The invention discloses a method for predicting GRNN rotating machinery fault based on FOA optimization, which relates to the technical field of rotating machinery fault prediction method, which comprises the following steps: (1), the Cincinnati rolling bearing test data; (2), step (1) discrete data acquisition signal is divided into two parts: training data and the forecast data, the training data into FOA optimization GRNN forecasting model training, (3), step (2) prediction model trained the prediction data of the fault, calculate the RMS error and the prediction time, the comparison of the simulation curve and actual curve prediction; (4), through the steps of (3) in the results to determine the fault time and fault type; the invention uses FOA to GRNN smooth factor optimization so as to establish the GRNN FOA fault prediction optimization model, shortened GRNN The establishment time of the best model effectively reduces the impact of human factors on the prediction results.
【技术实现步骤摘要】
一种基于FOA优化的GRNN旋转机械故障预测方法
:本专利技术涉及一种基于FOA优化的GRNN旋转机械故障预测方法,属于旋转机械故障预测方法
技术介绍
:旋转机械在机械设备行业应用较为广泛,其运行安全直接关系到整个生产流程,如若发生意外就会导致整个生产线崩断,进而给企业带来严重的经济损失,甚至危及周围工作人员生命安全。因此,对机械设备运行状态进行有效监测,已成为保证企业安全生产和提高经济效益的关键措施。故障预测是根据目标设备当前的使用状态,结合其结构特性、运行环境及历史数据,采用合理的模型算法对将来可能发生的故障做出判断,预测故障的类别和发生时间。
技术实现思路
:针对上述问题,本专利技术要解决的技术问题是提供一种基于FOA优化的GRNN旋转机械故障预测方法,通过将广义回归神经网络GRNN中的光滑因子作为果蝇算法的味道浓度进行迭代寻优,建立最佳GRNN故障预测模型,从而进行故障预测。本专利技术的一种基于FOA优化的GRNN旋转机械故障预测方法,它包括如下步骤:(1)、采用辛辛那提滚动轴承实验数据,在33天的实验数据中等距选取1100个点;(2)、将步骤(1)采集信号的离散数据分为训练数据和预测数据两部分,将训练数据带入FOA优化GRNN进行预测模型训练,寻优过程如下:首先随机初始化果蝇群体位置,然后赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离:Xi=X+RV(1)Yi=Y+RV(2)式中Xi,Yi——第i个果蝇个体的飞行方向与距离;X,Y——之前迭代寻找到的最佳味道浓度对应的果蝇坐标;RV——随机值;其中此先估计与原点之距离(D),再计算味道浓度判定 ...
【技术保护点】
一种基于FOA优化的GRNN旋转机械故障预测方法,其特征在于:它包括如下步骤:(1)、采用辛辛那提滚动轴承实验数据,在33天的实验数据中等距选取1100个点;(2)、将步骤(1)采集信号的离散数据分为训练数据和预测数据两部分,将训练数据带入FOA优化GRNN进行预测模型训练,寻优过程如下:首先随机初始化果蝇群体位置,然后赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离:Xi=X+RV (1)Yi=Y+RV (2)式中Xi,Yi——第i个果蝇个体的飞行方向与距离;X,Y——之前迭代寻找到的最佳味道浓度对应的果蝇坐标;RV——随机值;其中此先估计与原点之距离(D),再计算味道浓度判定值(S),此值为距离之倒数:
【技术特征摘要】
1.一种基于FOA优化的GRNN旋转机械故障预测方法,其特征在于:它包括如下步骤:(1)、采用辛辛那提滚动轴承实验数据,在33天的实验数据中等距选取1100个点;(2)、将步骤(1)采集信号的离散数据分为训练数据和预测数据两部分,将训练数据带入FOA优化GRNN进行预测模型训练,寻优过程如下:首先随机初始化果蝇群体位置,然后赋予果蝇个体利用嗅觉搜寻食物之随机方向与距离:Xi=X+RV(1)Yi=Y+RV(2)式中Xi,Yi——第i个果蝇个体的飞行方向与距离;X,Y——之前迭代寻找到的最佳味道浓度对应的果蝇坐标;RV——随机值;其中此先估计与原点之距离(D),再...
【专利技术属性】
技术研发人员:葛江华,付岩,王亚萍,
申请(专利权)人:哈尔滨理工大学,
类型:发明
国别省市:黑龙江,23
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。