基于数据驱动的在线神经网络故障诊断方法技术

本发明专利技术涉及电液作动器故障诊断领域，公开了一种基于数据驱动的在线神经网络故障诊断方法，解决传统的作动器故障诊断中无法实时更新数据库的问题。本发明专利技术的要点为：分析电液作动器结构，搭建电液作动器的仿真模型；分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；采集得到的数据，对其开展特征值提取和降维工作；构建标签故障数据矩阵，对其特征值开展离线训练和在线训练，从而获得在线神经网络；实时采集电液作动器工作数据，利用在线神经网络对采集到的数据进行故障诊断；故障诊断之后，对采集到的数据进行在线训练，从而更新在线神经网络。本发明专利技术适用于电液作动器故障诊断。

【技术实现步骤摘要】
基于数据驱动的在线神经网络故障诊断方法
本专利技术涉及电液作动器故障诊断领域，特别涉及基于数据驱动的在线神经网络故障诊断方法。
技术介绍
随着航空航天产业、机器人以及民用工业的迅速发展和功能需求的不断提高，控制系统的应用范围和复杂性越来越突出，同时设备的可靠性和安全运行也变得越来越重要。由于设备长期处于运行状态以及工作环境的复杂多变性，出现故障是不可避免的。一旦在未知情况下，相应的系统或者装备出现故障，将会带来巨大的财产损失和人员伤亡。因此需要实时地对设备开展健康状态的监测和故障诊断，当故障发生时，能及时地完成故障的诊断辨识，为进一步开展设备维修和保障设备系统的正常运行具有重要意义。电液作动器是一个集机械、电子、液压为一体的复杂设备，从普通的民用客机到太空飞船上都得到了广泛的应用。目前的电液作动器大多采用了冗余性设计，一定程度上保障了可靠性，但不可避免地存在结构复杂性，这样就使得它的故障存在多样性、突发性以及成因的复杂性。关键的，作动器是否正常运行，将会对飞行器正常飞行起决定性作用。因此，对作动器其开展状态监测和故障诊断是十分必要的。目前对于作动器的故障诊断方法主要分为两类：一类是基本文档来自技高网...

【技术保护点】
1.基于数据驱动的在线神经网络故障诊断方法，其特征在于，步骤1：分析电液作动器结构，搭建电液作动器的仿真模型；步骤2：分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；步骤3：分析步骤2采集得到的数据，对其开展特征值提取和降维工作，最大化表征故障特征；步骤4：构建标签故障数据矩阵，对步骤3提取得到的特征值开展离线训练和在线训练，从而获得在线神经网络；所述在线训练的算法如下：步骤41：若已将k‑1组训练样本进行离线训练，并获得了最佳权值wk‑1和偏差bk‑1，则将权值wk‑1和偏差bk‑1作为第k组训练样本进行在线训练网络的初始权值和偏差；步骤42：计算初始权值和偏差...

【技术特征摘要】
1.基于数据驱动的在线神经网络故障诊断方法，其特征在于，步骤1：分析电液作动器结构，搭建电液作动器的仿真模型；步骤2：分析作动器失效形式，对电液作动器的仿真模型植入不同类型的故障，完成信号的采集；步骤3：分析步骤2采集得到的数据，对其开展特征值提取和降维工作，最大化表征故障特征；步骤4：构建标签故障数据矩阵，对步骤3提取得到的特征值开展离线训练和在线训练，从而获得在线神经网络；所述在线训练的算法如下：步骤41：若已将k-1组训练样本进行离线训练，并获得了最佳权值wk-1和偏差bk-1，则将权值wk-1和偏差bk-1作为第k组训练样本进行在线训练网络的初始权值和偏差；步骤42：计算初始权值和偏差的条件下在线神经网络的实际输出；步骤43：利用在线神经网络的实际输出和期望输出计算各神经元的输出误差，并进一步计算累计误差能量；神经元的输出误差计算公式如下：ekp(n)＝∑ykp(n)ln(dkp(n))+(1-ykp(n))ln(1-dkp(n))累计误差能量计算公式如下：其中，n为迭代次数，ekp为执行第k组训练样本时第p个神经元的输出误差值，dkp为执行第k组训练样本时第p个神经元的期望输出值，ykp为执行第k组训练样本时第p个神经元的实际输出值，E(n)为累计误差能量，P为神经元个...

【专利技术属性】
技术研发人员：苗强，王剑宇，刘慧宇，莫贞凌，曾小飞，张恒，
申请(专利权)人：四川大学，
类型：发明
国别省市：四川,51