braking The invention has the advantages of high reliability, good accuracy, etc., and can be widely applied to the field of fault diagnosis.

【技术实现步骤摘要】
一种基于RBF网络的提升机制动系统故障诊断方法
本专利技术涉及故障诊断
,特别是涉及一种基于RBF网络的提升机制动系统故障诊断方法。
技术介绍
提升机是矿井生产、运输的主要设备,它担负着提升煤炭、矸石、下放材料和升降人员的任务,素有“矿井咽喉”之称,制动系统则是提升机的重要组成部分,执行着正常停车和在各种故障下紧急制动安全停车的重要任务,关系到提升机运行的安全性和可靠性,对于提升机制动系统的故障诊断问题,目前,国内外学者提出了多种故障诊断方法。主要采用粗糙集理论、支持向量机、贝叶斯分类法、模糊逻辑、神经网络等方法对提升机制动系统进行故障诊断。粗糙集理论在处理模糊和不确定信息上具有较大的优越性,但其决策规则很不稳定,精确性较差,而且是基于完备的信息系统,处理数据时,常会遇到数据丢失现象。支持向量机在解决小样本、非线性及高维模式识别问题中具有优势,但识别能力易受自身参数影响。贝叶斯分类法需要已知确切的分别概率,而实际上并不能给出确切的分别概率。模糊逻辑需要一定的先验知识,对参数选择具有较强的依赖性。神经网络具有简单的结构和很强的问题求解能力,且可较好地处理噪声数据,但算法存在局部最优问题,收敛性较差,可靠性有限。由此可见,在现有技术中,提升机制动系统故障诊断方法存在精度低、可靠性差、诊断结果存在较大偏差等问题。
技术实现思路
有鉴于此,本专利技术的主要目的在于提供一种高精度、可靠性好、诊断结果准确的提升机制动系统故障诊断方法。为了达到上述目的,本专利技术提出的技术方案为:一种基于RBF网络的提升机制动系统故障诊断方法,所述提升机制动系统故障诊断方法包括如下步骤:步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障,分析提升机制动系统故障发生的机理和影响因素,得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X;步骤2、将所述初始输入变量X进行数据的预处理,得到初始输入特征向量T;步骤3、将所述初始输入特征向量T作为训练样本的输入,制动系统的故障类型作为输出,建立初始的提升机制动系统RBF网络故障诊断模型;步骤4、采用所述初始输入特征向量T对RBF网络进行训练,并采用MIV算法对初始输入变量X进行筛选,得到筛选后的最终输入变量X′;步骤5、将所述最终输入变量X′进行数据的预处理,得到最终输入特征向量T′;步骤6、将所述最终输入特征向量T′作为训练样本的输入,制动系统的故障类型作为输出,建立GSO-RBF网络;步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化;步骤8、判别满足终止条件是否成立;如果成立,则执行步骤9;如果不成立,则执行步骤7;步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,对提升机制动系统的故障类型进行判断,并输出诊断结果。综上所述,本专利技术所述基于RBF网络的提升机制动系统故障方法将获取的初始输入变量进行数据的预处理后,得到所述的初始输入特征向量,将初始输入特征向量作为训练样本的输入,提升机制动系统的故障类型作为输出,建立初始的提升机制动系统RBF网络故障诊断模型,采用MIV算法对初始输入变量进行筛选,得到最终输入变量,将获得的最终输入变量进行数据的预处理后,得到最终输入特征向量,将最终输入特征向量作为训练样本的输入,提升机制动系统的故障类型作为输出,建立GSO-RBF网络,采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化,得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,判断提升机制动系统的故障类型,输出诊断结果,从而提高了提升机制动系统故障诊断的精度、准确性和可靠性。附图说明图1是本专利技术所述一种基于RBF网络的提升机制动系统故障诊断方法的流程图。图2是本专利技术所述RBF网络拓扑结构示意图。图3是本专利技术所述系统误差随着训练次数的变化趋势图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚,下面将结合附图及具体实施例对本专利技术作进一步地详细描述。图1是本专利技术所述一种基于RBF网络的提升机制动系统故障诊断方法的流程图。如图1所示,本专利技术所述提升机制动系统故障诊断方法,包括如下步骤:步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障,分析提升机制动系统故障发生的机理和影响因素,得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X;步骤2、将所述初始输入变量X进行数据的预处理,得到初始输入特征向量T;步骤3、将所述初始输入特征向量T作为训练样本的输入,制动系统的故障类型作为输出,建立初始的提升机制动系统RBF网络故障诊断模型;步骤4、采用所述初始输入特征向量T对RBF网络进行训练,并采用MIV算法对初始输入变量X进行筛选,得到筛选后的最终输入变量X′;步骤5、将所述最终输入变量X′进行数据的预处理,得到最终输入特征向量T′;步骤6、将所述最终输入特征向量T′作为训练样本的输入,制动系统的故障类型作为输出,建立GSO-RBF网络;步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化;步骤8、判别满足终止条件是否成立;如果成立,则执行步骤9;如果不成立,则执行步骤7;步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,对提升机制动系统的故障类型进行判断,并输出诊断结果。总之,本专利技术所述基于RBF网络的提升机制动系统故障诊断方法将获取的初始输入向量进行数据的预处理后,得到所述的初始输入特征向量,将初始输入特征向量作为训练样本的输入,提升机制动系统的故障类型作为输出,建立初始的RBF网络提升机制动系统故障诊断模型,采用MIV算法对初始输入变量进行筛选,得到最终输入变量,将获得的最终输入变量进行数据的预处理后,得到最终输入特征向量,将最终输入特征向量作为训练样本的输入,提升机制动系统的故障类型作为输出,建立GSO-RBF网络,采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化,得到基于萤火虫算法优化的RBF网络提升机制动系统故障诊断模型,对提升机制动系统的故障类型进行判断,输出诊断结果,从而提高了提升机制动系统故障诊断的精度、准确性和可靠性。本专利技术步骤2中,所述数据预处理的计算式如下:其中,t(i)是第i个初始输入变量的样本值,xact(i)是第i个初始输入变量的实际值,xmin(i)是第i个初始输入变量的最小值,xmax(i)是第i个初始输入变量的最大值。本专利技术方法中,所述步骤3具体为:采用初始输入特征向量T作为RBF网络输入层的神经元,初始输入特征向量T=(t1,t2,...,t9)T,制动系统的故障类型作为输出,输出层有6个神经元,输出向量为Y=(y1,y2,...,y6)T,隐含层到输出层的权值向量为W=(w1,w2,...,wm)T,隐含层输出依靠初始输入特征向量与径向基函数中心的距离,基函数选用高斯函数,距离用欧式范数表示。当RBF网络输入为tk时,隐含层输出的具体计算式如下其中,ui是第i个隐含层节点的输出,ci是第i个隐含层节点高斯函数的中心向量,σi是第i个本文档来自技高网...
一种基于RBF网络的提升机制动系统故障诊断方法

【技术保护点】
一种基于RBF网络的提升机制动系统故障诊断方法,其特征在于,所述提升机制动系统故障诊断方法包括如下步骤:步骤1、采用2JTP‑1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障,分析提升机制动系统故障发生的机理和影响因素,得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X;步骤2、将所述初始输入变量X进行数据的预处理,得到初始输入特征向量T;步骤3、将所述初始输入特征向量T作为训练样本的输入,制动系统的故障类型作为输出,建立初始的提升机制动系统RBF网络故障诊断模型;步骤4、采用所述初始输入特征向量T对RBF网络进行训练,并采用MIV算法对初始输入变量X进行筛选,得到筛选后的最终输入变量X′;步骤5、将所述最终输入变量X′进行数据的预处理,得到最终输入特征向量T′;步骤6、将所述最终输入特征向量T′作为训练样本的输入,制动系统的故障类型作为输出,建立GSO‑RBF网络;步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化;步骤8、判别满足终止条件是否成立;如果成立,则执行步骤9;如果不成立,则执行步骤7;步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,对提升机制动系统的故障类型进行判断,并输出诊断结果。...

【技术特征摘要】
1.一种基于RBF网络的提升机制动系统故障诊断方法,其特征在于,所述提升机制动系统故障诊断方法包括如下步骤:步骤1、采用2JTP-1.2型提升机试验模拟提升机在不同速度、不同负荷工况下的制动系统故障,分析提升机制动系统故障发生的机理和影响因素,得到贴闸油压、制动力矩、液压系统残压、松闸油压、液压站油压、闸瓦贴合开关量、磨损超限判定油压、闸瓦平均间隙和制动盘偏九个初始输入变量X;步骤2、将所述初始输入变量X进行数据的预处理,得到初始输入特征向量T;步骤3、将所述初始输入特征向量T作为训练样本的输入,制动系统的故障类型作为输出,建立初始的提升机制动系统RBF网络故障诊断模型;步骤4、采用所述初始输入特征向量T对RBF网络进行训练,并采用MIV算法对初始输入变量X进行筛选,得到筛选后的最终输入变量X′;步骤5、将所述最终输入变量X′进行数据的预处理,得到最终输入特征向量T′;步骤6、将所述最终输入特征向量T′作为训练样本的输入,制动系统的故障类型作为输出,建立GSO-RBF网络;步骤7、采用GSO算法对RBF网络隐含层神经元中心和阈值进行优化;步骤8、判别满足终止条件是否成立;如果成立,则执行步骤9;如果不成立,则执行步骤7;步骤9、得到基于萤火虫算法优化的提升机制动系统RBF网络故障诊断模型,对提升机制动系统的故障类型进行判断,并输出诊断结果。2.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,步骤2中,所述数据预处理的计算式如下:其中,t(i)是第i个初始输入变量的样本值,xact(i)是第i个初始输入变量的实际值,xmin(i)是第i个初始输入变量的最小值,xmax(i)是第i个初始输入变量的最大值。3.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤3具体为:采用初始输入特征向量T作为RBF网络输入层的神经元,初始输入特征向量T=(t1,t2,...,t9)T,制动系统的故障类型作为输出,输出层有6个神经元,输出向量为Y=(y1,y2,...,y6)T,隐含层到输出层的权值向量为W=(w1,w2,...,wm)T,隐含层输出依靠初始输入特征向量与径向基函数中心的距离,基函数选用高斯函数,距离用欧式范数表示。当RBF网络输入为tk时,隐含层输出的具体计算式如下其中,ui是第i个隐含层节点的输出,ci是第i个隐含层节点高斯函数的中心向量,σi是第i个隐含层节点的标准化常数;输出层输出的具体计算式如下其中,ui是第i个隐含层节点的输出,yk是输出层第k个节点的输出,w是隐含层到输出层的加权系数,θk是隐含层的阈值,q是隐含层节点数。4.根据权利要求1所述的提升机制动系统故障诊断方法,其特征在于,所述步骤4包括以下具体步骤:步骤41、随机选取h个训练样本作为聚类中心ci,利用最近邻规则对训练样本进行分组,按照tk与中心ci之间的欧式距离将tk分配到训练样本的各个聚类集合vp中;步骤42、对每个聚类集合vp中的训练样本求平均值,构成新的聚类中心c′i,如果新的聚类中心c′i不再发生变化,则所得到的c′i即为RBF网络最终的基函数中心,如果新的聚类中心c′i发生变化,则返回步骤41;步骤43、选取高斯函数作为RBF网络的基函数,方差σi的具体计算式如下:其中,cmax是选取中心之间的最大距离;步骤44、运用最小二乘法计算隐含层到输出层之间神经元的连接权值,计算公式如下:步骤45、对初始输入特征向量T进行变换,具体变换式如下,步骤46、将变换后的初始输入特征向量T作为RBF网络的输入,计算RBF网络的输出值和具体计算式如下:步骤47、计算RBF网络的输出值之差...

【专利技术属性】
技术研发人员:刘景艳张伟李玉东郭顺京
申请(专利权)人:河南理工大学
类型:发明
国别省市:河南,41

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1