一种基于在线学习最小嵌入维网络的实时故障诊断方法技术

本发明专利技术提供了一种基于在线学习最小嵌入维网络的实时故障诊断方法，其步骤为：确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。本发明专利技术的优点是在网络在线学习过程中同时添加了节点增加准则和精简准则，增加过程中利用隐层的最大输出判断神经元的活跃性，精简过程中加入了滑动窗口，避免误精简，网络在线调整过程只对输出响应比较大的神经元进行，减少了网络计算量，提高了故障诊断的实时性。

【技术实现步骤摘要】
【专利摘要】本专利技术提供了，其步骤为：确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。本专利技术的优点是在网络在线学习过程中同时添加了节点增加准则和精简准则，增加过程中利用隐层的最大输出判断神经元的活跃性，精简过程中加入了滑动窗口，避免误精简，网络在线调整过程只对输出响应比较大的神经元进行，减少了网络计算量，提高了故障诊断的实时性。【专利说明】
本专利技术涉及故障诊断领域，具体涉及。
技术介绍
随着对系统安全性要求的进一步提高，人们希望能够当系统出现故障时能自动提供故障检测与隔离信息，并对系统劣化趋势作出判断，以避免故障进一步扩大和传播。这样，就能有足够的时间采取可靠措施防止故障发生，避免不必要的损失。 故障诊断是增强系统可靠性的关键技术，提高故障诊断的实时性是该技术的重要因素。现有的故障诊断技术可以分为二类:第一类方法主要是基于时间序列的方法，根据系统过去和现在状态的变化趋势，估计系统进一步的发展状态，与实际检测值计算差值看是否达到故障的阈值，从而判断除系统是否发生故障；第二类方法是基于定性分析的方法，根据系统的定性知识，进行分析推理，从而实现故障诊断。 时间序列方法将数据看作是一个按时间次序排列的序列，并通过相邻数据之间的相关性来建立拟合时间序列的数学模型。目前，常用的时间序列方法主要有两种:一种是参数模型法，首先假设历史数据模型满足一定的条件，然后经过对模型参数的估计得到相应的输出值。如果假设的模型与实际模型有差异，诊断性能会变得较差，而且这种方法是用线性模型来拟合数据序列，因此本质上它不适用于非线性系统。另一种是非参数化模型法，它不需要系统精确的数学模型，应用较为广泛一些。 在各种非参数化模型法中，神经网络方法由于不需要预先建立反映系统物理规律的数学模型，因此具有极强的非线性映射能力，使得其在故障诊断中得到广泛的运用。目前，包括BP网络、RBF网络、回归神经网络等多种神经网络结构都在时间序列分析中得到了应用。但是，利用神经网络对时间序列建模必须经过离线训练的过程而无法实现在线训练，因此网络对序列的变化缺乏学习的能力，序列的测量偏差、不确定扰动等都会导致网络泛化能力下降。MRAN(Minimal Resource Allocating Network)学习算法加入了精简条件,将那些对网络输出贡献比较小的节点进行了移除，但当不满足条件，需要对已选定的所有隐层中心和权值进行调整，直到满足一定的误差要求。当选定的隐层节点比较多时，这个调整过程计算量较大，比较耗时。尤其故障系统的各个状态在故障早期不断变化，离线训练的诊断网络也很难满足实时性的要求。
技术实现思路
本专利技术的目的是减少系统时变状态故障诊断方法的计算量，提高故障诊断的实时性和准确性。 根据本专利技术提供的技术方案，所述包括如下步骤: I)第一步:确定基于神经网络的时间序列最小嵌入维数。非线性时间序列{x(t) x(t) e R1}, t = 0, 1...L，则其在T时刻的预测值为: Y (T+1) = f (X(T)) (I) 其中，X⑴=,L e Z+，表示整个时间序列长度，p e Z+，表示嵌入空间维数，Υ(τ+1)为T时刻预测值。基于神经网络对时间序列建模，可得: 【权利要求】1.，其特征包括:确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。 1)第一步:确定基于神经网络的时间序列最小嵌入维数。非线性时间序列Ix (t) x(t) e R1}, t = O, L..L，则其在T时刻的预测值为:Y(T+1) = f (X(T)) (I) 其中，X⑴=[X⑴，x(T-l)，"^(T-P)LL e Z+，表示整个时间序列长度，P e Z+，表示嵌入空间维数，Y(T+1)为T时刻预测值。基于神经网络对时间序列建模，可得:目标是使得丨)从可能逼近X (T+1)。 根据嵌入维数定理，近邻数据在P维重构空间举例近的两点，在P+1维重构空间里依然很近，否则就是伪近邻。最小嵌入维数时间序列要求没有伪近邻数据。通过判断a(i，p)是否超过给定值来判断该数据是否是伪邻为避免a (i, P)初值与信号偏移的影响,定义:E(P)表示所有a(i，p)的平均值,这里的E(p)仅依赖嵌入维数P。当维数从P到p+1变化时，定义:E1 (ρ) = E (p+1)/E (p) (5) 如果当Ρ>Ρο时，E1(P)就不再变化，Ρο+1就是所求时间序列网络的嵌入维数。 2)第二步:对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值。对于非线性时间序列值X (I)，X⑵，…，X (m)，利用公式(6)将数据归一化，其中Xfflax, Xfflin表示整个时间序列数据的最大值和最小值。 根据确定的网络最小嵌入维数P，将归一化后的时间序列X’ (I)1X' (2)...χ’ (m)进行重构，构成神经网络的输入输出样本对，将X’ (I)1X' (2)...χ’(m)分成k组，每组有ρ+1，前ρ个值作为学习网络输入节点的输入，后一个作为学习网络输出节点的期望值。 3)第三步:在线训练学习网络，动态调整网络结构。选择RBF网络计算输出 /(Xi) = w0+ YaW^(X1)(7) 其中Xi= e Rn为网络输入，f (Xi) e R为相应的网络输出，Wk为第k个隐层节点的输出连接权值，《O为输出偏移常数，於H)是隐层节点的作用函数，径向基函数选为Gaussian 型:uk e Rn为已有的数据中心，σ k为该RBF函数的扩展常数。 在线学习神经网络开始时无隐层单元，网络在学习过程中动态确定是否需要将输入Xi增加为隐层单元，增加准则为:若网络输出MXi)和目标值1间误差足够大，则根据式(9)要添加隐层神经元，emin代表期望逼近精度。式(10)用输入Xi作用下网络神经元输出Φ,代表第k个神经元的活跃性。 算法初始etn = I max, etn按指数规律递减,按准则新增加的隐层节点参数为: Wk+1 = eIiuk+1 = Xn (11) σ k+i = v Il Xn-Unr Il 其中V是迭代因子，Unr是与输入样本Xn距离最近的中心点。 如果样本(XpYi)不满足增加神经元的准则条件，就需要利用梯度下降法对中心Uk，扩展常数ok，权值Wk进行调整。为提高网络调整的实时性，只对中心和样本距离较近的N个神经元参数进行调整:为尽可能精简网络结构，提高在线学习速度，对神经网络输出贡献相对较小的隐层节点从学习网络中移除，原则是这种移除将不影响整体网络的性能。计算每一个样本对(Xi, Yi)隐层节点的输出得到最大的隐层节点输出I = max(o；)，并标准化本文档来自技高网...

【技术保护点】
一种基于在线学习最小嵌入维网络的实时故障诊断方法，其特征包括：确定基于神经网络的时间序列最小嵌入维数；对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值；在线训练学习网络，动态调整网络结构；对学习网络的输出结果进行反归一化运算，求取输出值与实际观测值之间的差值，然后用该差值与设定的检测阈值相比较，实现故障诊断的目的。1)第一步：确定基于神经网络的时间序列最小嵌入维数。非线性时间序列{x(t)|x(t)∈R1}，t＝0,1...L，则其在T时刻的预测值为：Y(T+1)＝f(X(T))   (1)其中，X(T)＝[x(T),x(T‑1),…x(T‑p)],L∈Z+，表示整个时间序列长度，p∈Z+，表示嵌入空间维数,Y(T+1)为T时刻预测值。基于神经网络对时间序列建模，可得：x^(T+1)=f^(x(T),x(T-1),...,x(T-p))---(2)]]>目标是使得尽可能逼近x(T+1)。根据嵌入维数定理，近邻数据在p维重构空间举例近的两点，在p+1维重构空间里依然很近，否则就是伪近邻。最小嵌入维数时间序列要求没有伪近邻数据。通过判断a(i,p)是否超过给定值来判断该数据是否是伪邻a(i,p)=|xi+p-xn(i,p)+p|||yi(p)-yn(i,p)(p)||---(3)]]>为避免a(i,p)初值与信号偏移的影响，定义：E(p)=1N-pΣi=1N-pa(i,p)---(4)]]>E(p)表示所有a(i,p)的平均值，这里的E(p)仅依赖嵌入维数p。当维数从p到p+1变化时，定义：E1(p)＝E(p+1)/E(p)   (5)如果当p>p0时，E1(p)就不再变化，p0+1就是所求时间序列网络的嵌入维数。2)第二步：对网络输入样本进行归一化处理，并根据时间序列重构网络输入输出样本值。对于非线性时间序列值x(1),x(2),…,x(m)，利用公式x′(i)=x(i)-xminxmax-xmin,(i=1,2···m)---(6)]]>将数据归一化，其中xmax，xmin表示整个时间序列数据的最大值和最小值。根据确定的网络最小嵌入维数p，将归一化后的时间序列x'(1),x'(2)…x'(m)进行重构，构成神经网络的输入输出样本对，将x'(1),x'(2)…x'(m)分成k组，每组有p+1，前p个值作为学习网络输入节点的输入，后一个作为学习网络输出节点的期望值。3)第三步：在线训练学习网络，动态调整网络结构。选择RBF网络计算输出f(Xi)=w0+Σk=1k=Kwkφk(Xi)---(7)]]>其中Xi＝[x1,…xn]∈Rn为网络输入，f(Xi)∈R为相应的网络输出，wk为第k个隐层节点的输出连接权值，w0为输出偏移常数，是隐层节点的作用函数，径向基函数选为Gaussian型：φk(Xi)=exp(-1σk2||Xi-uk||2)---(8)]]>uk∈Rn为已有的数据中心，σk为该RBF函数的扩展常数。在线学习神经网络开始时无隐层单元，网络在学习过程中动态确定是否需要将输入Xi增加为隐层单元，增加准则为：|ei|＝|Yi‑f(Xi)|>emin   (9)βmax=Maxk(φk)<etn---(10)]]>若网络输出f(Xi)和目标值Yi间误差足够大，则根据式(9)要添加隐层神经元，emin代表期望逼近精度。式(10)用输入Xi作用下网络神经元输出φk代表第k个神经元的活跃性。算法初始etn＝ξmax，etn按指数规律递减，按准则新增加的隐层节点参数为：wk+1＝enuk+1＝Xn   (11)σk+1＝ν‖Xn‑unr‖其中ν是迭代因子，unr是与输入样本Xn距离最近的中心点。如果样本(Xi,Yi)不满足增加神经元的准则条件，就需要利用梯度下降法对中心uk，扩展常数σk，权值wk进行调整。为提高网络调整的实时性，只对中心和样本距离较近的N个神经元参数进行调整：Δuk=-∂E∂uk=-∂E∂f(Xi)∂f(Xi)∂φk∂φk∂uk=(Yi-f(Xi))wk[2(Xi-uk)exp(-1σk2||Xi-uk||2)1σk2]---(12)]]>uk＝uk+ηΔuk   (13)Δσk=-∂E∂σk=-∂E∂f(Xi)∂f(Xi)&P...

【技术特征摘要】

【专利技术属性】
技术研发人员：陶洪峰，黄红梅，
申请(专利权)人：江南大学，
类型：发明
国别省市：江苏;32